Datawhale干货作者平凡英国Northumbria University讲师计算机博士这个春节挺有意思大模型更新像赶场一样扎堆上。Agent 这波起来之后大家比的也变了——以前看谁更会“答题”现在更在意谁能把活儿跑完而且最好还能直接交付。我说的“可交付”不复杂不是输出一堆建议而是能把结果落在文件里—Excel/清单/报告/PPT能发给同事、能存档、还能复核。更现实的是输入往往很乱文件名不统一、多版本提交、缺交、信息对不上……这些才是最消耗人的地方。刚刚发布的MiniMax M2.5 这次给我的体感就是更稳、更快也更像一个适合干正事的模型。它的标题也直接的点明了它的特性更快更强更聪明为了现实世界生产力而生的模型。说再多不如直接上案例我挑了一个特别日常、但特别容易翻车的活来测它——成绩汇总。一个很折磨人的场景大学老师汇总成绩这应该每个教育工作者的噩梦即使做了大学的教授也得老老实实的填表然后再检查特别还得非常小心不然因为填错学生找过来那叫一个尴尬。我手里这个文件夹大概长这样非常常见的考试成绩录入场景看起来简单但实际上具体的文件数量60个偶尔上的大课文件数量会有几百份这次的案例包含一张 Excel只有学生学号其他全空着等着你填分数、算总评。两包 Word 批改反馈单每个学生两份比如一次团队作业、一次个人作业Word 里写了学号、最终分、评语。其实目标也不复杂就一句话把 Excel 填满并把异常作业标出来没交、疑似抄袭、学号对不上、多版本提交、迟交扣分……这些现实里天天见的坑。但是纯靠人做流程是这样的开 Excel → 按学号找文件 → 打开 Word → 找到最终分 → 复制粘贴 → 算总评 → 再回头检查异常。问题是它特别容易“越做越乱”因为在看个10几20份之后眼睛会花复制粘贴错把别人的成绩录到另一个人身上非常常见。特别是同事或外审要抽查你只能再把 Word 一个个打开重新对一遍时间翻倍是非常常见的。这次M2.5提到了“可交付”这个提升我就试着把这个任务交给它。我直接把这个文件夹打包成压缩文件zip发给了M2.5我算了一下Excel有一个子文件夹两个里面分别有30份左右的文件至于说左右是因为有人没交还有人多交了一份因此整个zip文件里面有大约60个文件。然后让我惊喜的是直接上传成功了它可以直接接收压缩文件作为输入且很准确的先进行了解压我并没有说是zip文件为什么惊喜是因为绝大多数的AI只能接受常见的文件格式比如pdfwordppt等数量也大多不超过10个你看我试了DeepSeek和Kimi都不支持Zip。就光MiniMax可以处理Zip文件就能看到这个能力的广泛适用性几百份文档压缩后扔给它也不是梦。Prompt非常的简单就是纯粹的口语化的任务安排我现在要整理成绩1有一个 Excel里面只有学号没有姓名。2还有一堆 Word 批改反馈单分两类团队作业 个人作业。每个 Word 里都写了学号、最终分、评语。 你帮我做三件事把每个学号两次作业的“最终分”填进 Excel 对应行里并算好总评按表里给的权重。如果发现异常情况帮我在 Excel 里标出来比如没交、疑似抄袭、多版本提交、学号对不上、迟交扣分等并写清楚原因。再单独生成一个“异常清单”和“可抽查记录”让我能看到每个分数是从哪个 Word 文件里读出来的方便我之后复核。可以从它的思考过程中看到M2.5非常好的理解了需求并制定了详细的计划在对于文件进行了预分析之后调用了名叫minimax-xlsx的skill然后开始进行分析了。可以看到整个过程中执行了大量的Python编程操作看起来是在批量化的对文件进行处理。这是整体的流程和最终结果的展示可以看到一气呵成比我想象中要周全的多。其实这个过程非常吃速度和成本模型慢一点你会等得烦模型贵一点你会下意识让它少看点、少跑点。M2.5 给我的感觉是它更像“跑得动也跑得起”的那种底座所以我才敢把这种又脏又碎、还得反复检查的活直接丢进去让它一口气跑完。最终生成了这三份我需要的文件。我一眼就看出了这个处理是很精准的因为它给出的反馈太细节了比如框住的这一条提到w26003010这个文件有个问题文件名学号不匹配。然后我找到了这个文件打开一看的确是不匹配按常理来说文件里面的学号不太可能搞错所以它遵循了文件里面的学号是对的文件名写错的原则。能发现这个问题只可能是M2.5老老实实的把所有的文件全部过了一遍然后找出了这些异常情况并事无巨细的汇报给我。除了这个异常清单其实更重要的是“分数登记”我检查了下所有的条目准确无误一次性给我准确的填完了。特别这里还有个细节那就是两个作业的占比不同团队作业占比25%个人比重大75%我忘了在要求里面提不过它在空白excel的角落里没想到M2.5也看到并主动执行了。跑完这一套我最满意的其实不是“它能编程和填表”而是它交付出来的东西是可以直接拿去用的表是完整的异常是成体系的而且还能追溯来源——这才叫可交付。跟去年的成绩做对比顺手把汇报材料也做了其实录完成绩还不算完一般来说我们是需要评估每年的成绩其中有一个几乎必做的项就是跟去年这门课的学生成绩做对比。问题来了这时候我关心的已经不是某个学生了而是“整体有没有变化”比如今年 vs 去年平均分、中位数、分数分布、通过率/优秀率有没有明显变化异常对比今年缺交/疑似抄袭/对不上号是变多还是变少集中在哪一类最后给我一个能拿去沟通的版本一份简短报告 一份 PPT 简报。这个问题我来交给Claude Code M2.5来做因为它本身就是Agent原生为目标设计的所以理论上它在所有的主流的Agent APP上都能发挥自己的实力。特别是跨年对比这种事往往不是跑一次就完了你会改指标、补图、换口径、再跑一轮。我愿意用 M2.5 在 Claude Code 里反复跑原因很简单它这种“激活参数更小仅10B”的旗舰路线给人的体验就是——同样是做事它更轻更快也更像能长期挂在工具链里的底座。可以看到我的Claude在CC-switch的帮助下切到了MiniMax作为模型供应方。所有的模型都用是M2.5。我给了Claude Code去年的成绩汇总Excel然后让它在这个Prompt下工作依旧非常的口语化去年的成绩表我也有但人数不一样。你帮我把今年和去年的整体情况做个对比平均分、通过率、优秀率、异常比例哪里变了最后帮我顺手生成一份简短报告和一份能拿去开会的 PPT。可以看到它生成了这些文件特别是给出了两个年份之间的对比比如学生人数的变化平均分的变化等。生成的对比报告详细且准确排版也很舒服基本上可以一目了然的知道变化方便后续的进一步工作。用于汇报的PPT有一点儿让我印象很深刻那就是最后的一页“建议”可以看得出M2.5不仅仅只是一个会工作的AI更是一个知道怎么“懂工作应该怎么做”的AI它的建议恰好是一个非常好的结尾点因为只谈现象不谈解决办法和思路这个工作其实就不算完。Agent时代的Token经济学又稳又快 单纯的快我想讲一个在 Claude Code 里很真实、也挺“反直觉”的卡点M2.5 跑起来更快了快到你反而不太容易跟上它的执行过程。同样一个任务tool call 一多终端输出就像瀑布一样往上滚——你能明显感觉它在飞速推进但同时也会失去掌控感现在做到哪一步了是在正常跑还是卡住了刚刚那次失败有没有重试这些细节很容易被刷屏直接带走。更关键的是这种“快”不是单纯吐 token 的快而是 Agent 式的快它会自己把任务拆开按步骤去调用工具遇到不确定就补一手检查发现对不上就回滚重来。你看着它一连串 tool call 下去其实背后是一个完整的“计划—执行—校验—修正”的闭环而不是写两句代码就结束。所以我干脆反过来利用这个优势让 M2.5 直接做了个 tool 调用监控器。它把每次调用的工具名、耗时、返回摘要、失败重试都记下来最后汇成一份可读的日志。 有了它我就不用盯着滚动输出猜进度了——模型越快、Agent 能力越强越需要一个“仪表盘”把过程给落到实处既能看见它跑得有多快也能看清它为什么跑得稳、哪里在做校验、哪里在兜底。这个是用搭载了M2.5的Claude Code做的小玩意可以直接同步Claude Code的关键输出可以让我们心里有个底起码知道做了些什么。可以看到使用方式非常简单就是跟Claude Code说一声即可它可以把刚刚我们做的年份对比重新做了一次这一次我们可以清楚的看到整个流程是如何推进的。到这里其实我对 MiniMax-M2.5 的判断已经很清楚了它厉害的不是某个单点指标而是把「速度 Agent 执行力 可复核交付」揉成了一套完整体验。这也刚好能用最近聊得很凶的“Token 经济学”来解释现在大家越来越不只看“吐字有多快”TPS或者“每百万 token 多便宜”而是开始算一笔更现实的账一项任务从开始到交付平均要花多少钱、花多久、要重来几次。尤其你一头扎进 Agent 工作流里真正吃掉预算和时间的往往不是一次回答而是链路里的那些“隐形消耗”多轮工具调用、反复校验、偶尔跑偏、失败重试、返工补锅。行业里对这件事的警惕也越来越明显。比如 Gartner [1] 就公开预测到 2030 年在客户服务这类复杂场景中GenAI 的“单次解决成本cost per resolution”将超过 3 美元。 你会发现这不是“模型变贵”这么简单而是用例越来越复杂、链路越来越长最后总消耗自然被放大。所以我更愿意用一个简单的公式去描述“好不好用”每次成功交付的成本 ≈跑完一整套流程的总消耗÷一次就交付成功的概率这里“总消耗”不仅包含输入/输出 token还包括你在多步骤里不断追加的上下文以及模型内部推理带来的额外消耗。OpenAI 的文档[2]就明确提到一些 reasoning 模型会产生 reasoning tokens虽然你看不到但会计入计费并占用上下文空间。换句话说同样一个任务跑一遍是成本跑偏重来两遍、再返工补一次花费会远超预计。这也解释了一个很多人踩过的坑便宜不等于省钱。如果模型单价便宜但成功率不稳你会更频繁地“重试—返工—再跑”最后平均每次成功交付的成本反而更高。再叠加一个更反直觉的现象当模型越来越快、越来越便宜时你往往会用得更多、跑得更勤最终总消耗可能不降反升这就是经典的杰文斯悖论Jevons Paradox效率提升可能带来总使用量上涨。回到这次案例我为什么会觉得 M2.5 更像“能干活的模型”我觉得它不是靠某一个点赢的而是几件事凑在一起才让它看起来像个真正能上班的同事。编程更靠谱了不是只会写炫酷的前端代码而是真的能把“读一堆文件 → 解析 → 写回表格 → 导出 → 再检查一遍”这种很工程、很琐碎的流程顺顺当当跑完。你把任务丢过去它会把步骤拆开一步步把活儿推进到结果。从benchmark来看有好几个的SOTA。Agent能力提升带来的长链路稳定性在 Claude Code 里你能明显看到它更会用工具知道什么时候该调用什么、什么时候该停下来核对一下出了问题也不会直接摆烂而是会重试、回滚、换一种路继续跑。这种能力放在长链路任务里特别关键—不然你就会经常看到模型跑着跑着就偏了最后还得你手工救火。再往下就是它这次明显更偏“交付导向”。它不跟你讲一堆方法论而是把结果直接落成文件Excel 填好、异常清单列清楚、抽查记录能追溯跨年对比还能顺手给你报告和 PPT。对我来说这才是“可交付”最重要的部分不是看起来很聪明而是拿得出去、交得上去、查得回来。同样的在一众大模型之间为佼佼者。最后再补一嘴模型技术层面的东西M 系列一直走的是 稀疏激活这条路线可以简单理解成推理时不是把所有参数都拉满而是只动用一部分。它带来的好处不是拿来炫数据而是让你在真实工作流里更敢用—任务长一点、步骤多一点、需要反复跑两轮校验的时候你不会因为“太慢/太贵”而缩手缩脚反而愿意把日志、二次检查这些保险动作全打开。所以我更愿意把 M2.5 的提升理解成会写、会用工具、会交付再加上跑得起。这几件事叠在一起才让它在 Agent 时代看起来更像一个能长期挂在工具链里的“干活底座”。参考资料[1] https://www.gartner.com/en/newsroom/press-releases/2026-01-26-gartner-predicts-genai-cost-per-resolution-for-customer-service-will-exceed-offshore-human-agent-costs-by-2030[2] https://developers.openai.com/api/docs/guides/reasoning-best-practices[3] https://baike.baidu.com/item/%E6%9D%B0%E6%96%87%E6%96%AF%E6%82%96%E8%AE%BA/65380173下载1OpenCV-Contrib扩展模块中文版教程在「小白学视觉」公众号后台回复扩展模块中文教程即可下载全网第一份OpenCV扩展模块教程中文版涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。下载2Python视觉实战项目52讲在「小白学视觉」公众号后台回复Python视觉实战项目即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目助力快速学校计算机视觉。下载3人工智能0基础学习攻略手册在「小白学视觉」公众号后台回复攻略手册即可获取《从 0 入门人工智能学习攻略手册》文档包含视频课件、习题、电子书、代码、数据等人工智能学习相关资源可以下载离线学习。交流群欢迎加入公众号读者群一起和同行交流目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群以后会逐渐细分请扫描下面微信号加群备注”昵称学校/公司研究方向“例如”张三 上海交大 视觉SLAM“。请按照格式备注否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告否则会请出群谢谢理解~