MiniMax ouvre le code source de MiniMax Code
MiniMax a publié sur GitHub le code source de son outil de codage IA, MiniMax Code, après des benchmarks démontrant une performance supérieure et des coûts inférieurs à ceux de ses concurrents.
MiniMax ouvre le code source de MiniMax Code
Ronny, responsable du développement et de la recherche chez MiniMax, a annoncé la publication du projet sur GitHub avec ces mots :
« Construit avec les développeurs. Désormais construit en open source. Rendez-vous sur GitHub. »
Cela signifie que MiniMax Code, initialement développé en collaboration avec la communauté des développeurs, passe désormais à un développement entièrement open source. Le dépôt est disponible sur MiniMax Code on GitHub.
Performance et Coût
Cette sortie est particulièrement intéressante dans le contexte des tests récents de l'entreprise. En utilisant le même modèle sous-jacent et un ensemble de 30 tâches, MiniMax Code a obtenu les résultats suivants :
- Taux de réussite :
- MiniMax Code : 76,7 %
- Codex : 66,7 %
- Claude Code : 63,3 %
- Temps d'exécution moyen :
- MiniMax Code : 4 minutes 33 secondes
- Codex : 6 minutes 43 secondes
- Claude Code : 9 minutes 38 secondes
- Coût par exécution :
- MiniMax Code : 1,83 $
- Codex : 3,47 $
- Claude Code : 18,34 $
Pourquoi c'est important
La publication open source permet aux développeurs d'inspecter la couche d'orchestration et de comprendre les mécanismes techniques derrière les différences significatives de vitesse et de coût par rapport aux autres outils de codage IA.
Pourquoi c'est important
AnalyseL'ouverture du code permet à la communauté d'analyser l'architecture d'un outil qui démontre une efficacité nettement supérieure et des coûts bien inférieurs à ceux des alternatives propriétaires comme Codex et Claude Code.
Discuter dans la communauté
Partagez vos questions et vos idées avec les développeurs
Lié dans l'écosystème
Guides pratiques, terminologie clé et compétences d'agents
Travailler avec Git via Claude Code : guide pour débutants
Guide pratique complet sur l'intégration de Git et de Claude Code : staging intelligent, descriptions automatiques des commits, résolution des conflits de fusion, GitHub CLI et normes de sécurité.
Harvard ouvre un cours gratuit sur l’ingénierie des systèmes de ML
Harvard a ouvert l’accès à CS249r, un cours consacré à l’infrastructure nécessaire pour entraîner, inférer et déployer des modèles d’IA. Les ressources incluent TinyTorch, des laboratoires interactifs, MLSys·im et les supports de cours.
10 dépôts GitHub pour devenir ingénieur en IA en 90 jours
Devenir ingénieur en IA aujourd'hui ne se limite pas aux modèles et aux prompts. La majeure partie du travail réel s'articule autour des agents, des systèmes RAG, de l'orchestration (orchestration), des bases de données vectorielles (vector databases) et de l'infrastructure IA.
GitHub Copilot Workspace
Environnement de développement agentique basé sur le cloud proposé par GitHub, qui transforme les GitHub Issues en Pull Requests entièrement spécifiées et testées, sans nécessiter de clonage local du dépôt.