MiniMax-M2-her是什么
MiniMax-M2-her 是 MiniMax 专深度 AI 陪伴场景推出的角色扮演模型，是服务星野/Talkie 的底层模型。模型通过三大核心能力，独特的世界体验、有节奏的故事推进、精准的用户偏好理解，解决长对话中的角色崩坏、剧情重复等痛点。基于创新的 Role-Play Bench 评估体系和 Agentic 数据合成技术，模型在 100 轮长程对话评测中综合表现位居榜首，现已开放 API 接入。
MiniMax-M2-her的主要功能
- 世界构建：模型精准理解、维持复杂世界观设定，支持多角色与旁白协同扮演，确保人物关系与空间逻辑始终清晰一致。
- 故事推进：模型能主动推动情节发展，避免机械重复与套路化叙事，让故事在长短节奏中保持呼吸感与生命力。
- 偏好感知：从用户交互细节中捕捉未言明的期待，动态适应不同叙事节奏与互动风格，实现千人千面的个性化体验。
- 长程稳定：在长达百轮的对话中持续维持人设一致性、逻辑连贯性与回复长度可控性，破解长对话质量衰减难题。
- 安全交互：在合规框架内灵活把握边界，避免过度拒绝用户的合理互动需求，平衡安全性与沉浸感。
MiniMax-M2-her的技术原理
- Role-Play Bench 评估体系：针对角色扮演场景不存在标准答案的特性，提出基于”非对齐”（Misalignment）的评估框架。通过 Model-on-Model 自对弈机制生成多轮对话轨迹，从 Worlds（世界观一致性）、Stories（叙事质量）、User Preferences（交互恰当性）三个维度自动检测模型的失准行为，实现对真实用户体验的快速离线对齐。
- Agentic Data Synthesis 数据合成：构建双专家模型对话管线，由分别扮演用户与NPC的专家模型生成候选对话轮次，经 Reward Model 多维度打分后通过 Best-of-N 策略筛选最优回复，定期触发 LLM-as-judge 检查点机制修正逻辑错误、指代混乱与内容重复；同时引入规划智能体动态评估对话状态并建议剧情走向，结合场景打散、Prompt扩写、风格专家库与动态轮次分配等策略保障数据多样性与质量。
- Online Preference Learning 在线强化学习：在产品环境中收集用户显式反馈（重说、点赞）与隐式信号（停留时长），经分层采样、因果推断与异常值过滤去除噪声后，采用 RLHF 训练模型感知情境化偏好；训练过程中持续监控输出多样性，在模式坍缩前早停，形成”模型部署-用户交互-信号收集-迭代训练”的正向循环，持续推高用户偏好对齐的上限。
MiniMax-M2-her的项目地址
- 项目官网：https://www.minimaxi.com/news/minimax-m2-her-%E6%8A%80%E6%9C%AF%E6%B7%B1%E5%BA%A6%E8%A7%A3%E6%9E%90
- API接入地址：https://platform.minimaxi.com/docs/api-reference/text-chat
MiniMax-M2-her的应用场景
- AI情感陪伴：为星野/Talkie等虚拟角色聊天产品提供深度、长程、个性化的角色扮演体验，帮助用户与AI建立稳定的情感链接。
- 互动叙事游戏：动态推进剧情分支，支持多角色群像叙事，为文字冒险、恋爱养成、悬疑解谜类游戏实现开放世界式的故事探索体验。
- 虚拟IP运营：精准维持动漫、游戏角色或明星虚拟分身的人设与世界观，让粉丝获得与真实角色对话般的沉浸感。
- 创意写作辅助：理解复杂设定并主动发展情节，作为作者的智能协作者扩展小说共创、剧本推演、世界观构建的叙事可能性。
- 语言学习：模拟真实交互场景，根据学习者水平动态调整对话难度与节奏，实现情境化口语对话与角色扮演式教学。