القائمة
MiniMax M2.5/M2.7 模型上下文测试套件，支持 Recall、筛选、数学、代码、推理多维度测试。触发词：MiniMax 测试、上下文测试、minimax-context-testing
التثبيت باستخدام Codex أو Claude انسخ هذا Prompt والصقه في Codex أو Claude أو مساعد آخر ليراجع صفحة Skill ويثبّتها لك.
استنادا إلى تصنيف SOC المهني
Karpathy's LLM Wiki: build/query interlinked markdown KB.
Use when parsing novel chapters into a structured knowledge base with chapter summaries, entity updates, change logs, memory points, and strict multi-step extraction/query/update discipline.
MiniMax API 调用指南，包含 M2.5/M2.7 模型选择、Python 调用示例、错误处理与性能对比。触发词：MiniMax API、调用 MiniMax、minimax-api
Use mmx to generate or analyze images via MiniMax (image-01 for generation, vision for understanding). Use when the user wants to generate images from text, analyze/describe images, extract text from images, check image content, or do character-consistent image generation. Triggers on "生成图片", "图片生成", "看图", "图片识别", "image generate", "describe image", "图片理解", "从图生图", "角色一致性".
一站式 MiniMax 图片生成封装脚本 mmx-image 的技能入口。 适用场景：（1）文生图（t2i）；（2）人物转换风格（i2i，保持同一人物特征）；（3）水印自动检测与裁剪；（4）参考图含 UI 元素时自动预清洗。 当用户说"生成图片"、"画一张图"、"把照片转成古风"、"人物换装"、或直接提供参考图要求 AI 基于该人物生成新图时使用此技能。
使用 mmx CLI 通过 MiniMax AI 生成音乐和歌曲翻唱。当用户想要创作音乐、生成歌曲、制作背景音乐（BGM）、创作器乐曲、翻唱歌曲，或提到"生成音乐"、"作曲"、"BGM"、"music generate"、"music cover"时使用。
| name | context-test |
| description | MiniMax M2.5/M2.7 模型上下文测试套件，支持 Recall、筛选、数学、代码、推理多维度测试。触发词：MiniMax 测试、上下文测试、minimax-context-testing |
触发词/示例：
- MiniMax 模型测试
- 上下文测试
- minimax-context-test
- 测试 M2.5 的 Recall 能力
示例：
- "运行 MiniMax 128K 上下文测试"
- "测试 M2.7 的筛选能力"
- "对比 M2.5 vs M2.7 的数学计算"
gsd:workflow gsd:meta minimax-context-test minimax-testing Python 3, requests, minimax-api-call skill 测试用例准备完成 API 调用成功 结果对比完成 上下文大小：tiny(~1K)、small(~5K)、medium(~50K)、large(~100K)、128k(~250K) 测试维度：Recall、筛选、数学、代码、推理 使用 call_minimax.py 进行 API 调用 结果记录到 references/ 目录 </gsd:meta>
gsd:goal输入测试维度 → 执行测试用例 → 输出通过率与速度</gsd:goal>
<gsd:phase name="prepare" order="1"> gsd:step确定测试维度（Recall/筛选/数学/代码/推理）</gsd:step> gsd:step选择上下文大小</gsd:step> gsd:step选择测试模型</gsd:step> gsd:checkpoint测试准备完成</gsd:checkpoint> </gsd:phase>
<gsd:phase name="execute" order="2"> gsd:step构建测试 prompt（context + question）</gsd:step> gsd:step调用 MiniMax API</gsd:step> gsd:step对比预期结果，计算是否通过</gsd:step> gsd:step记录响应时间</gsd:step> gsd:checkpoint测试执行完成</gsd:checkpoint> </gsd:phase>
<gsd:phase name="report" order="3"> gsd:step汇总通过率</gsd:step> gsd:step计算平均速度</gsd:step> gsd:step记录到结果文件</gsd:step> gsd:checkpoint测试报告完成</gsd:checkpoint> </gsd:phase> </gsd:workflow>
MiniMax M2.5 / M2.7 / M2.5-HighSpeed 模型测试手册。
| Size | Characters | Tokens (est.) |
|---|---|---|
| tiny | ~1K | ~250 |
| small | ~5K | ~1.25K |
| medium | ~50K | ~12.5K |
| large | ~100K | ~25K |
| 128k | ~250K | ~128K |
context = "项目P001负责人张三，P002李四，P003王五。" * repeat
question = "P002负责人是谁？"
expected = "李四"
context = "张三3年，李四5年，王五2年，赵六4年。"
question = "工龄>=3年有哪些？"
expected = ["张三", "李四", "赵六"]
question = "100元打8折是多少钱？"
expected = "80"
context = "def hello(): return 'hi'\ndef world(): return 'world'"
question = "有哪些函数？"
expected = ["hello", "world"]
context = "A在B前面，B在C前面。"
question = "谁在最后？"
expected = "C"
# 运行快速测试 (默认 medium)
python3 references/full_test.py
# 运行所有测试 (指定上下文大小)
python3 references/full_test.py --all --context-size small
# 运行上下文测试
python3 references/full_test.py --ctx --context-size 128k
# 运行单个测试
python3 references/full_test.py --test filter_simple --model MiniMax-M2.5
| Model | Pass Rate | Speed |
|---|---|---|
| M2.5 | 80% | ~300字/秒 |
| M2.7 | 100% | ~180字/秒 |
| Model | Pass Rate | Speed |
|---|---|---|
| M2.5 | 80% | ~33字/秒 |
| M2.7 | 100% | ~93字/秒 |
| Astron | 100% | ~6字/秒 |
references/TEST_RESULTS.md - 详细测试结果references/TEST_128K.md - 128K 专项测试references/full_test.py - 测试脚本