MiniMax M2.7

# 一、简介与定位

中国上海的AI创业公司MiniMax于2026年3月19日，正式发布了其新一代旗舰级通用大模型Minimax M2.7，核心定位为具备自进化能力的生产级Agent大模型，聚焦于提升研发效率与复杂场景落地能力。

Minimax M2.7的名称中，“M”是MiniMax通用大模型系列的核心标识，代表该模型隶属于公司主力通用模型家族；“2.7”为版本号，相较于上一代M2.5，主要优化集中在自进化能力与Agent执行效率上，并非参数规模的迭代。其核心功能涵盖自驱动研发迭代、强工程编码、复杂Office自动化、Agent场景落地等，可深度参与自身训练优化全流程。官方使用门槛较低，新用户注册即可获得30美元API免费额度（有效期至2026年4月3日），无需订阅即可使用基础功能，API调用兼容OpenAI协议，无明显地域使用限制；同期发布的“兄弟模型”包括MiniMax Music 2.5+（音乐生成模型）、Hailuo 2.3（视频生成模型）等，共同完善MiniMax全栈模型矩阵。

目前Minimax M2.7处于生命周期的活跃期，是MiniMax当前的主力旗舰模型，尚未被迭代或淘汰；其最突出的核心特点是全球首个实现商用的自进化大模型，可自主参与自身研发全流程，在部分场景中能承担30%至50%的研发工作量，大幅提升迭代效率。

# 二、发展历程

# 2.1 研发背景

Minimax M2.7发布前，大模型行业已历经三年军备竞赛，主流模型呈现明显的发展痛点：早期以ChatGPT、国内大厂大模型为代表，聚焦参数规模比拼，导致算力成本指数级上涨，而能力提升边际效益递减；后期竞争转向算力资源争夺与场景落地绑定，大厂凭借资金、算力优势占据主导，创业公司陷入“越卷越贵，越贵越卷”的死循环，核心痛点集中在研发效率低下、人力与算力成本过高。此时行业亟需一种能打破现有研发范式、降低成本的技术突破，Minimax M2.7正是在这种“内卷式竞争”与“效率瓶颈”并存的时代局势下诞生，核心目标是通过自进化能力重构大模型研发流程。

# 2.2 关键节点

MiniMax成立于2022年初，是国内最早入局大模型赛道的创业公司之一，前期已在多模态生成、长对话等领域积累了成熟技术与数据经验。2026年2月12日，MiniMax发布M2.5版本，推出Forge框架实现Agent能力与模型基础能力解耦，为M2.7的自进化能力研发奠定基础；同年2月底，M2.7正式立项，核心聚焦自进化技术的商用落地，启动内部内测，重点测试模型在研发流程中的自主参与能力；3月中旬，内测完成，模型通过多轮验证，确认可稳定承担部分研发工作量；3月19日，MiniMax正式对外发布Minimax M2.7，同步开放API接口与免费额度，供开发者测试使用；3月下旬，模型上线后迅速引发行业关注，相关评测数据陆续曝光，推动MiniMax市值大幅上涨。

# 2.3 家族构成

Minimax M2.7隶属于MiniMax M系列通用大模型家族，该家族以“实用化、高性价比”为核心定位，涵盖多个不同方向的模型，形成完整的产品矩阵：

Minimax M2：M系列的基础版本，核心定位为高性价比通用模型，将调用价格控制在同类模型的8%左右，主打基础文本生成、简单对话等场景，为后续版本迭代奠定底层基础。

Minimax M2.5：M2的迭代版本，重点优化Agent能力，推出Forge框架，实现Agent能力与模型基础能力的解耦，提升复杂场景的适配性，是衔接M2与M2.7的关键版本，迭代周期仅为常规模型的一半。

Minimax M2.7：当前家族旗舰版本，核心亮点是自进化能力，可深度参与自身研发全流程，同时强化编码、Office自动化、Agent场景落地能力，定位为生产级数字员工，适配企业与开发者的复杂需求。

Minimax M2-her：家族内的特色版本，聚焦多角色沉浸扮演，主打长轮次复杂对话场景，与M2.7的生产级定位形成差异化，满足娱乐、社交等场景需求。

# 三、核心技术剖析

# 3.1 固有技术

Minimax M2.7继承了上一代M2.5的核心底层技术，基础架构采用标准的Transformer稠密架构，保障模型的基础推理与生成能力，避免因架构创新导致的稳定性问题。在对齐手段上，延续了MiniMax自研的RLHF（基于人类反馈的强化学习）微调配方，通过真实用户反馈优化模型输出，确保生成内容的准确性与实用性，同时保留了M2.5的Agent Harness基础框架，为自进化能力的落地提供了执行层支撑。此外，该模型还继承了家族一贯的高性价比优化技术，通过算力利用效率优化，降低模型调用与训练成本。

# 3.2 创新技术

Minimax M2.7的核心创新的是“自进化能力”，通过三层递进的闭环设计，实现模型自主参与研发迭代，具体可分为以下三点，通俗易懂解读如下：

1.  独立承接生产级研发任务：模型可自主完成数据筛选与清洗、训练参数调整、代码修复、冒烟测试等研发环节，无需人工全程介入。简单来说，过去需要多位研究员协作完成的RL（强化学习）实验相关工作，现在研究员只需设定目标、把控关键节点，模型就能独立完成80%以上的具体操作，在部分场景中可承担30%-50%的研发工作量，大幅减少人工成本。

2.  自主优化自身运行环境：模型可对自身依赖的Agent Harness（智能体执行框架）进行迭代优化，通过“分析失败轨迹→规划改动→修改代码→运行评测→对比结果→保留/回退”的循环，自主完成框架优化。例如，模型可自动排查自身执行任务时的报错原因，修改框架代码，经过100多轮自主迭代，可使内部评测集效果提升30%，实现“自己优化自己的运行载体”。

3.  自主迭代模型核心能力：模型具备自反馈与记忆能力，在完成任务或评测后，会自动生成短时记忆文件，总结不足并规划下一轮优化方向，形成“执行-反馈-优化”的闭环。比如在MLE-Bench Lite高难度测试中，模型可通过多轮自反馈，将得牌率从51.5提升至66.6%，这种优化无需人工设定优化方向，完全由模型自主完成。

# 四、表现评估

# 4.1 历史与现状

Minimax M2.7刚发布时，凭借“自进化”这一突破性技术，迅速打破行业内卷格局，从国内大模型第二梯队跃升至技术创新第一阵营，引发行业广泛关注，同时带动MiniMax市值大幅上涨，两天内暴涨51%，市值一度超过百度。截至2026年4月，该模型仍处于行业热点位置，是国内自进化大模型的标杆产品，已被大量开发者用于Agent场景、编码开发等领域，官方持续开放API优化与免费额度支持，未出现被迭代淘汰的迹象，行业地位稳步提升。

# 4.2 优势亮点

结合业内权威排行榜与媒体实测数据，Minimax M2.7的优势主要集中在三个核心维度，表现突出：

1.  编码能力：在Multi-SWE Bench排行榜中获得全球第一，SWE-bench Pro测试中正确率达到56.22%，仅落后于Opus 4.6、GPT-5.4约1%，实测中可轻松完成带重试和超时的HTTP请求封装、线程安全的LRU Cache等复杂编码任务，代码结构清晰、注释规范，甚至主动添加typing和logging优化，适配生产级开发需求。

2.  文本生成能力：在相关评测中获得91.7分，超过GPT-5.4（90.2分）和Opus 4.6（88.5分），排名第一，擅长长文本生成、逻辑连贯的内容创作，同时具备优秀的多模态理解能力，可精准解读文本、日志等信息，适配内容创作、文案生成等场景。

3.  Agent场景能力：在PinchBench排行榜中排名全球第四，击败Nemotron 3，该榜单主要测试模型驱动OpenClaw Agent的真实表现（如安排会议、分类邮件、管理文件等），实测中模型可高效完成复杂职场任务，如电商平台故障排查、多步骤办公自动化等，体现出强大的复杂任务处理能力。

此外，该模型的高性价比也是突出优势，调用价格仅为同类模型的1/10~1/20，且API兼容OpenAI协议，开发者迁移成本极低，大幅降低了使用门槛。

# 4.3 缺点与不足

客观来看，Minimax M2.7仍存在明显短板，未达到“全能力顶尖”的水平，主要不足有两点：

1.  数学与逻辑推理能力较弱：这是该模型最突出的短板，在高难度数学题测试中，得分比同类顶尖模型低18分以上，明显弱于Opus 4.6，面对复杂逻辑推理、高等数学计算等场景时，容易出现计算错误、逻辑断层的问题，不适合用于数学竞赛、复杂逻辑建模等场景。

2.  自进化能力仍有局限：虽然模型具备自进化能力，但目前仅能在自身研发流程和特定场景中发挥作用，无法实现全领域、全流程的自主迭代，部分复杂研发环节仍需人工介入审核，自进化的稳定性在极端场景下会出现波动，尚未达到“完全自主迭代”的预期。

# 五、重大事件

1.  2026年3月19日，Minimax M2.7正式发布，成为全球首个实现商用的自进化大模型，打破行业传统研发范式，引发行业广泛讨论，被多家科技媒体报道，成为当时AI领域的热点事件。

2.  2026年3月21日前后，受M2.7发布影响，MiniMax市值两天暴涨51%，达到3826亿港币，一度超过百度，引发资本市场对自进化大模型赛道的关注，带动相关AI概念股上涨。

3.  2026年3月下旬，M2.7相关实测数据曝光，其编码能力、文本生成能力在权威排行榜中表现突出，同时数学短板也被开发者广泛讨论，形成“两极化”评价，进一步提升了模型的曝光度，吸引大量开发者测试使用。

4.  2026年3月至4月，M2.7通过兼容OpenAI协议、开放30美元免费额度等举措，快速积累开发者用户，相关API调用量短期内大幅增长，同时被ofox.ai等聚合平台收录，降低了开发者的使用成本，推动模型快速落地到各类Agent场景中。