4月13日消息,MiniMax 于4月12日宣布 M2.7 模型全球开源,该模型采用稀疏混合专家(MoE)架构,总参数量2300亿、激活参数100亿,是业界首个具备深度自我进化能力的大模型。开源首日即完成华为昇腾、摩尔线程、沐曦、昆仑芯、NVIDIA 等芯片厂商及 Together AI、Fireworks、Ollama 等推理平台的 Day-0 适配。
核心能力:自我进化与复杂任务处理
M2.7 的最大特点是能够深度参与自身的开发迭代。据 MiniMax 介绍,在训练过程中,模型可自主更新记忆、构建复杂技能用于强化学习实验,并根据实验结果改进学习流程。内部测试显示,一个 M2.7 版本曾自主优化编程框架超过100轮,通过分析失败轨迹、修改代码、运行评估、决定保留或回退,最终实现30%的性能提升。
在 MLE Bench Lite(22个机器学习竞赛)上,M2.7 达到66.6%的奖牌率,仅次于 Opus-4.6 和 GPT-5.4。
编程与工程能力
M2.7 在软件工程基准测试中表现突出。在 SWE-Pro(真实软件工程任务基准)上得分56.22%,与 GPT-5.3-Codex 持平;在 Terminal Bench 2 上得分57.0%,在 NL2Repo 上得分39.8%,显示出对复杂工程系统的深度理解能力。
多语言方面,M2.7 在 SWE Multilingual 上得分76.5,在 Multi SWE Bench 上得分52.7。在 VIBE-Pro(55.6%)上接近 Opus 4.6 水平。
MiniMax 表示,使用 M2.7 已将生产环境故障恢复时间缩短至3分钟以内。
办公与专业领域
在办公自动化领域,M2.7 在 GDPval-AA 评估中取得1495的 ELO 分数,为开源模型中最高,超过 GPT-5.3。该模型在 Word、Excel、PPT 的复杂编辑能力上有显著提升,能更好地处理多轮修改和高保真编辑。
模型支持原生 Agent Teams 多智能体协作,具备稳定的角色身份和自主决策能力。在40个复杂技能(超过2000 Token)测试案例中,M2.7 保持97%的技能遵循率。
架构与部署
M2.7 采用 MoE 架构,256个本地专家,每 Token 激活8个专家,共62层,支持20万 Token 上下文长度。激活率仅4.3%,在保持大模型能力的同时控制推理成本。
开源首日,M2.7 已完成与华为昇腾、摩尔线程 MTT S5000、沐曦、昆仑芯、NVIDIA 等国产及国际芯片的适配,同时支持 Together AI、Fireworks、Ollama 等推理平台。开发者可通过 Hugging Face、GitHub 获取模型权重,或通过 MiniMax 开放平台 API 调用。
局限与竞争
需要注意的是,M2.7 的230B总参数规模对硬件资源要求较高,尽管激活参数仅10B,但完整部署仍需较大显存。在部分基准上,M2.7 仍落后于 Claude Opus 4.6 和 GPT-5.4 等闭源模型。 此外,"自我进化"能力主要体现在训练阶段的辅助优化,而非模型部署后的自主迭代。模型在实际应用中的长期稳定性和安全性仍需更多生产环境验证。