MiniMax 发布 MiniMax-M2.7 模型

MiniMax-M2.7 是我们首个深度参与自身演化的模型。M2.7 能够构建复杂的 agent harness，并借助 Agent Teams、复杂 Skills 和动态工具搜索完成高度精细的生产力任务。更多详情，请参阅我们的博客文章。

模型自我演化

M2.7 开启了模型自我演化的循环：在开发过程中，我们让模型更新自身记忆、为 RL 实验构建数十个复杂技能，并根据实验结果改进自身的学习过程。一个内部版本的 M2.7 在 100 多轮中自主优化了一个编程脚手架——分析失败轨迹、修改代码、运行评估，并决定保留或回退——实现了 30% 的性能提升。在 MLE Bench Lite（22 项机器学习竞赛）上，M2.7 取得了 66.6% 的奖牌率，仅次于 Opus-4.6 和 GPT-5.4。

专业软件工程

M2.7 具备出色的真实世界编程能力，涵盖日志分析、缺陷排查、重构、代码安全和机器学习。除代码生成外，M2.7 还展现出强大的系统级推理能力——关联监控指标、进行链路追踪分析、在数据库中验证根因，并做出 SRE 级别的决策。借助 M2.7，我们多次将线上生产事故的恢复时间缩短至三分钟以内。

在 SWE-Pro 上，M2.7 取得了 56.22%，与 GPT-5.3-Codex 相当，在真实工程基准上表现更佳：SWE Multilingual（76.5）和 Multi SWE Bench（52.7）。在 VIBE-Pro（55.6%）上，M2.7 与 Opus 4.6 几乎持平。在 Terminal Bench 2（57.0%）和 NL2Repo（39.8%）上，M2.7 展现出对复杂工程系统的深入理解。M2.7 还支持原生 Agent Teams，可实现多智能体协作，具备稳定的角色身份和自主决策能力。

专业工作

M2.7 在 GDPval-AA 上取得了 1495 的 ELO 分数（开放权重模型中最高的），超过了 GPT5.3。它能够对 Word、Excel 和 PPT 进行高保真多轮编辑，产出可编辑的交付物。在 Toolathon 上，M2.7 达到 46.3% 的准确率（全球顶尖水平），并在 MM Claw 的 40 多个复杂技能上保持 97% 的技能合规率。在 MM Claw 端到端基准上，M2.7 取得了 62.7%，接近 Sonnet 4.6。

娱乐

M2.7 强化了角色一致性和情感智能。我们开源了 OpenRoom，这是一个交互式演示，将 AI 交互置于 Web GUI 空间中，具备实时视觉反馈和场景交互。可在 openroom.ai 体验。

如何使用

MiniMax Agent：https://agent.minimax.io/
MiniMax API：https://platform.minimax.io/
Token 套餐：https://platform.minimax.io/subscribe/token-plan

本地部署指南

从 HuggingFace 仓库下载模型：https://hf-mirror.com/MiniMaxAI/MiniMax-M2.7

我们推荐使用以下推理框架（按字母顺序排列）来部署该模型：

SGLang

我们推荐使用 SGLang 来部署 MiniMax-M2.7。请参阅我们的 SGLang 部署指南。

vLLM

我们推荐使用 vLLM 来部署 MiniMax-M2.7。请参阅我们的 vLLM 部署指南。

Transformers

我们推荐使用 Transformers 来部署 MiniMax-M2.7。请参阅我们的 Transformers 部署指南。

ModelScope

你也可以从 modelscope 获取模型权重。

NVIDIA NIM

MiniMax M2.7 也可在 NVIDIA NIM Endpoint 上使用。

推理参数

我们推荐使用以下参数以获得最佳性能：temperature=1.0、top_p = 0.95、top_k = 40。默认系统提示词：

You are a helpful assistant. Your name is MiniMax-M2.7 and is built by MiniMax.

工具调用指南

请参阅我们的工具调用指南。

联系我们

请通过 [email protected] 联系我们。