MiniMax entfesselt M2.7: Das Open-Source-Modell, das seinen eigenen Code umschreibt

Zusammenfassung der Nachrichten

Am 12. April 2026 (CST) hat das KI-Unternehmen MiniMax sein Flaggschiff-Agentenmodell MiniMax M2.7 offiziell als Open Source veröffentlicht und die vollständigen Modellgewichte auf Hugging Face öffentlich zugänglich gemacht. M2.7 ist die bisher leistungsfähigste Open-Source-Veröffentlichung von MiniMax und das erste Modell der Serie, das aktiv an seinem eigenen Trainings- und Optimierungszyklus teilnimmt – eine Fähigkeit, die das Unternehmen als „Selbstevolution“ beschreibt. Das Modell erzielte 56,22 % im SWE-Pro-Benchmark und 57,0 % im Terminal Bench 2 und gehört damit zu den leistungsstärksten Open-Source-Modellen bei Softwareentwicklungsaufgaben.

Modellarchitektur und technische Spezifikationen

MiniMax M2.7 basiert auf einer spärlichen Mixture-of-Experts (MoE)-Architektur mit insgesamt 230 Milliarden Parametern, von denen nur 10 Milliarden pro Token aktiviert werden. Es unterstützt ein Kontextfenster von 200.000 Tokens und umfasst 256 Expertenmodule. Das Modell verwendet Multi-Head Causal Self-Attention, erweitert mit Rotary Position Embeddings (RoPE) und Query-Key Root Mean Square Normalization (QK RMSNorm) für stabiles Training im großen Maßstab. Ein Top-k-Experten-Routing-Mechanismus stellt sicher, dass pro Eingabe nur die relevantesten Experten herangezogen werden, wodurch die Inferenzkosten trotz der großen Gesamtzahl an Parametern niedrig bleiben.

Selbstevolution: Ein neues Trainingsparadigma

Eines der herausragendsten Merkmale von M2.7 ist seine Fähigkeit, an seiner eigenen Entwicklung teilzunehmen. Aufbauend auf MiniMax' internem Agenten-Workflow-Framework OpenClaw führt das Modell eine iterative Selbstverbesserungsschleife aus: Nach Abschluss eines Aufgabenstapels analysiert es Fehlerverläufe, identifiziert spezifische Fehlerpunkte, modifiziert seinen eigenen Gerüstcode, führt erneute Auswertungen durch und entscheidet dann, ob Änderungen beibehalten oder rückgängig gemacht werden sollen. In einem dokumentierten Durchlauf zur Optimierung der Programmierleistung führte M2.7 diese Schleife autonom für über 100 Runden aus. Der Prozess führte zu einer Verbesserung von 30 % bei internen Auswertungsdatensätzen ohne menschliches Eingreifen. Zu den Strategien, die M2.7 unabhängig entdeckte, gehörten die systematische Abstimmung von Sampling-Parametern – Optimierung von Temperatur, Frequenzstrafe und Anwesenheitsstrafe – sowie die automatische Weitergabe von Fehlerbehebungen über ähnliche Code-Muster in anderen Dateien.

Softwareentwicklung und professionelle Büroarbeit

In realen Softwareentwicklungskontexten zeigte M2.7 starke Fähigkeiten in den Bereichen End-to-End-Projektlieferung, Protokollanalyse, Fehlerdiagnose, Code-Sicherheitsüberprüfung und Debugging von Machine-Learning-Workflows. Im SWE-Pro-Benchmark erzielte es eine Punktzahl von 56,22 %, gleichauf mit GPT-5.3-Codex. Auf VIBE-Pro, das die Code-Generierung auf Repository-Ebene für Web-, Android- und iOS-Ziele bewertet, erzielte es 55,6 %. Für die komplexe Systemverständnisprüfung lieferte Terminal Bench 2 eine Punktzahl von 57,0 % und NL2Repo 39,8 %.

In professionellen Büroszenarien belegte M2.7 auf der GDPval-AA-Bewertung mit einer ELO-Punktzahl von 1.495 den ersten Platz unter den Open-Source-Modellen. Das Modell unterstützt die anspruchsvolle mehrrundige Bearbeitung von Excel-, PowerPoint- und Word-Dokumenten und kann autonom Umsatzprognosemodelle aus Jahresberichtsdaten erstellen, Excel-Pivot-Tabellen generieren, Word-Rechercheberichte entwerfen und Präsentationsdecks erstellen – ein Workflow, den das Unternehmen als gleichwertig mit der Ausgabe von Junior-Analysten beschreibt.

Multi-Agenten-Koordination und Fähigkeitsausführung

M2.7 unterstützt nativ die Multi-Agenten-Koordination, ohne dass externe Orchestrierungs-Frameworks erforderlich sind. Mithilfe von Agent Teams, komplexen Fähigkeiten und einem dynamischen Tool-Suchmechanismus kann das Modell Langstreckenaufgaben zerlegen und die Ausführung auf koordinierte Agenten verteilen. In Tests mit 40 komplexen Fähigkeiten, die über 2.000 Tokens pro Fall erforderten, erreichte M2.7 eine Fähigkeitsbefolgungsrate von 97 %. Auf MM-Claw, MiniMax' proprietärem Real-Task-Evaluationsdatensatz aus OpenClaw-Workflows, erzielte M2.7 62,7 %.

OpenRoom Interaktives System

Parallel zur Open-Source-Veröffentlichung von M2.7 veröffentlichte MiniMax auch ein interaktives System namens OpenRoom, das die KI-Interaktion über Text hinaus in eine visuelle, webbasierte GUI-Umgebung erweitert. OpenRoom unterstützt Echtzeit-Szenen-Feedback und dynamische Mensch-KI-Interaktion und ist für zukünftige Mensch-Computer-Interaktionsmodalitäten hochgradig erweiterbar konzipiert.

Hardware-Ökosystem und Inferenzbereitstellung

Am Tag der Open-Source-Veröffentlichung (12. April 2026, CST) kündigte MiniMax die abgeschlossene Inferenzanpassung mit einer breiten Palette von Hardware- und Softwarepartnern an. NVIDIA veröffentlichte am 11. April 2026 (EDT) auf seinem technischen Blog eine Bereitstellungsanleitung für M2.7 auf seinen technischen Blog, die NVIDIA NemoClaw vorstellt – einen Open-Source-Referenzstapel für die sichere Ausführung von OpenClaw-Agenten auf NVIDIA Blackwell Ultra GPUs, mit Optimierungen für die Serving-Frameworks vLLM und SGLang, die eine bis zu 2,7-fache Durchsatzsteigerung erzielen. Das Modell wurde auch für Huawei Ascend (Atlas 800 A3 und A2-Serie über vllm-Ascend), Moore Threads (MUSA-Architektur, MTT S5000) und andere Siliziumpartner angepasst. Auf der Softwareseite haben Plattformen wie Together AI, Fireworks, Ollama, vLLM, SGLang und Community-Ökosysteme wie ModelScope M2.7 ab dem Starttag integriert.

Verfügbarkeit

Die Open-Weights von MiniMax M2.7 sind auf Hugging Face unter MiniMaxAI/MiniMax-M2.7 verfügbar. API-Zugriff ist über die MiniMax-Entwicklerplattform unter platform.minimax.io erhältlich. Das Modell ist auch über das MiniMax Agent-Produkt zugänglich und bereits in beliebten Agenten-Tools wie Hermes Agent und OpenClaw integriert.