MiniMax 推出 M2.7：能重寫自身程式碼的開源模型
新聞摘要
2026年4月12日（CST），AI公司MiniMax正式開源其旗艦級代理模型MiniMax M2.7，並在Hugging Face上公開了完整的模型權重。M2.7是MiniMax迄今為止能力最強的開源發布版本，也是該系列中首個能夠主動參與自身訓練和優化週期的模型——這項能力被該公司稱為「自我演化」。該模型在SWE-Pro基準測試中得分為56.22%，在Terminal Bench 2中得分為57.0%，在軟體工程任務方面位居開源模型的前列。
模型架構與技術規格
MiniMax M2.7基於稀疏專家混合（MoE）架構構建，擁有2300億個總參數，但每個token僅激活100億個。它支援200,000個token的上下文窗口，並包含256個專家模組。該模型採用多頭因果自注意力機制，並輔以旋轉位置嵌入（RoPE）和查詢-鍵均方根歸一化（QK RMSNorm），以實現大規模訓練的穩定性。頂部k專家路由機制確保每個輸入僅啟用最相關的專家，從而儘管模型參數總數龐大，推理成本卻保持較低水平。
自我演化：一種新的訓練範式
M2.7最顯著的特點之一是其參與自身開發的能力。該模型建立在MiniMax的內部代理工作流程框架OpenClaw之上，執行一個迭代的自我改進循環：完成一批任務後，它會分析失敗軌跡，識別具體的錯誤點，修改自身的腳手架代碼，重新運行評估，然後決定是保留還是回滾更改。在一次針對程式設計性能優化記錄的運行中，M2.7自主執行了超過100輪的此循環。該過程在沒有人類干預的情況下，在內部評估集上實現了30%的提升。M2.7獨立發現的策略包括系統性採樣參數調整——優化溫度、頻率懲罰和存在懲罰——以及在其他文件中類似的程式碼模式中自動傳播錯誤修復。
軟體工程與專業辦公室表現
在實際的軟體工程情境中，M2.7在端到端專案交付、日誌分析、錯誤診斷、程式碼安全審查和機器學習工作流程調試方面展現了強大的能力。在SWE-Pro基準測試中，它取得了56.22%的分數，與GPT-5.3-Codex相當。在評估針對Web、Android和iOS目標的完整儲存庫級別程式碼生成的VIBE-Pro中，它獲得了55.6%的分數。對於複雜系統的理解，Terminal Bench 2的得分為57.0%，NL2Repo的得分為39.8%。
在專業辦公室場景中，M2.7在GDPval-AA評估中以1,495的ELO分數位居開源模型之首。該模型支援對Excel、PowerPoint和Word文檔進行複雜的多輪編輯，並能自主從年度報告數據構建收入預測模型、生成Excel樞紐分析表、起草Word研究報告以及製作演示文稿——該公司將此工作流程描述為相當於初級分析師的產出。
多代理協調與技能執行
M2.7原生支援多代理協調，無需外部協調框架。利用代理團隊、複雜技能和動態工具搜索機制，該模型能夠分解長週期任務，並將執行分配給協調的代理。在涉及40項複雜技能、每例需要超過2,000個token的測試中，M2.7保持了97%的技能遵循率。在MM-Claw（MiniMax從OpenClaw工作流程中提取的專有真實任務評估集）上，M2.7得分為62.7%。
OpenRoom互動系統
隨著M2.7的開源發布，MiniMax還發布了一個名為OpenRoom的互動系統，該系統將AI互動從文本擴展到視覺化的基於Web的GUI環境。OpenRoom支援實時場景反饋和動態人機互動，並旨在高度可擴展，以適應未來的人機互動模式。
硬體生態系統與推理部署
在開源發布當天（2026年4月12日，CST），MiniMax宣布已與廣泛的硬體和軟體合作夥伴完成了推理適配。NVIDIA在其技術部落格上發布了M2.7在NVIDIA硬體上的部署指南（2026年4月11日，EDT），介紹了NVIDIA NemoClaw——一個用於在NVIDIA Blackwell Ultra GPU上安全運行OpenClaw代理的開源參考堆疊，並針對vLLM和SGLang服務框架進行了優化，吞吐量提升高達2.7倍。該模型也已適配華為昇騰（通過vllm-Ascend的Atlas 800 A3和A2系列）、摩爾線程（MUSA架構，MTT S5000）和其他晶片合作夥伴。在軟體方面，截至發布日，包括Together AI、Fireworks、Ollama、vLLM、SGLang等平台以及ModelScope等社群生態系統已整合了M2.7。
可用性
MiniMax M2.7的開源權重可在Hugging Face上取得，網址為MiniMaxAI/MiniMax-M2.7。API訪問可通過MiniMax開發者平台platform.minimax.io進行。該模型也可通過MiniMax Agent產品訪問，並已嵌入到Hermes Agent和OpenClaw等流行的代理工具中。