MiniMax M2.7

MiniMax M2.7 to model językowy dużej skali (LLM) opracowany przez chińską firmę MiniMax Group Inc. (稀宇科技), wydany 18 marca 2026 roku. Jest to model typu Mixture of Experts (MoE) o 230 miliardach parametrów całkowitych, z czego jedynie 10 miliardów jest aktywowanych podczas pojedynczej inferencji. M2.7 jest bezpośrednim następcą MiniMax M2.5 (luty 2026) i stanowi pierwszą iterację w serii M2, w której model aktywnie uczestniczył we własnym procesie ewolucji i doskonalenia.

Architektura i parametry

Model oparty jest na architekturze sparse Mixture of Experts z 256 ekspertami i mechanizmem routingu top-k. Zastosowano wielogłowicową przyczynową self-attention wzbogaconą o Rotary Position Embeddings (RoPE) oraz Query-Key Root Mean Square Normalization (QK RMSNorm). Okno kontekstowe wynosi 200 000 tokenów, a maksymalna długość wyjścia sięga 131 072 tokenów. Dzięki aktywacji jedynie ~10B parametrów przy każdym przejściu do przodu, model oferuje niskie opóźnienia i niższe koszty inferencji przy zachowaniu możliwości porównywalnych z modelami o pełnej gęstości parametrów.

Samodzielna ewolucja modelu

Kluczowym wyróżnikiem M2.7 jest to, że wewnętrzna wersja modelu aktywnie uczestniczyła w procesie swojego własnego treningu. W ramach eksperymentu model autonomicznie optymalizował scaffold do programowania przez ponad 100 rund — analizował trajektorie niepowodzeń, modyfikował kod, uruchamiał ewaluacje i decydował o zatwierdzeniu lub cofnięciu zmian — osiągając poprawę wydajności o 30% bez interwencji człowieka. Model buduje złożone harnessy agentowe, aktualizuje własną pamięć, tworzy dziesiątki złożonych umiejętności i poprawia własny proces uczenia na podstawie wyników eksperymentów.

Inżynieria oprogramowania i agentic workflows

M2.7 jest przeznaczony przede wszystkim do zaawansowanych zadań programistycznych i długich łańcuchów agentowych. Obsługuje analizę logów, wykrywanie błędów, refactoring, bezpieczeństwo kodu, zadania z zakresu machine learningu oraz kompleksowe dostarczanie projektów end-to-end. Model wspiera natywnie mechanizm Agent Teams (wieloagentowa współpraca) oraz dynamiczne wyszukiwanie narzędzi. Na benchmarku SWE-Pro uzyskał wynik 56,22%, dorównując GPT-5.3-Codex. Na Terminal Bench 2 osiągnął 57,0%, na VIBE-Pro — 55,6%, na SWE Multilingual — 76,5, a na MLE Bench Lite medal rate 66,6% (drugi wynik wśród open-weight models).

Profesjonalna praca biurowa

Model wykazuje silne możliwości w zakresie edycji dokumentów biurowych — Excel, Word i PowerPoint — z obsługą wielorundowych, wysokiej wierności modyfikacji. Na benchmarku GDPval-AA osiągnął wynik ELO 1495, najwyższy spośród modeli open-weights. Na Toolathon uzyskał dokładność 46,3%, a na MM Claw — 62,7%, zbliżając się do wyników Sonnet 4.6. Model utrzymuje 97-procentowy wskaźnik przestrzegania umiejętności na zbiorze 40 złożonych skills przekraczających 2000 tokenów każda.

Dostępność i licencja

Wagi modelu są publicznie dostępne na Hugging Face (MiniMaxAI/MiniMax-M2.7) oraz w repozytorium GitHub (MiniMax-AI/MiniMax-M2.7). Model można uruchamiać lokalnie przy użyciu SGLang, vLLM lub Transformers, a także przez NVIDIA NIM Endpoint i Ollama. Licencja oznaczona przez MiniMax jako „Modified-MIT" jest w praktyce licencją niekomercyjną — użycie niekomercyjne jest dozwolone, natomiast każde użycie komercyjne wymaga uprzedniej pisemnej zgody MiniMax. M2.7 jest pierwszym modelem z serii M2, który odszedł od w pełni permisywnej licencji MIT stosowanej we wcześniejszych wersjach (M2, M2.1, M2.5).

Cennik API

W modelu Pay-as-You-Go koszt inferencji przez API MiniMax wynosi $0,30 za milion tokenów wejściowych oraz $1,20 za milion tokenów wyjściowych. Dostępny jest również wariant MiniMax-M2.7-highspeed ($0,60/$2,40 za milion tokenów) oferujący wyższą przepustowość przy tej samej jakości. Prompt caching read kosztuje $0,06/M tokenów, a prompt caching write — $0,375/M tokenów.