MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力，能够借助智能体团队、复杂技能以及动态工具搜索，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。
模型自我进化
M2.7 开启了模型自我进化的循环：在开发过程中，我们让模型自主更新自身记忆，为强化学习实验构建数十项复杂技能，并根据实验结果改进自身学习过程。一个内部版本的 M2.7 自主优化了一个编程框架，历经 100 多轮迭代——分析失败轨迹、修改代码、运行评估并决定保留或回滚——最终实现了30% 的性能提升。在 MLE Bench Lite（22 项机器学习竞赛）中，M2.7 获得了66.6% 的奖牌率，仅次于 Opus-4.6 和 GPT-5.4。
专业软件工程
M2.7 展现出卓越的实际编程能力，涵盖日志分析、故障排查、代码重构、代码安全和机器学习等多个领域。除了代码生成，M2.7 还表现出强大的系统级推理能力——关联监控指标、进行追踪分析、在数据库中验证根本原因，并做出 SRE 级别的决策。借助 M2.7，我们已多次将生产环境事件的恢复时间缩短至三分钟以内。
在 SWE-Pro 基准测试中，M2.7 达到了56.22%，与 GPT-5.3-Codex 相当，在实际工程基准测试中表现更为出色：SWE 多语言（76.5） 和多 SWE 基准（52.7）。在 VIBE-Pro（55.6%） 上，M2.7 几乎与 Opus 4.6 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刻理解。M2.7 还原生支持智能体团队（Agent Teams），实现多智能体协作，具备稳定的角色认同和自主决策能力。
专业工作
在 GDPval-AA 上，M2.7 获得了1495 的 ELO 分数（在开源权重模型中最高），超过了 GPT5.3。它能够处理 Word、Excel 和 PPT，进行高保真的多轮编辑，并生成可编辑的成果物。在 Toolathon 上，M2.7 达到了46.3% 的准确率（全球顶级水平），并且在 MM Claw 的 40 多项复杂技能中保持97% 的技能合规率。在 MM Claw 端到端基准测试中，M2.7 达到了62.7%，接近 Sonnet 4.6。
娱乐领域
M2.7 强化了角色一致性与情感智能。我们开源了 OpenRoom——这是一款交互式演示产品，将 AI 交互融入具备实时视觉反馈与场景互动的 Web GUI 空间。欢迎访问 openroom.ai 体验。
使用指南
- MiniMax Agent：https://agent.minimax.io/
- MiniMax API：https://platform.minimax.io/
- 令牌套餐：https://platform.minimax.io/subscribe/token-plan
本地部署指南
从 HuggingFace 仓库下载模型：https://huggingface.co/MiniMaxAI/MiniMax-M2.7
我们建议使用以下推理框架（按字母顺序排列）来部署模型：
SGLang
我们推荐使用 SGLang 部署 MiniMax-M2.7。请参考我们的 SGLang 部署指南。
vLLM
我们推荐使用 vLLM 部署 MiniMax-M2.7。请参考我们的 vLLM 部署指南。
Transformers
我们推荐使用 Transformers 部署 MiniMax-M2.7。请参考我们的 Transformers 部署指南。
ModelScope
您也可以从 modelscope 获取模型权重。
NVIDIA NIM
MiniMax M2.7 也可在 NVIDIA NIM 端点 获取。
推理参数
为获得最佳性能，我们建议使用以下参数：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
请参考我们的工具调用指南。
联系我们
请通过model@minimax.io与我们联系。