MiniMax M2.7开源: 模型开始迭代自己了！

MiniMax M2.7 正式开源权重。这是MiniMax M2 系列在 M2.5 之后的新一代旗舰！这一次的突破不只是跑分数字的提升，而是一个真正意义上参与迭代自身的模型的诞生。

资源链接：

• ModelScope：https://www.modelscope.cn/models/MiniMax/MiniMax-M2.7
• MiniMax Agent: https://agent.minimax.io/
• MiniMax API: https://platform.minimax.io/
• Token Plan: https://platform.minimax.io/subscribe/token-plan

M2.7的核心突破

如果用一句话概括 M2.7：它不只是一个更强的模型，而是一个开始"进化自己"的模型。

M2 系列在 108 天内完成了 M2 → M2.1 → M2.5 的三连更，而 M2.7 带来了新的范式转变：MiniMax 在研发过程中，直接让 M2.7 参与构建强化学习 Harness 中的数十个复杂 Skills，更新自己的 memory，驱动自身的 RL 训练循环，并基于结果持续优化 Harness 架构——模型开始成为迭代自己的工具。

三大核心能力：

软件工程： SWE-Pro 达到 56.22%，追平 GPT-5.3-Codex，VIBE-Pro 55.6% 接近 Opus 4.6 水平，Terminal Bench 2 达到 57.0%，覆盖日志分析、Bug 定位、代码安全、机器学习、安卓开发等真实工程场景。

专业办公： GDPval-AA 的 ELO 得分 1495，开源模型最高。Excel/PPT/Word 复杂编辑能力显著提升，支持多轮修改和高保真编辑。Toolathon 正确率 46.3% 达全球第一梯队，40 个复杂 skills（>2000 Token）场景下仍保持 97% 遵循率。

互动娱乐： 极大加强人设保持和对话能力，并发布开源项目 OpenRoom，探索 AI 驱动的全新人机互动方式。

技术解析：模型如何自我进化?

M2.7 最核心的技术突破是让模型真正参与驱动自身的迭代循环，这是此前所有版本都未曾实现的范式。

MiniMax 构建了一个研究型 Agent Harness，覆盖数据流水线、训练环境、评测基础设施和持久化记忆。以一个 RL 实验场景为例：

研究员从一个实验想法出发，与 Agent 展开讨论 → Agent 协助文献调研 → 持续跟踪实验规格 → 完成数据流水线对接并启动实验 → 实验运行期间自动监控日志、排查问题、分析指标、修复代码、提 MR、做冒烟测试——过去需要跨团队多人协作的工作，研究员只需在关键决策节点介入。

在 MLE Bench Lite 的 22 个机器学习任务测试中，M2.7 三次测试平均得牌率 66.6%，与 Gemini-3.1 持平，仅次于 Opus-4.6（75.7%）和 GPT-5.4（71.2%）。最好的一次取得 9 枚金牌、5 枚银牌、1 枚铜牌。

本地部署

下载模型

modelscope download --model MiniMax/MiniMax-M2.7

SGLang推理

环境安装

uv venv
source .venv/bin/activate
uv pip install sglang

4-GPU部署命令

python -m sglang.launch_server \
    --model-path MiniMaxAI/MiniMax-M2.7 \
    --tp-size 4 \
    --tool-call-parser minimax-m2 \
    --reasoning-parser minimax-append-think \
    --host 0.0.0.0 \
    --trust-remote-code \
    --port 8000 \
    --mem-fraction-static 0.85

SGLang推理指南：https://www.modelscope.cn/models/MiniMax/MiniMax-M2.7/file/view/master/docs%2Fsglang_deploy_guide.md?status=1

vLLM推理

环境安装

uv venv
source .venv/bin/activate
uv pip install vllm --torch-backend=auto

4-GPU推理命令

SAFETENSORS_FAST_GPU=1 vllm serve \
    MiniMaxAI/MiniMax-M2.7 --trust-remote-code \
    --tensor-parallel-size 4 \
    --enable-auto-tool-choice --tool-call-parser minimax_m2 \
    --reasoning-parser minimax_m2_append_think

vLLM推理指南：https://www.modelscope.cn/models/MiniMax/MiniMax-M2.7/file/view/master/docs%2Fvllm_deploy_guide.md?status=1

Transformers推理

环境安装：

uv pip install transformers==4.57.1 torch accelerate --torch-backend=auto

推理脚本

from transformers import AutoModelForCausalLM, AutoTokenizer, GenerationConfig
import torch
MODEL_PATH = "MiniMaxAI/MiniMax-M2.7"
model = AutoModelForCausalLM.from_pretrained(
    MODEL_PATH,
    device_map="auto",
    trust_remote_code=True,
)
tokenizer = AutoTokenizer.from_pretrained(MODEL_PATH)
messages = [
    {"role": "user", "content": [{"type": "text", "text": "What is your favourite condiment?"}]},
    {"role": "assistant", "content": [{"type": "text", "text": "Well, I'm quite partial to a good squeeze of fresh lemon juice. It adds just the right amount of zesty flavour to whatever I'm cooking up in the kitchen!"}]},
    {"role": "user", "content": [{"type": "text", "text": "Do you have mayonnaise recipes?"}]}
]
model_inputs = tokenizer.apply_chat_template(messages, return_tensors="pt", add_generation_prompt=True).to("cuda")
generated_ids = model.generate(model_inputs, max_new_tokens=100, generation_config=model.generation_config)
response = tokenizer.batch_decode(generated_ids)[0]
print(response)

Transformers推理指南：https://www.modelscope.cn/models/MiniMax/MiniMax-M2.7/file/view/master/docs%2Ftransformers_deploy_guide.md?status=1

点击即可跳转模型链接~

https://modelscope.cn/models/MiniMax/MiniMax-M2.7