MiniMax M2.7 炸场！自己训自己，8 项基准硬刚 GPT-5 和 Opus 4.6

大家好，我是智见君。

距离 MiniMax M2.5 发布才刚过一个月，MiniMax 又出手了。

MiniMax 正式发布了 M2.7，官方给出的定义很有意思："这是我们第一个深度参与了自身进化的模型。"

什么意思？简单说就是，M2.7 在训练过程中，自己帮着训自己。这听起来有点科幻，但从基准测试的成绩来看，这种"自我进化"的路线确实跑通了。

先看硬数据。MiniMax 这次拿出了 8 项基准测试的对比，对手阵容相当豪华：Claude Opus 4.6、Sonnet 4.6、GPT-5.4、Gemini 3.1 Pro。

软件工程类：

• • SWE Bench Pro：M2.7 拿到 56.2%，和 GPT-5.4 的 57.7% 几乎持平，超过了 Gemini 3.1 Pro（54.2%）
• • Multi-SWE Bench：M2.7 得分 52.5%，略高于 Sonnet 4.6 的 51%，和 GPT-5.4 的 49% 拉开了差距
• • VIBE-Pro（仓库级代码生成）：56.2%，和 Sonnet 4.6 的 56% 基本打平

机器学习自主能力：

• • MLE-Bench Lite：这项很亮眼，M2.7 拿到 66.6% 的奖牌率，仅次于 Opus 4.6 的 71.2%，把 Sonnet 4.6（55.6%）和 M2.5（51.5%）远远甩在身后

工具使用与综合能力：

• • GDPval-AA：M2.7 的 ELO 分数为 1495，是开源模型中最高的
• • Toolathlon：准确率 46.3%，表现中规中矩
• • MM-ClawBench：62.7%，相比 M2.5 的 42.5% 提升幅度巨大，不过和 Sonnet 4.6（75.6%）还有差距
• • Artificial Analysis：57 分，和 Opus 4.6 持平

总的来说，M2.7 在多数基准上已经能和 Claude Opus 4.6、GPT-5.4 掰手腕了。考虑到 MiniMax 的体量和资源，这个成绩如果真实还是相当惊人。

"自己训自己"到底是怎么回事？

这是 M2.7 最值得关注的技术亮点。

传统的模型训练流程是：人类设计训练方案，准备数据，跑实验，看结果，调参数，再来一轮。整个循环高度依赖人类研究员的判断。

M2.7 的做法不同。在强化学习阶段，MiniMax 让模型自己参与到了训练循环中：

• • 自主构建复杂技能：模型在 RL 系统中主动学习和组合超过 40 种技能，每种技能的 token 量超过 2000，保持了 97% 的遵循率
• • 更新记忆与自我优化：模型能够维护持久化的记忆系统，根据反馈驱动架构改进
• • 自主迭代：展示了超过 100 轮自主优化循环的能力

这个思路和之前 DeepSeek 强调的"aha moment"有异曲同工之处，但 MiniMax 走得更远。他们不只是让模型在推理时产生顿悟，而是让模型直接参与了自身能力的构建过程。

据官方说法，M2.7 在研发阶段已经能承担 30% 到 50% 原本需要人类研究员完成的工作。

以一个强化学习场景为例：研究者可以从一个实验想法开始，与代理人讨论，代理人协助文献研究，跟踪预设的实验规格、管道数据及其他对应物，并启动实验。在实验过程中，它监控并分析实验，并自动触发日志读取、调试、指标分析、代码修复、合并请求和烟雾测试实验，识别和配置细微但关键的变化。这些工作以前可能涉及来自不同团队的多名人类研究人员，但现在人类研究人员仅在关键决策和讨论时进行互动。这加快了问题的发现和实验，更快地交付模型。

多智能体协作：不是噱头

M2.7 原生支持 Agent Teams 多智能体协作框架，几个关键能力：

• • 角色分化：不同 Agent 可以承担不同角色，有明确的职责边界
• • 动态工具搜索：Agent 能自主寻找和调用所需的工具
• • Research Agent：专门用于自主迭代研究的 Agent 框架

在实际场景中，MiniMax 展示了 M2.7 在软件工程、办公生产力和交互娱乐三个方向的落地能力：

软件工程方面，M2.7 展示了生产级别的调试能力，在多个场景下将故障恢复时间压缩到 3 分钟以内。它能做因果推理，分析监控指标、统计 trace、验证数据库状态。

办公场景，增强了 Word、Excel、PPT 的编辑能力，支持多轮修改和模板化文档生成，甚至能自主阅读财报、建立收入模型、生成演示材料。

交互娱乐，推出了 OpenRoom 框架（已在 GitHub 开源 https://github.com/MiniMax-AI/OpenRoom），提供基于 GUI 的 Agent 交互，支持实时视觉反馈和角色一致性。

客观来看：亮点和不足

亮点：

1. 1. "自我进化"的训练范式确实是一个有意义的技术探索，如果这条路能持续跑通，可能会改变模型训练的效率天花板
2. 2. MLE-Bench Lite 66.6% 的成绩很能说明问题，机器学习自主能力是衡量模型"真实智能"的硬指标
3. 3. 从 M2.5 到 M2.7 只用了一个月，迭代速度很快
4. 4. 定价延续 M2.5 的白菜价，输入 1.2/百万 token，还支持 Prompt Caching（读取仅 $0.06/百万 token），性价比拉满

不足：

1. 1. 在 MM-ClawBench 和 GDPval-AA 等综合基准上，和 Opus 4.6、Sonnet 4.6 还有明显差距
2. 2. "自己训自己"的说法虽然吸引眼球，但具体的技术细节披露不多，还需要更多第三方验证

MiniMax 这家公司一直比较低调，但 M2 系列的连续发力确实让人刮目相看。

从 M2.5 的开源到 M2.7 的"自我进化"，MiniMax 选择了一条和主流厂商不太一样的技术路线。不是单纯堆参数、堆数据，而是尝试让模型参与到自身的训练过程中。

M2.7 目前已经在 MiniMax Agent（agent.minimax.io）和 MiniMax API 平台（platform.minimax.io）上线，感兴趣的开发者可以直接体验。

正如 MiniMax 官方在推特上说的那样：

"Go break it (we mean it)"

至于能不能真的"break"，就交给大家去验证了。

热文推荐