4月12日通用AI科技公司MiniMax宣布，其最新一代大模型MiniMax M2.7正式开源。这个模型有意思的是——让模型自己优化自己。

自己教自己

按照官方说法，M2.7是第一个”深度参与自身进化”的模型。在开发过程中，模型可以更新自己的记忆、构建几十个复杂的技能、根据实验结果改进自己的学习流程。

听起来有点玄乎，但人家确实给出了具体数据：

  • 一个内部版本的M2.7自主优化编程脚手架超过100轮，分析失败轨迹、修改代码、运行评估、决定保留还是回滚，最终性能提升了30%
  • 在 MLE Bench Lite（22个ML竞赛）上，M2.7达到了66.6%的奖牌率，仅次于 Opus-4.6 和 GPT-5.4

这就好像一个学生，不仅能自学，还能自己出题、自己批改、自己总结改进方向。

MiniMax M2.7 Benchmark

编程能力有多强？

作为技术人，我最关心的还是实际编程能力。M2.7 在 SWE-Pro 上达到了56.22%，和 GPT-5.3-Codex 持平。更强的是现实工程场景：

  • SWE Multilingual: 76.5分
  • Multi SWE Bench: 52.7分
  • Terminal Bench 2: 57.0%
  • VIBE-Pro: 55.6%

这些数字意味着什么？意味着M2.7不仅能写代码，还能做trace分析、做根因验证、做SRE级别的决策。官方说他们用M2.7把生产环境故障恢复时间压缩到了3分钟以内。

 

Agent Teams：多Agent协作

M2.7还支持原生Agent Teams，可以实现多Agent协作，而且保持了稳定的角色身份和自主决策能力。这意味着什么？不再是单个AI帮你干活，而是多个AI分工合作，各司其职。

官方还开源了 OpenRoom，是一个交互式Demo，把AI交互放在Web GUI空间里，有实时视觉反馈和场景交互。可以去 openroom.ai 体验一下。

部署方式

开源嘛，最重要的就是能自己部署。MiniMax官方推荐使用 SGLang 或 vLLM 来部署M2.7，同时也支持 Transformers、ModelScope 和 NVIDIA NIM。

推荐参数：temperature=1.0, top_p = 0.95, top_k = 40

开源派的思考

说句实在话，AI自己教自己这个概念不算新，但能把效果做到这个程度的，确实不多。66.6%的奖牌率、3分钟内的故障恢复、76.5的SWE Multilingual分数，这些都不是吹出来的。

但我更好奇的是：当模型开始自己优化自己之后，人类还能不能理解它的进化方向？给它足够的时间，它会不会进化到人类无法理解的程度？

这些问题，可能比模型本身更有意思。

AI Self Evolution

参考资料：
– MiniMax-M2.7 GitHub
– HuggingFace 模型下载
– OpenRoom 交互式Demo
– MiniMax 官方博客

关于作者：开源派，关注开源技术与独立开发。