MiniMax M2.7：開啟模型的自我進化

在 M2 系列模型發布後的幾個月，我們收到了大量熱心用戶的反饋與建議，這促使我們進一步加速模型的迭代效率。除了更加認真工作之外，我們能找到的唯一途徑就是開啟模型和組織的自我進化。MiniMax M2.7 是我們第一個模型深度參與迭代自己的模型。

M2.7 能夠自行構建複雜的 Agent Harness（智能體框架），並基於 Agent Teams（智能體團隊）、複雜 Skills（技能）、Tool Search tool（工具搜尋）等能力，完成高度複雜的生產力任務。例如，在研發 M2.7 的過程中，我們基於模型構建強化學習 Harness 中的數十個複雜 skills，更新自己的 memory（記憶），驅動模型自身的強化學習，並基於結果優化強化學習過程和 Harness，開啟模型的自我進化。

• M2.7 在真實的軟體工程中有優異的表現，包括端到端的完整專案交付、分析日誌排查 Bug、程式碼安全、機器學習等。在基準測試 SWE-Pro 中，M2.7 得分 56.22%，幾乎接近 Opus 最好的水準。這一能力同樣延伸到了端到端的完整專案交付場景（VIBE-Pro 55.6%）以及對複雜工程系統的深層理解 Terminal Bench 2（57.0%）。

• 在專業辦公領域，我們提升了模型在各領域的專業知識和任務交付能力，在 GDPval-AA 的 ELO 得分是 1495，為開源最高。M2.7 對 Office 三件套 Excel/PPT/Word 的複雜編輯能力顯著提升，能更好地完成多輪修改和高保真的編輯。M2.7 具備與複雜環境互動的能力，M2.7 在 40 個複雜 skills（> 2000 Token）的案例上，仍能保持 97% 的 skills 遵循率。在 OpenClaw 的使用中，M2.7 相比於 M2.5 也有了顯著的提升，在 MM-Claw 的評測中接近 Sonnet 4.6。

• M2.7 具備優秀的身分保持能力和情商，除了生產力使用外，給互動娛樂場景的創新也準備了空間。

基於上述能力，M2.7 也在顯著加速我們自身向一個 AI Native（AI 原生）組織的進化。

在最開始，我們分享一個我們內部讓 M2 系列模型自我進化的實踐，這也是對模型 Agent 能力邊界的探索。

Agent Harness 通常依賴複雜的 Skills、記憶系統和其他組件來提升模型對不同工作環境的適應能力。在此基礎上，我們在 M2 的早期版本中，將其引導為一個研究型 Agent 框架——它能夠與不同的研究專案組進行互動和協作。該系統覆蓋了數據流水線、訓練環境、評測基礎設施、跨團隊協作、持久化記憶——讓研究員可以驅動它來交付更好的模型。研究 Agent 驅動著產出下一代模型的迭代循環。研究員在每一層引導方向，模型在每一層負責構建。

以一個 RL（強化學習）場景為例：研究員從一個實驗想法出發，與 Agent 展開討論。Agent 協助進行文獻調研，持續跟踪預設的實驗規格，完成數據流水線及其他對接工作，並啟動實驗。實驗運行期間，它會自動監控和分析實驗狀態，並自動觸發日誌讀取、問題排查、指標分析、程式碼修復、合併請求以及冒煙測試，識別並配置那些細微但關鍵的變更。這些工作過去可能需要來自不同團隊的多位同事協作完成，而現在研究員只需在關鍵決策和討論時介入。這大幅加速了問題發現和實驗迭代，從而更快地交付模型。在這個場景下，M2.7 能夠勝任 30-50% 的工作流。

我們在迭代過程中也意識到，模型自主迭代 harness 的能力也至關重要。我們內部的 harness 會自主收集反饋，建立內部任務的評測集，並基於此不斷迭代自己的 Agent 架構、Skills/MCP 實現和記憶機制，來更好和更高效地完成任務。

舉個例子，我們讓 M2.7 優化一個內部腳手架上模型的軟體工程開發表現。M2.7 全程自主運行，執行「分析失敗軌跡 → 規劃改動 → 修改腳手架程式碼 → 運行評測 → 對比結果 → 決定保留或回退」的迭代循環超過 100 輪。

這個過程中 M2.7 發現了針對模型的有效優化：系統性搜尋溫度、頻率懲罰、存在懲罰等採樣參數的最優組合；為模型設計更具體的工作流指引（如修復後自動搜尋其他檔案中的相同 bug 模式）；在腳手架的 Agent Loop 中添加循環檢測等優化。最終在內部評測集上效果提升 30%。

我們相信，未來的 AI 自我進化會逐步向完全自動化過渡，包括完全自主的協調數據構建、模型訓練、推理架構、評測等等。我們用 M2.7 參與了 MLE Bench Lite 的 22 個機器學習任務測試，幾乎囊括了研發的所有環節。

我們設計和實現了一個簡易的腳手架來引導 Agent 進行自主優化，核心的模組包括短時記憶、自反饋以及自優化三個模組。具體來講，Agent 完成每輪迭代後會形成一個短時記憶檔案，同時對當前輪次的結果進行自反饋，從而給下一輪次提供潛在的優化方向，下一輪次基於所有歷史輪次的記憶及自反饋鏈進行下一步的自優化。

我們總共測試三次，每次有 24 小時來迭代進化，從下圖中能夠看到 M2.7 隨時間不斷取得更高的性能。最好的一次取得 9 枚金牌，5 枚銀牌，1 枚銅牌。三次平均是 66.6% 的得牌率，此成績僅次於 Opus-4.6 (75.7%)、GPT-5.4 (71.2%)，和 Gemini-3.1 (66.6%) 持平。

在編程等程式碼生成類任務上，M2.7 更深入地打磨了真實軟體工程所需的編程能力，覆蓋日誌分析與 Bug 定位、程式碼重構、程式碼安全、機器學習、安卓開發等方向。

以線上最常見的線上生產環境故障調試為例——這類任務不僅需要生成程式碼，還需要很強的綜合推理能力。面對我們實際的生產環境告警，M2.7 能關聯監控指標與部署時間線做因果推理，對軌跡採樣做統計分析並提出精準假設，主動連接數據庫執行驗證根因，定位到程式碼倉庫中缺失的索引遷移檔案，甚至知道用非阻塞建索引先止血，再提 MR（合併請求）。

從可觀測性分析、數據庫專業知識到 SRE 級別的決策判斷——這不只是一個會寫程式碼的模型，而是一個真正理解生產系統的模型。相比傳統的人工排障流程，基於 M2.7，我們已多次將線上生產系統故障的恢復時間縮短到三分鐘以內。

線上生產環境故障調試

在單項編程能力上，M2.7 已具備國際一線模型水準。在涵蓋多種編程語言的 SWE-Pro 中，M2.7 以 56.22% 的正確率追平 GPT-5.3-Codex；而在更貼近真實工程場景的 SWE Multilingual（76.5）和 Multi SWE Bench（52.7）中展現出更顯著優勢。

這一能力同樣延伸到了端到端的完整專案交付場景。在 Repo 級程式碼生成基準 VIBE-Pro 上，M2.7 得分 55.6%，幾乎與 Opus 4.6 持平 —— 這意味著無論是 Web、Android、iOS 還是 Simulation 類需求，都可以直接交給 M2.7 完成。

更值得關注的，是對複雜工程系統的深層理解。在對系統認知要求極高的 Terminal Bench 2（57.0%）和 NL2Repo（39.8%）中，M2.7 同樣表現穩健，進一步印證了它不只擅長程式碼生成，更能深入理解軟體系統的運行邏輯與協作流程。

基於 M2.7 生成的 WildGuard 演示網頁

為了提升開發效率，一個比較重要的特性是原生的 Agent Teams（多智能體協作）。Agent Teams 對模型提出了範式級要求：角色邊界、對抗性推理、協議遵循、行為分化——這些無法通過提示詞，必須內化為模型的原生能力。

Agent Teams 場景下，模型需要穩定錨定角色身分、主動挑戰隊友的邏輯與倫理盲區、在複雜狀態機中自主決策。下面是我們內部使用的一個做產品原型開發的 Agent Teams，裡面包含了做產品原型的一個最小組織。

Agent Teams 協作模擬演示

除了軟體工程外，Agent 開始在辦公場景中變得越來越有用，我們認為這是兩個核心能力：

• 專業知識與任務交付能力。模型需要具備各領域的專業知識，理解用戶的需求。在衡量這一能力的 GDPval-AA 的評測中，M2.7 在 45 個模型中的 ELO 得分是 1500，僅次於 Opus 4.6、Sonnet 4.6 和 GPT5.4，超過了 GPT5.3。在最常見的辦公文件處理上，我們系統性地優化了模型處理 Word、Excel 和 PPT 的能力。M2.7 在各種 Agent Harness 上，既能夠基於範本和 skills 直接生成文件，也能夠遵從用戶的互動指令，對已有的文件做多輪的高保真編輯，最終給出可編輯的產物。

• 與複雜環境的互動能力。泛化的日常場景意味著模型需要靈活適應各類上下文、調用各種 skills 和工具、並在長程互動中保持穩定的指令遵循。M2.7 在這些方面有大幅提升。在 Toolathon 上，M2.7 的正確率 46.3%，達到了全球第一梯隊水準。真實工作場景中的 Agent Harness 往往也需要理解和調用大量複雜的 skills。在 MM-Claw 的測試中，M2.7 在 40 個複雜 skills (> 2000 Token) 的案例上，仍能保持 97% 的 skills 遵循率。

我們測試了在 Finance（金融）領域的專業水準，與上代模型相比，模型的能力提升顯著。例如，在 Finance 領域一個閱讀研報並建模公司未來營收的場景，M2.7 可以自主閱讀公司的年報與業績溝通會紀要，交叉比對多篇研報，獨立設計假設並構建營收預測模型，再基於範本產出 PPT 和研究報告——像一個初級分析師一樣理解、判斷、輸出，並在多輪互動中自我修正。從業者的評價是：產出物已經可以作為初稿直接進入後續工作流程。

下面是一個關於台積電的例子。

任務：基於台積電年報和業績溝通會資訊，構建台積電的營收模型，讀取多個研報，設計對應的假設，基於最新的資訊對台積電營收建模，然後基於 PPT 範本產出 PPT，並寫一個 Word 文檔研究報告和 Excel 圖表。

① PPT 報告演示（可上下滑動）

② Word 調研報告（可上下滑動）

③ Excel 樞紐報表

最近 OpenClaw 爆火為代表的 Agent 社區蓬勃發展，我們很高興看到 M2 系列模型幫助到了社區的繁榮。我們基於 OpenClaw 中的常用任務，構建了一個評測集 MM-Claw，涵蓋個人學習規劃，到辦公文檔的處理與交付、定時的專業資訊調研與投資建議、程式碼開發與維護等工作與生活中形形色色的真實需求。M2.7 在這個測試中達到了接近 Sonnet 4.6 的水準，正確率是 62.7%。

在 OpenClaw 等 Agent 腳手架的使用過程中，不少用戶在使用 Agent 完成工作的同時，還希望模型具備比較高的情商和複雜人設保持能力。在有人設的情況下，用戶不再只是讓模型機械完成任務，而是開始自然於與 Agent「相處」。這促使我們思考，產品與互動設計、內容創作、甚至娛樂體驗的構建，都可以被 AI 原生驅動的可能性。我們認為這會讓 Agentic 模型的使用從單純的生產力能進一步拓展到互動娛樂。為此，我們在 M2.7 中極大加強了人設保持和對話能力。

基於此，我們構建了一個 Agent 互動系統 OpenRoom，它將 AI 互動置入一個萬物皆可互動的 Web GUI 空間。在這裡，對話即驅動，實時產生視覺反饋與場景互動，角色可以主動地與環境互動。我們認為這個框架擴展性較高，能夠隨著模型 Agentic 能力的提升和社區的共建持續進化，探索出更多人與 Agent 之間全新的互動方式。為了促進這個領域的創新，我們已將這個原型專案開源（這個裡面的程式碼大部分也是 AI 寫的）：

MiniMax M2.7 已在 MiniMax Agent 與開放平台上全量上線，期待用戶和開發者朋友們能在 MiniMax M2.7 上探索出更多有趣場景。

Intelligence with Everyone.