Стоит читать если: вы работаете с агентами MiniMax и хотите понять, как развиваются их возможности в области самооптимизации и инженерных задач. Можно пропустить если: вам не интересны продвинутые возможности MiniMax или вы не используете их платформу.
Модель, которая учится сама
Основное изменение в серии MiniMax M2.7 — модели способны к рекурсивному самосовершенствованию. Это значит, что M2.7 участвует в своей собственной эволюции, строя сложные агентские «обвязки», обновляя собственную память и улучшая процессы обучения на основе экспериментов. Например, при разработке M2.7 модель сама обновляла память и строила десятки комплексных навыков для экспериментов с усиленным обучением.
В основе самоэволюции лежит внутренний рабочий процесс, который позволяет моделям серии M2 взаимодействовать с различными исследовательскими группами, поддерживать пайплайны данных, среды обучения, инфраструктуру, кросс-командное взаимодействие и персистентную память. Пример из реальной работы — модель справляется с 30-50% рабочего процесса команды по усиленному обучению. Исследователь обсуждает идею с агентом, который помогает с обзором литературы, отслеживает спецификации эксперимента, подготавливает данные и запускает эксперименты. Во время выполнения агент мониторит прогресс, автоматически инициирует чтение логов, отладку, анализ метрик, исправления кода, запросы на слияние и смоук-тесты, а также выявляет и конфигурирует важные изменения. Оптимизация внутренней «обвязки» — модель автономно собирает обратную связь, строит наборы для оценки внутренних задач и на этой основе непрерывно итерирует свою архитектуру, реализацию навыков и механизмы памяти. Например, minimax-m2-7 оптимизировала производительность программирования другой модели на внутреннем стенде, проведя более 100 итераций анализа ошибок, планирования изменений, модификации кода, выполнения оценок и сравнения результатов. В итоге это привело к улучшению производительности на 30% на внутренних тестовых наборах.
MiniMax также провела пилотные тесты самооптимизации в сценариях с ограниченными ресурсами. M2.7 участвовала в 22 соревнованиях по машинному обучению уровня MLE Bench Lite, требующих одну A30 GPU. После трех 24-часовых итераций модель, обученная M2.7, получила 9 золотых, 5 серебряных и 1 бронзовую медаль в лучшем прогоне. Средний показатель медалей по трем прогонам составил 66.6%, что сопоставимо с Gemini 3.1 (66.6%) и уступает Opus 4.6 (75.7%) и GPT-5.4 (71.2%).
Для инженеров: отладка, рефакторинг, безопасность
Модель M2.7 показывает высокую производительность в реальной разработке ПО. Это включает полную поставку проектов, анализ логов, устранение ошибок и безопасность кода. В бенчмарке SWE-Pro minimax-m2-7 набрала 56.22%, что приближается к уровню Opus. В бенчмарке VIBE-Pro для сквозной доставки проектов на уровне репозитория модель достигла 55.6%. Глубокое понимание сложных инженерных систем подтверждается результатом 57.0% на Terminal Bench 2. В сценариях отладки в живой среде M2.7 может коррелировать метрики мониторинга с временными шкалами развертывания для причинно-следственного анализа, проводить статистический анализ выборки трассировок, предлагать точные гипотезы, подключаться к базам данных для проверки первопричин и выявлять отсутствующие файлы миграции индексов. Улучшена эффективность разработки благодаря нативным возможностям Agent Teams (многоагентное сотрудничество). Эти команды агентов могут самостоятельно принимать решения в сложных конечных автоматах, оспаривать логические и этические «слепые пятна» других членов команды и стабильно придерживаться своей роли.
Профессиональные офисные задачи и интерактивность
Расширена экспертиза модели и возможности выполнения задач в профессиональном офисном ПО. ELO-рейтинг на GDPval-AA составляет 1495, что является самым высоким показателем среди открытых моделей. Улучшены возможности комплексного редактирования в Office (Excel, PPT, Word) и обработки многораундовых изменений. M2.7 поддерживает 97% коэффициент соблюдения навыков при работе с более чем 40 сложными навыками, каждый из которых превышает 2000 токенов. Пример из финансов показывает, как M2.7 может автономно читать годовые отчеты, анализировать несколько исследовательских отчетов, самостоятельно проектировать предположения и строить модель прогноза выручки, а затем создавать презентацию и исследовательский отчет на основе шаблонов.
M2.7 обладает высокой последовательностью персонажей и эмоциональным интеллектом, что открывает новые возможности для продуктовых инноваций и интерактивных развлечений. MiniMax представила и открыла OpenRoom — интерактивную систему на основе агентов, которая позволяет взаимодействовать с ИИ через веб-GUI. Это система, где настройки персонажей не просто промпты; разговор управляет опытом, генерируя визуальную обратную связь в реальном времени и взаимодействия со сценой, при этом персонажи проактивно взаимодействуют с окружающей средой. Репозиторий на GitHub: https://github.com/MiniMax-AI/OpenRoom, демо: https://www.openroom.ai/.
Модели MiniMax M2.7 и MiniMax M2.7-highspeed уже полностью доступны на MiniMax Agent и платформе MiniMax API.
Что это значит
Самоэволюция моделей MiniMax M2.7 может изменить подход к разработке AI, смещая часть нагрузки с инженеров на сами модели. Это открывает перспективы для более быстрого обнаружения проблем и ускорения экспериментов. Инженерам стоит изучить, как интегрировать такие «самообучающиеся» возможности в свои рабочие процессы для повышения эффективности и сокращения времени на рутинные задачи.