MiniMax 发布参与自身进化的 MiniMax-M2.7

背景

2026年3月，MiniMax 发布 MiniMax-M2.7^[2]。与发布同时，Hugging Face 上出现了该模型的模型卡^[1]，这张卡片是外界了解这次发布的主要材料：它给出模型规模、公司选择报告的基准测试成绩，以及一篇描述该模型的论文的编号。

模型卡里的信息

模型卡列出总参数 229B^[1]。参数是神经网络在训练中学习到的数值权重，参数量只是衡量模型规模的一个粗略指标，本身并不说明能力高低。模型卡还注明，描述该模型的论文编号为 arXiv 2605.26494^[1]，也就是说这次发布除了模型卡，还有一份技术文档。

「深度参与自身进化」

MiniMax 把 MiniMax-M2.7 称为「我们第一个深度参与自身进化的模型」^[1]。公司给出的具体例子是：一个内部版本自主优化了一套编程脚手架（scaffold），过程超过 100 轮，报告性能提升 30%^[1]。

脚手架指包在模型外面的那层代码，负责让模型调用工具、修改文件、运行测试并读回结果。优化脚手架，就是改这层代码、试效果、留下真正有用的改动。这件事值得注意的地方在于，这个循环过去通常由工程师来完成；按照公司的说法，这次是模型自己跑完了循环，而且跑循环的是内部版本，并不是最终发布的那个模型^[1]。

基准测试成绩

机器学习竞赛集合 MLE Bench Lite 包含 22 项竞赛，模型在这个集合上的奖牌率为 66.6%，MiniMax 称这一成绩仅次于 Opus-4.6 和 GPT-5.4^[1]。66.6% 的奖牌率大致意味着在三分之二的竞赛里，模型提交的结果拿到了奖牌。

模型卡报告的其他成绩为：SWE-Pro 56.22%，Terminal Bench 2 57.0%，SWE Multilingual 76.5，GPQA Diamond 89.8，AIME 2026 94.2^[1]。这些基准分别涉及软件工程、命令行操作、科学问题与竞赛数学，计分方式并不统一，有的是百分比，有的是分数，因此不同行之间的数字不能当成同一个排名来读。

怎么理解这次发布

有两点值得留意。一是 MiniMax 选择的比较对象——仅次于 Opus-4.6 和 GPT-5.4^[1]——是同期的强劲系统，而不是公司自己上一代的产品。二是自主优化脚手架这件事，与一个基准分数是两种不同性质的说法：它说的不只是模型答题答得好，而是模型可以被用来改进它自己周围的那套工具。这是一种关于过程的说法，而给出的证据是公司自己做的内部实验，外部读者仅凭模型卡无法复核^[1]。

上面所有性能数字都来自 MiniMax 自己的报告^[1]。对已发布模型做独立评测是另一回事；就目前公开的材料看，公司给出的数字和描述模型的论文都集中在同一张模型卡上^[1]。