MiniMax-M2.7 er udviklingen i MiniMaxs M2-serie af large language models (LLMs), designet til højeffektiv ræsonnering, kodning og agent-baserede arbejdsgange. Med afsæt i succesen med M2 og M2.5 introducerer den forbedringer i batchgenerering, omkostningseffektivitet og skalerbar API-implementering (f.eks. via CometAPI). Den retter sig mod enterprise-AI-brugstilfælde, herunder automatisering, flertrins ræsonnering og storskala indholdsgenerering.
Hvad er MiniMax-M2.7?
En flagskibsmodel bygget til kodning og agenter
MiniMax-M2.7 præsenteres af MiniMax som en aktuel flagskibs tekstmodel til krævende kodnings-, agent- og produktivitetsarbejdsgange.
MiniMax-M2.7 er den seneste generation af large language models (LLM) udgivet af MiniMax i marts 2026 som en del af M2-familien. Den er designet som en højtydende, omkostningseffektiv, agent-orienteret AI-model, der udvider kapabiliteterne fra sin forgænger, M2.5, samtidig med at den introducerer forbedringer i ræsonnering, selvforbedringssløjfer og udførelse af opgaver i virkeligheden.
M2.5 demonstrerede allerede næsten state-of-the-art (SOTA)-performance (opnåede 80.2% på SWE-Bench Verified) samtidig med, at den var dramatisk billigere end konkurrenterne og opnåede sammenlignelige resultater med modeller som GPT, Gemini og Claude til mindre end en tiendedel af prisen.
M2.7 bygger videre på dette fundament med fokus på:
- Autonome agent-sløjfer
- Reduceret iterationsomkostning
- Forbedret konsistens i ræsonnering
- Styrket produktionsparathed
Selvudviklende?
M2.7 blev bygget med en udviklingsproces, der lod den opdatere sin egen hukommelse, skabe færdigheder i sit harness og forbedre sin læringsproces baseret på forsøgsresultater. I almindeligt sprog signalerer virksomheden, at M2.7 er trænet og optimeret med en stærk agentisk sløjfe for øje, ikke blot en statisk chat-benchmarkopskrift.
5 funktioner ved MiniMax-M2.7
Stærkere software-engineering-adfærd
MiniMax-M2.7 er særligt stærk til end-to-end projektlevering, loganalyse, fejlsøgning, kodesikkerhed og maskinlæringsopgaver. Det gør modellen relevant ikke kun til kodegenerering, men også til de mere irriterende, tidskrævende dele af ingeniørarbejdet: sporing af fejl, navigering i store repositorier og at kæde flere trin sammen til et brugbart resultat. M2.7 opretholder en færdighedsefterlevelse på 97% under arbejde med mere end 40 komplekse færdigheder, som hver overstiger 2,000 tokens—en detalje, der peger på dens tiltænkte brug i lange arbejdsgange.
Et stort kontekstvindue til lange opgaver
MiniMax-M2.7-modellen har et kontekstvindue på 204,800 tokens, hvilket er en vigtig praktisk funktion for brugere, der håndterer lange prompts, multifil-kodebaser eller forlængede agentsessioner. Standard M2.7-modellen ligger omkring 60 tokens pr. sekund, og en “highspeed”-variant omkring 100 tokens pr. sekund. Den kombination er vigtig, fordi et stort kontekstvindue alene ikke er nok; brugerne har også brug for brugbar throughput, hvis modellen skal forblive responsiv i et reelt workflow.
Office-redigering og dokumentarbejde er også en del af billedet
MiniMax understreger også, at M2.7 ikke kun handler om kodning. Virksomheden siger, at modellen har forbedret kompleks redigering på tværs af Excel, PowerPoint og Word med bedre multi-runde revisioner og højfidelitetsredigering. Den rapporterer desuden en GDPval-AA ELO på 1495 og siger, at dette er det højeste blandt open source-modeller. Det er en stærk påstand, og den bør læses som MiniMaxs egen vurdering af modellens kontorproduktivitet frem for en branchekonsensus, men det er stadig vigtigt, fordi det udvider udgivelsen ud over softwareengineering.
Værktøjsbrug og miljøinteraktion er centrale designtemaer
MiniMax fremhæver, at M2.7 kan interagere med komplekse miljøer og arbejde med et stort sæt færdigheder, hvilket flugter med virksomhedens bredere agentstrategi. M2.7 præsenteres som havende stærk kodeforståelse, fleromgangsdialog og ræsonneringsevner, og de fremholder den som egnet til værktøjsrige miljøer frem for simpel single-turn chat. I praksis betyder det, at modellen sælges som en controller eller samarbejdspartner—ikke blot en tekstgenerator.
Selvforbedringsmekanismer
En nøglenyhed i M2.7 er modellens selvforbedringssløjfer:
- Iterativ forfinelse af ræsonnering
- Feedbackbaserede rettelser
- Reducerede hallucinationsrater
Dette muliggør mere pålidelige output inden for:
- Kodning
- Forskning
- Enterprise-arbejdsgange
Adgang og pris for Minimax-M2.7
MiniMax-M2.7 er tilgængelig via MiniMax’ egen Open Platform og er også listet på CometAPI, så der er to ligetil adgangsveje alt efter, om du vil arbejde direkte med MiniMax eller gennem en API-aggregator. MiniMaxs dokumentation siger, at M2.7 kan bruges med betalingsmuligheder som Token Plan og Pay-As-You-Go, og de anbefaler specifikt at bruge M2.7 i kodeværktøjs-workflows som Claude Code.
En af MiniMaxs mest omvæltende fordele er prissætningen. Sammenlignet med konkurrenter: Op til 10×–20× billigere end førende frontmodeller. M2.7 fortsætter denne tendens, hvilket gør den:
- Ideel til storskala udrulning
- Velegnet til langvarige agenter
- Tilgængelig for startups og virksomheder
I CometAPI,Minimax M2.7 er API-prisen 20% lavere:
| Comet-pris (USD / M Tokens) | Officiel pris (USD / M Tokens) | Rabat |
|---|---|---|
| Input:$0.24/M; Output:$0.96/M | Input:$0.3/M; Output:$1.2/M | -20% |
MiniMax-M2.7 er tilgængelig via MiniMax’ egen Open Platform og er også listet på CometAPI, så der er to ligetil adgangsveje alt efter, om du vil arbejde direkte med MiniMax eller gennem en API-aggregator. MiniMaxs dokumentation siger, at M2.7 kan bruges med betalingsmuligheder som Token Plan og Pay-As-You-Go, og de anbefaler specifikt at bruge M2.7 i kodeværktøjs-workflows som Claude Code.
Så den praktiske konklusion er enkel: Hvis du vil have den mest direkte officielle vej, så brug MiniMax’ Open Platform; hvis du vil have et billigere tredjepartslag, annoncerer CometAPI i øjeblikket lavere pris pr. token for M2.7.
Konklusion
MiniMax-M2.7 ligner et seriøst skridt i virksomhedens agent-model-roadmap og lægger vægt på softwareengineering, kontorproduktivitet, kompleks miljøinteraktion og en træningshistorie med selvforbedring. Benchmark-påstandene er stærke nok til at fortjene opmærksomhed, og den uafhængige Kilo-test antyder, at modellen kan klare sig i virkelige kode-agent-scenarier. For udviklere er den mest fornuftige måde at tænke på M2.7 som en dybdelæsende, værktøjskapabel model, der belønner klare instruktioner, strukturerede arbejdsgange og omhyggelig omkostningsstyring.
Udviklere kan tilgå MiniMax-M2.7 via CometAPI(CometAPI tilbyder en pris, der er langt lavere end den officielle pris, for at hjælpe dig med at integrere.) nu. Før adgang skal du sikre dig, at du er logget ind på CometAPI og har fået en API-nøgle. Klar til at gå i gang?