克雷西 发自 凹非寺
量子位 | 公众号 QbitAI
MiniMax在发布M2.5模型仅一个月后，正式推出全新升级版本M2.7。该模型显著强化了复杂任务处理能力与多智能体（Agent）协作能力，在推理、工程实践及自主进化层面实现质的跃升。
面对生产环境中的典型故障，如数据库CPU飙升，M2.7可自动关联监控日志、分析调用链、定位缺失索引，并生成安全可靠的非阻塞式修复脚本，已具备SRE（网站可靠性工程师）级实战能力。
更进一步，M2.7原生支持构建并迭代Agent Harness——即模型与真实计算环境交互的工具系统。结合OpenClaw长期记忆框架，它可在角色扮演、办公自动化等场景中保持身份稳定性与跨语言一致性，同时支撑高沉浸感的交互体验。
目前，M2.7已在MiniMax Agent平台及开放平台全量上线，面向开发者与企业用户开放使用。
最佳Cowork Agent模型
指令遵循与多智能体协作能力跃升
M2.7在复杂技能调度场景下表现稳健：在含40项复杂技能的测试中，指令遵循率达97%；在MM-Claw“龙虾测试”中准确率达62.7%，接近Claude Sonnet 4.6水平。
模型原生支持多智能体协作，无需依赖外部框架即可组建Agent Team。各智能体可稳定锚定身份、自主决策，并协同完成长流程任务拆解与执行。
代码能力进阶至工程级应用
M2.7已超越基础代码生成，覆盖代码重构、漏洞防护与复杂排障等高阶领域。在SWE-Pro评测中以56.22%正确率追平GPT-5.3-Codex；VIBE-Pro端到端项目交付基准亦获高分。
以SRE线上排障为例：告警触发后，模型自动关联监控推导根因，分析调用链并验证数据库状态，精准识别漏建索引问题，进而采用PostgreSQL CONCURRENTLY语法生成非阻塞建索引脚本，全程符合生产环境安全规范。
Office办公场景深度适配
M2.7支持Excel、Word、PPT三类文档的复杂多轮编辑。在GDPval-AA评测中ELO评分位列开源模型第一，超越GPT-5.3。
实际案例显示：输入上市公司年报与业绩沟通会资料后，模型可自主比对研报、构建营收预测模型；输出Excel透视表、撰写Word调研报告，并基于模板生成可用于汇报的PPT，整体能力达初级数据分析师水准。
角色扮演增强人设稳定性与交互沉浸感
M2.7原生支持10种语言，跨语言对话中保持人格统一；深度集成OpenClaw长期记忆框架后，在赛博养崽等持续交互场景中展现出强身份认同能力。
基于此能力，MiniMax开源OpenRoom交互系统，将AI嵌入Web GUI空间，实现对话实时视觉反馈与环境互动，显著提升沉浸感与可用性。
一个模型，带动整个“AI团队”
多Agent原生协作实测：“谁是卧底”游戏搭建
测试要求M2.7统筹1个主持人Agent与5个玩家Agent，为每个角色定制独立人设文件（SOUL.md），并开发后台服务与前端网页，完整呈现游戏流程。
该任务全面检验模型的指令遵循、多角色设定、统筹规划及全栈开发能力。M2.7快速输出结构清晰的完整方案，并响应界面优化需求，将初始界面升级为Minecraft风格UI，同步完成全部角色人设配置。
△ 上下滑动查看完整内容
点击启动后，六个原生Agent依据规则流畅交互，自主完成整局“谁是卧底”游戏并决出胜负。
SRE级故障排查实测：生产环境数据库性能优化
测试将四份模拟生产系统文档置于桌面，要求M2.7像资深后端架构师一样，定位故障触发事件与数据库CPU飙升的根本原因，并即时输出诊断命令与安全修复代码。
模型从庞杂日志中快速锁定性能瓶颈，提供的EXPLAIN命令直击核心。
△ 上下滑动查看完整内容
其修复脚本严格采用PostgreSQL CONCURRENTLY语法创建索引，规避锁表风险；并附带完整迁移文件与校验逻辑，可直接提交至CI/CD流程：
CREATE INDEX CONCURRENTLY IF NOT EXISTS
idx_products_category_created_at
ON public.products (category, created_at DESC);
-- Verify the index was built successfully and is valid
-- (CONCURRENTLY-built indexes may show indisvalid=false until background build completes)
DO $$
BEGIN
IF EXISTS (
SELECT 1 FROM pg_indexes
WHERE indexname = 'idx_products_category_created_at'
AND tablename = 'products'
) THEN
RAISE NOTICE 'Index idx_products_category_created_at created successfully on products table.';
ELSE
RAISE EXCEPTION 'Index creation failed or did not complete. Check pg_stat_progress_create_index.';
END IF;
END $$;全流程高效、严谨、可落地，充分体现M2.7在强工程场景下的综合推理与执行能力。
大模型开始自我进化了
M2.7的技术突破不仅体现于功能增强，更在于底层范式的演进：它已具备自我构建并持续优化Agent Harness的能力。
Agent Harness是模型连接现实计算环境的操作中枢，OpenClaw即为其典型实现。M2.7不再局限于被动调用工具，而是能主动设计、组装、调试并迭代自身工具链。
在强化学习实验中，研究员仅需提供初始目标，M2.7即可自主运行实验、监控状态、解析日志、修复异常、提交代码、执行冒烟测试，形成完整研发闭环。
在Harness自我优化测试中，模型通过多轮试错探索出有效改进路径，使内部评测集效果提升30%；在MLE Lite高难度机器学习竞赛中，经24小时自主训练优化，最终斩获9金5银1铜。
当前行业多聚焦于适配OpenClaw等开源框架，本质仍是教模型“用工具”。而MiniMax已率先迈入下一阶段——让模型成为工具的设计者与研发链的关键一环。
这种基于短时记忆、自反馈与自优化机制的主动进化能力，正构成下一代大模型的核心竞争力分水岭。MiniMax M2.7，已率先开启模型自我迭代的新纪元。