他们家的 M2.7 模型，正式引入了 Agent Teams（多智能体协作）机制。这超越了常规的群聊功能，从底层让 AI 学会了像公司团队一样分工协作、自主拆解复杂长周期任务。

一句话总结：AI 正在从听指令干活的工具，进化为自己组队、自己分任务、自己解决问题的"数字同事"。

🤖 什么是 Agent Teams？为什么重要？

先说痛点。

过去的 AI Agent，无论多聪明，本质上都是"单兵作战"。你给它一个复杂任务，它要么硬扛到底出错，要么拆成几步让你手动衔接。

MiniMax 的解法是：让模型自己内化多角色协作能力。

“Agent Teams 对模型提出了范式级的要求：角色边界、对抗性推理、协议遵从、行为差异化——这些不是靠提示词就能实现的，必须内化为模型的原生能力。”

具体体现在三个层面：

这意味着什么？一个长周期项目，现在可以交给一组 AI 团队，它们自己分工、自己审核、自己迭代。

⚡ 实战数据：硬指标说话

光说概念不够，看实测数据。

软件工程：3分钟恢复生产事故

在传统开发中，线上出 bug，排查流程通常是：看告警 → 查日志 → 定位代码 → 修复 → 测试 → 上线。一套下来几小时起步。

M2.7 的做法是：

1. 1. 关联监控指标和部署时间线做因果推理
2. 2. Trace 采样统计分析，提出精确假设
3. 3. 主动连数据库验证根因
4. 4. 定位到缺失索引迁移文件后，先用非阻塞索引止血，再提交合并请求

结果？MiniMax 披露多次将生产事故恢复时间缩短至 3 分钟以内。

办公自动化：从写文档到财报建模

在专业办公领域，M2.7 的 GDPval-AA ELO 得分 1495，开源模型最高，超过 GPT-5.3。

典型案例：台积电营收建模。

• • 自主阅读年报和电话会议纪要
• • 交叉比对多份研报
• • 独立设计假设并构建营收预测模型
• • 输出 PPT 和 Word 研报

从业者反馈：输出可直接作为初稿进入后续工作流。

🔁 100轮自主进化：模型在"自己训练自己"

这才是最狠的部分。

MiniMax 让 M2.7 参与自身的进化过程。内部 Agent 自主完成了一个完整的优化闭环：

1. 1. 分析失败轨迹
2. 2. 规划修改方案
3. 3. 修改代码
4. 4. 运行评估
5. 5. 对比结果
6. 6. 决定保留或回滚

这个循环在内部编程脚手架优化中自主跑了 100+ 轮。

结果？内部评估集性能提升 30%。

Agent 发现了采样参数最优组合、工作流指南优化、循环检测等改进点。在 MLE Bench Lite（22 个 ML 竞赛）中，M2.7 取得 66.6% 获奖率，仅次于 Opus-4.6 (75.7%) 和 GPT-5.4 (71.2%)，与 Gemini 3.1 持平。

🌏 中国 AI 在 Agent 赛道的位置

把数据拉出来对比一下：

MiniMax 的差异化很清晰：不做全能选手，专注把 Agent 协作和自我进化做到极致。

🚀 M3 前瞻：下一步是什么？

2026 年 6 月 1 日，MiniMax 发布了 M3 旗舰模型：

• • 1M 超长上下文：百万 token 级文档处理
• • 原生多模态：文本、图像、音频统一架构
• • MiniMax Code：本地浏览器 agentic 编码引擎

Agent 生态正在加速。从"能用"到"好用"，从"单兵"到"团队"，这条路的下一步，值得持续关注。

参考来源：

• • MiniMax M2.7 官方博客
• • MiniMax M2.7 GitHub
• • PanDaily M3 报道
• • DataCamp M3 教程