TL;DR: MiniMax представила M2.7 — первую модель серии, которая участвовала в собственной доработке через RL-петли и агентные сценарии. Результаты: 56.22% на SWE-Pro, 1495 ELO на GDPval-AA, 97% adherence при работе с 40+ сложными навыками. Модель уже используется для автономной отладки продакшена и генерации full-stack проектов.
Введение: от обратной связи к самоэволюции
После релиза первых моделей серии M2 команда MiniMax получила огромный объём фидбека от разработчиков и исследователей. Вместо традиционного цикла «собрали данные → дообучили → выкатили апдейт» инженеры пошли дальше: они позволили модели участвовать в собственной эволюции.
M2.7 — это не просто очередная итерация с улучшенными метриками. Это первый эксперимент, в котором модель:
-
строила сложные агентные оркестрации (Agent Teams);
-
управляла динамическим поиском инструментов;
-
обновляла собственную память и параметры RL-обучения;
-
оптимизировала архитектуру харнесса на основе результатов.
Проще говоря: часть работы по улучшению M2.7 выполнила… сама M2.7.
Архитектура самоэволюции: как модель учится улучшать себя
Исследовательский агент как «ко-пилот» для ML-инженера
Внутренний workflow MiniMax построен вокруг исследовательского агента, который взаимодействует с разными проектными группами. Система покрывает:
-
пайплайны данных;
-
тренировочные окружения;
-
инфраструктуру оценки;
-
кросс-командную коллаборацию;
-
персистентную память.
Пример RL-сценария:
-
Исследователь формулирует гипотезу эксперимента.
-
Агент проводит literature review, отслеживает спецификации, подготавливает данные.
-
Запускает эксперимент, мониторит метрики в реальном времени.
-
При аномалиях — автоматически читает логи, предлагает фиксы, создаёт MR, запускает smoke-тесты.
-
Человек подключается только для критических решений.
По оценкам команды, M2.7 берёт на себя 30–50% рутинных операций в этом цикле, ускоряя итерации и снижая time-to-discovery.
Рекурсивная оптимизация харнесса
Ключевое наблюдение: способность модели рекурсивно улучшать собственный инструментарий не менее важна, чем качество генерации кода.
Внутренний харнесс M2.7:
-
автономно собирает фидбек;
-
формирует оценочные сеты для внутренних задач;
-
итеративно дорабатывает архитектуру, реализацию навыков (MCP) и механизмы памяти.
Кейс: оптимизация программирования на внутреннем скаффолде.
-
Модель запустила цикл «анализ фейлов → план изменений → правка кода → оценка → сравнение → решение» более 100 раз.
-
Нашла оптимальные комбинации гиперпараметров (temperature, frequency/presence penalty).
-
Внедрила авто-поиск паттернов багов в других файлах после фикса.
-
Добавила детекцию зацикливаний в агентный луп.
Результат: +30% к производительности на внутренних бенчмарках.
Эксперимент в low-resource сценариях: M2.7 на MLE Bench Lite
Для проверки гипотезы о полной автономности провели тест на 22 соревнованиях по машинному обучению (MLE Bench Lite от OpenAI), выполняемых на одном GPU A30.
Архитектура агента:
-
краткосрочная память (markdown-логи итераций);
-
самокритика после каждого раунда;
-
цепочка самооптимизации на основе накопленного опыта.
Результаты после 24 часов эволюции (3 запуска):
|
Метрика |
Значение |
|---|---|
|
Лучшие награды |
9🥇 5🥈 1🥉 |
|
Средняя доля наград |
66.6% |
|
Сравнение с лидерами |
≈ Gemini-3.1 (66.6%), чуть ниже GPT-5.4 (71.2%) и Opus-4.6 (75.7%) |
|
|
Это показывает, что даже в ограниченных ресурсах модель способна к содержательной самооптимизации.
Программная инженерия: от генерации кода к пониманию продакшена
Отладка в реальном времени: кейс production debugging
M2.7 демонстрирует не просто генерацию кода, а системное мышление:
Алерт в продакшене
↓
Корреляция метрик мониторинга + таймлайнов деплоя
↓
Статанализ трейсов → гипотезы о root cause
↓
Авто-подключение к БД для верификации
↓
Поиск отсутствующего миграционного файла индекса
↓
Предложение non-blocking CREATE INDEX для быстрого фикса
↓
Формирование MR с объяснением и тестами
Практический эффект: время восстановления инцидентов сокращается до менее 3 минут против часов ручной отладки.
Бенчмарки: цифры, которые имеют значение
|
Бенчмарк |
Результат M2.7 |
Комментарий |
|---|---|---|
|
SWE-Pro |
56.22% |
На уровне GPT-5.3-Codex, близко к Opus |
|
SWE Multilingual |
76.5% |
Лидерство в мультиязычных сценариях |
|
Multi SWE Bench |
52.7% |
Устойчивость к реальным инженерным задачам |
|
VIBE-Pro (repo-level) |
55.6% |
Полноценная доставка проектов «под ключ» |
|
Terminal Bench 2 |
57.0% |
Глубокое понимание системной архитектуры |
|
NL2Repo |
39.8% |
Работа с legacy-кодом и документацией |
Agent Teams: мульти-агентная коллаборация как нативная фича
Важный сдвиг: M2.7 реализует Agent Teams не через промпты, а как внутреннюю способность:
-
чёткое разграничение ролей;
-
адверсариальная проверка логики;
-
соблюдение протоколов взаимодействия;
-
автономные решения в сложных state-машинах.
Это открывает путь к созданию виртуальных «мини-команд» для прототипирования продуктов — от идеи до MVP.
Профессиональные сценарии: офис, финансы, аналитика
Два столпа эффективности в office-задачах
-
Экспертиза + доставка результатаНа GDPval-AA (45 моделей) M2.7 набрала 1495 ELO — лучший результат среди открытых моделей, уступая только закрытым лидерам (Opus 4.6, Sonnet 4.6, GPT-5.4).
-
Работа в сложных окружениях
-
Toolathon: 46.3% accuracy (топ-уровень глобально).
-
MM Claw: 97% adherence при 40+ навыках >2000 токенов каждый.
-
Кейс: финансовый анализ компании (на примере TSMC)
Задача:На основе годового отчёта, транскриптов earnings call и внешних исследований:
-
спроектировать assumptions;
-
построить модель прогнозирования выручки;
-
сгенерировать PPT-презентацию и Word-отчёт по шаблонам.
Результат:M2.7 действует как junior-аналитик: читает источники, кросс-валидирует данные, строит модель, оформляет deliverables. По фидбеку практиков — вывод пригоден как черновик для дальнейшей работы.
📎 Примеры артефактов:
Развлечения и интерактив: от продуктивности к персонажам
Почему эмоциональный интеллект важен даже в agent-сценариях
С ростом популярности персональных агентов (OpenClaw и аналоги) пользователи начали ожидать не только эффективности, но и консистентности персонажа, эмпатии, вовлекающего диалога.
M2.7 усиливает именно эти аспекты:
-
стабильное удержание роли в длительных диалогах;
-
адаптация стиля под контекст;
-
проактивное взаимодействие с окружением.
OpenRoom: демо новой парадигмы взаимодействия
Команда представила OpenRoom — интерактивную среду, где:
-
персонажи «живут» в веб-интерфейсе, а не в текстовом потоке;
-
диалог триггерит визуальные изменения и сценарные события;
-
агент сам инициирует действия в окружении.
Это не просто чат-бот, а прототип интерактивного нарратива с агентной логикой.
🔗 Ресурсы:
-
Репозиторий: github.com/MiniMax-AI/OpenRoom
-
Демо: openroom.ai(Значительная часть кода демо написана… самой моделью)
Доступность и интеграция
M2.7 уже доступна:
-
🤖 MiniMax Agent: agent.minimax.io
-
⚙️ API Platform: platform.minimax.io
-
💻 Coding Plan: подписка для разработчиков
Заключение: что это значит для разработчиков
-
Самоэволюция — не хайп, а рабочий инструмент. Возможность модели оптимизировать собственный харнесс сокращает цикл R&D и открывает путь к автономным исследовательским агентам.
-
Инженерное мышление > генерация кода. Успех M2.7 в production-debugging и system-level бенчмарках показывает: ценность смещается от «написать функцию» к «понять и починить систему».
-
Мульти-агентность становится нативной. Если раньше Agent Teams требовали сложной оркестрации «снаружи», то теперь модель сама умеет держать роли и протоколы — это упрощает архитектуру приложений.
-
Персонажи и интерактив — следующий фронтир. Для продуктов, где важен пользовательский опыт (геймификация, обучение, поддержка), консистентность персонажа и эмоциональный интеллект становятся конкурентным преимуществом.
Статья подготовлена на основе официального анонса MiniMax. Бенчмарки и примеры приведены в соответствии с данными разработчика.
Автор: Smartor
