MiniMax-M2.7 (MiniMax)

独立证据与社区反馈

5 个独立来源最近验证 2026-08-05

MiniMax M2.7 以开源权重+低成本切入代理型编程赛道，在 SWE-Pro、Terminal Bench 等工程基准上逼近顶级闭源模型，被社区视为性价比突出的 OpenClaw/Claude Code 替代脑；但实际使用中部分用户反馈其真实世界任务表现相比 M2.5 有退步，输出速度也慢于前代。

• 开源权重可直接从 Hugging Face 获取并部署，降低前沿代理模型的使用门槛 [8]
• SWE-Pro 得分 56.22%，Terminal Bench 2 得分 57.0%，在真实软件工程基准上达到 SOTA 水平 [8]
• VIBE-Pro 仓库级代码生成得分 55.6%，接近 Opus 4.6 水平 [8]
• 在 40 项超 2000 token 的复杂技能中保持 97% 技能遵循率 [10]
• 定价 $0.22/1M tokens，比前代 M2.1 的 $0.39 更便宜 [11]
• 作为 230B 参数的稀疏 MoE 模型，推理成本低 [15]
• SWE Multilingual 得分 76.5，Multi SWE Bench 得分 52.7，跨语言工程能力突出 [8]
• 在 NVIDIA Blackwell Ultra GPU 上经由 vLLM 优化后吞吐量提升最高 2.5 倍 [15]

• Reddit 社区有用户反馈在 Claude Code 中实际使用体验不如 M2.5，M2.5 更稳定地完成任务 [14]
• 输出速度 53.5 tokens/s，慢于 M2.1 的 73.3 tokens/s [11]
• 首 token 延迟 1.75s，高于 M2.1 的 1.67s [11]

• 独立评测MiniMax Just Open Sourced MiniMax M2.7: A Self-Evolving Agent Model that Scores 56.22% on SWE-Pro and 57.0% on Terminal Bench 2 - MarkTechPost
• 独立评测MiniMax M2.7 - Model Self-Improvement, Driving Productivity Innovation Through Technological Breakthroughs | MiniMax
• 独立评测MiniMax-M2.7 vs MiniMax-M2.1: Model Comparison
• 独立评测MiniMax M2.7 Advances Scalable Agentic Workflows on NVIDIA Platforms for Complex AI Applications | NVIDIA Technical Blog
• 社区实测Is it just me or minimax-m2.7 is a regression in real world ...

可信度LM Studio 团队量化，HuggingFace 下载量 13,632