MiniMax M2.7：当模型开始“参与训练自己”，Agent 进入自进化阶段

MiniMax 最新发布的 M2.7，不只是一次常规模型升级，而是一个更关键的信号：

AI 正在从“被训练”，走向“参与训练自己”

1. 这次发布的核心，不是性能，而是路径

表面看，M2.7 的成绩已经进入第一梯队：

• SWE-Pro：56.22%（≈ GPT-5.3-Codex）
• VIBE-Pro：55.6%（≈ Claude Opus 4.6）
• GDPval-AA：ELO 1495（开源最高）
• MM-Claw：62.7%（接近 Sonnet 4.6）

但真正关键的不是这些 benchmark，而是：

Agent Harness（Agent 训练闭环）

2. 什么是“模型自我进化”？

传统训练流程是：

1）人类准备数据
2）模型训练
3）人类评估
4）再优化

而 M2.7 的思路是引入 Agent：

1）模型执行任务
2）模型生成中间过程（思考 / 工具调用）
3）模型评估结果
4）模型参与优化数据

一句话总结：

模型开始成为“训练系统的一部分”

3. Agent Harness 在做什么？

可以把它理解为一个“自动化研发系统”：

• 自动生成训练数据
• 自动构造任务环境
• 自动执行与验证
• 自动反馈优化

这本质上是在解决一个行业难题：

高质量数据不够用

通过 Agent：

• 数据可以“生成”
• 错误可以“放大利用”
• 训练可以“持续循环”

4. 为什么这件事很重要？

因为它改变了 scaling 的方式。

过去：

模型能力 ≈ 数据规模 × 算力

现在开始变成：

模型能力 ≈（数据 × 算力）+ 自进化能力

也就是说：

• 不只是“喂更多数据”
• 而是“让模型自己找数据、优化数据”

5. 一个关键指标：30%—50% 工作替代

MiniMax 提到：

在研发场景中，M2.7 可承担 30%—50% 工作量

这其实非常关键，因为：

• 这不是对话能力
• 而是“任务完成能力”

意味着模型已经可以：

• 写代码
• 调试
• 调用工具
• 完成闭环任务

6. OpenRoom：另一个信号

除了模型本身，还开源了：

OpenRoom（Agent 交互系统）

这说明 MiniMax 的目标不只是模型，而是：

• Agent 运行环境
• 多 Agent 协作
• 任务执行框架

换句话说：

模型 + 环境，一起做

7. 对比当前主流路线

可以把当前玩家分成三类：

1）模型派

• OpenAI
• Anthropic

核心：更强推理能力

2）Agent 产品派

• Manus
• OpenClaw

核心：执行任务

3）自进化系统派（MiniMax）

• M2.7 + Agent Harness

核心：

让模型自己变强

8. 一个更深层的变化

这件事的本质是：

AI 正在从“静态模型”变成“动态系统”

未来模型可能不再是：

• 一个固定版本（v1 / v2 / v3）

而是：

• 持续演化的系统
• 随环境变化而变化

9. 总结

M2.7 最重要的不是性能追平谁，而是证明了一件事：

模型可以参与构建自己的进化路径

这意味着：

• 数据瓶颈开始被突破
• 训练成本结构发生变化
• Agent 不只是应用层，而是训练层

一句话总结：

下一代模型竞争，不只是“谁更强”，而是“谁进化更快”。