从“调参”到“自演化”：MiniMax 开源 M2.7，重塑大模型与 Agent 的工程闭环

当大模型进入“规模递减收益”阶段，一个更底层的问题开始浮现：模型还能如何持续变强？

MiniMax 最新开源的 M2.7 给出的答案，并不是更大的参数规模，而是一次工程范式的转向——让模型直接参与自身的研发、优化与迭代过程，从而构建“自我进化”的闭环。

对于 AI 技术社区而言，这一尝试的意义，可能不亚于从 GPT-2 到 GPT-3 的跃迁：它触及的是“如何做模型”本身。

一个关键变化：模型开始参与“造自己”

传统大模型的开发，本质上是一个以人为中心的流程：

• 研究人员设计训练策略与架构
• 工程团队实现 pipeline
• 模型训练 → 评估 → 调整 → 重训

M2.7 引入的变化在于：把模型嵌入到这个流程里。

在实际开发过程中，M2.7 被用于：

• 自动生成和优化训练相关代码（如数据处理、调度逻辑）
• 分析失败样本与错误轨迹（failure trajectories）
• 提出改进方案并参与代码迭代

结果是，在不依赖额外人工干预的情况下，整体性能提升约 30%。

这意味着一个重要转变：

模型不再只是“被优化的对象”，而是“优化过程的一部分”。

架构侧：MoE + 长上下文的实用主义路线

从模型设计来看，M2.7 并未走“极端规模扩张”的路线，而是采用更偏工程化的组合：

• 总参数：230B
• 激活参数：10B（稀疏激活）
• 架构：MoE（Mixture of Experts）
• 上下文：支持约 20 万字

这一配置体现了两个核心取舍：

稀疏化：控制成本的前提下提升容量

MoE 架构通过动态路由，只激活部分专家网络，使得：

• 推理成本接近中等规模模型
• 表达能力接近超大模型
• 更适合在线服务与高并发场景

对于 AI 工程来说，这种“算力友好型大模型”更具现实意义。

长上下文：面向复杂任务链

20 万字级上下文，意味着模型可以：

• 处理大型代码库或长文档
• 在多步骤任务中保留完整上下文
• 支持 Agent 的长期状态记忆

这类能力，正是当前 AI Agent 系统瓶颈之一。

能力分布：向“工程型模型”倾斜

从评测结果来看，M2.7 并不是一个典型的“通用对话模型”，而更偏向“工程与生产力模型”。

软件工程能力

在 SWE-Pro 等评测中表现突出，说明其具备：

• 跨文件代码理解
• 项目级代码生成
• Bug 分析与修复

这类能力直接服务于 AI 编程 Agent 的核心场景。

办公自动化能力

在 GDPval-AA 评测中达到 1495 ELO，位列开源模型前列，能够完成：

• 复杂文档生成与结构化输出
• 表格数据分析与处理
• 演示文稿内容自动组织

这意味着其已具备“数字员工”级别的基础能力。

Agent 原生设计：模型即执行系统的一部分

M2.7 的另一个关键特性，是对 Agent 的原生支持，而非外部拼装。

具体表现为：

• 支持多 Agent 协作（agent team）
• 能进行任务拆解与分配
• 具备环境交互能力（tools / APIs）

这使其更接近一个“系统级智能体内核”，而不是单纯的语言模型。

与传统 Agent 框架相比，这种模式将：

• 一部分 orchestration 逻辑内化进模型
• 减少外部状态机复杂度
• 提高整体系统一致性

“自我进化”的工程意义：AI 开始参与 AI 研发

M2.7 更深层的价值，在于其探索了一种新的 AI 工程模式：

自动化研发（AI for AI）

模型可用于：

• 自动生成实验代码
• 优化训练策略
• 分析评测结果

这将显著降低大模型研发的边际成本。

快速反馈闭环

通过自动分析失败轨迹，可以实现：

• 更快定位问题
• 更高频迭代
• 更细粒度优化

这对当前动辄数周的训练周期尤为关键。

潜在的递归提升

如果模型持续参与自身优化，理论上可以形成：

• 更强模型 → 更优优化能力 → 更强模型

这种“递归改进”机制，是通往更高阶 AI 的重要路径之一。

对开源生态的影响：方法论比权重更重要

M2.7 的开源意义，并不仅在于参数规模或性能指标，而在于其提供了一种可复用的思路：

• 如何让模型参与工程流程
• 如何构建自优化 pipeline
• 如何设计 Agent-native 模型

对于中小团队而言，这意味着：

可以用模型弥补工程与研究资源的不足。

同时，这也可能推动社区关注一个新的核心问题：

• 不只是“如何训练更大的模型”
• 而是“如何让模型帮助我们训练模型”

结语：大模型的下一阶段，是“会改进自己”

过去几年，大模型的进步依赖三大要素：

• 更大规模
• 更好数据
• 更强算力

而 M2.7 所代表的方向，则是在此之外增加了第四个变量：

模型自身的参与度。

对于 AI 技术社区来说，这或许预示着一个重要拐点：

• 模型从工具，变为协作者
• 从被动产物，变为主动参与者

当这种模式成熟，未来的大模型，可能不再只是被“训练”出来的，而是在不断参与自身优化的过程中，逐步演化出来的。