Novi MiniMax M2.7 vlasnički AI model se ‘samorazvija’ i može izvesti 30-50% tijeka istraživanja učenja za potkrepljivanje

U posljednjih nekoliko godina, kineski AI startup MiniMax postao je jedan od najuzbudljivijih na prenapučenom globalnom tržištu umjetne inteligencije, stekavši reputaciju pružatelja graničnih modela velikih jezika (LLM) s licencama otvorenog koda, a prije toga, visokokvalitetnih modela generiranja videozapisa umjetne inteligencije (Hailuo).

Oslobađanje od MiniMax M2.7 danas — novi vlasnički LLM osmišljen za dobro pokretanje AI agenata i kao pozadina za pojaseve i alate trećih strana kao što su Claude Code, Kilo Code i OpenClaw — označava još jednu prekretnicu: Umjesto da se oslanja isključivo na fino ugađanje koje predvode ljudi, MiniMax je iskoristio M2.7 za izgradnju, nadzor i optimiziranje vlastitih pojaseva za učenje pojačanja.

Ovaj pomak prema rekurzivnom samopoboljšanju signalizira pomak u industriji: budućnost u kojoj su modeli koje koristimo arhitekti njihovog napretka koliko i proizvodi ljudskog istraživanja. Model je kategoriziran kao tekstualni model samo s obrazloženjem koji pruža inteligenciju usporedivu s drugim vodećim sustavima uz zadržavanje značajno veće troškovne učinkovitosti.

Međutim, budući da je M2.7 za sada u vlasništvu, to je još jedan znak da su kineski AI startupovi – veći dio prošle godine, stjegonoše u svijetu granica AI otvorenog kodašto ih čini privlačnima za poduzeća na globalnoj razini zbog niskih (ili bez) troškova i prilagodbe — mijenjaju strategiju i traže više vlasničkih graničnih modela kao što američki čelnici poput OpenAI-a, Googlea i Anthropica rade godinama.

MiniMax postaje drugi kineski startup koji je objavio vlasnički najsuvremeniji LLM u posljednjih nekoliko mjeseci nakon z.aija sa svojim GLM-5 Turbo, a glasine da se Alibabin Qwen tim također prebacuje na vlasnički razvoj nakon odlaska višeg vodstva i drugih istraživača.

Tehničko postignuće: Petlja samoevolucije

Definirajuća karakteristika MiniMax M2.7 je njegova uloga u vlastitom stvaranju. Prema dokumentaciji tvrtkeranije verzije modela korištene su za izgradnju poveznice istraživačkog agenta sposobne za upravljanje cjevovodima podataka, okruženjima za obuku i infrastrukturom za evaluaciju.

Autonomnim pokretanjem čitanja dnevnika, otklanjanja pogrešaka i metričke analize, M2.7 je upravljao između 30 posto i 50 posto vlastitog tijeka razvoja.

Ovo nije samo automatizacija zadataka napamet; model je optimizirao vlastitu programsku izvedbu analizom trajektorija kvarova i planiranjem izmjena koda tijekom iterativnih petlji od 100 krugova ili više.

"Namjerno smo istrenirali model da bude bolji u planiranju i razjašnjavanju zahtjeva korisniku," objasnio je MiniMaxov voditelj inženjeringa Skyler Miao na društvenoj mreži X. "Sljedeći korak je složeniji korisnički simulator koji će to još više pogurati."

Ova se mogućnost proširuje na složena okruženja putem MLE Bench Lite, niz natjecanja u strojnom učenju osmišljenih za testiranje autonomnih istraživačkih vještina.

U tim je ispitivanjima M2.7 postigao stopu medalja od 66,6 posto, a razina performansi koja je povezana s Googleovim novim Geminijem 3.1 i približava se trenutnim najsuvremenijim mjerilima koje je postavio Anthropicov Claude Opus 4.6.

Cilj je, prema MiniMaxu, prijelaz prema potpunoj autonomiji u obuci modela i arhitekturi zaključivanja bez ljudskog angažmana.

Evolucija performansi: MiniMax m2.7 u odnosu na m2.5

U usporedbi sa svojim prethodnikom, M2.5, objavljenim u veljači 2026., model M2.7 pokazuje značajne prednosti u softverskom inženjeringu s visokim ulozima i profesionalnim uredskim zadacima.

Dok je M2.5 bio slavljen zbog ovladavanja poliglotskim kodom, M2.7 je dizajniran za inženjering u stvarnom svijetu — zadatke koji zahtijevaju uzročno razmišljanje unutar živih proizvodnih sustava.

Ključni pokazatelji izvedbe uključuju:

• Programsko inženjerstvo: M2.7 postigao je 56,22 posto na SWE-Pro benchmarku, poklapajući se s najvišim razinama globalnih konkurenata kao što je GPT-5.3-Codex.

• Profesionalna uredska dostava: U obradi dokumenata, M2.7 postigao je Elo rezultat od 1495 na GDPval-AA, za koji tvrtka tvrdi da je najviši među modelima dostupnim s otvorenim kodom.

• Smanjenje halucinacija: Model ima rezultat plus jedan na AA-Omniscience Indexu, golem skok u odnosu na negativnih 40 rezultata koje drži M2.5.

• Stopa halucinacija: M2.7 postiže stopu halucinacija od 34 posto, što je niže od stopa od 46 posto za Claude Sonnet 4.6 i 50 posto za Gemini 3.1 Pro Preview.

• Razumijevanje sustava: Na Terminal Bench 2, model je postigao 57,0 posto, pokazujući duboko razumijevanje složene operativne logike, a ne jednostavnog generiranja koda.

• Pridržavanje vještina: Na evaluaciji MM Claw, koja testira 40 složenih vještina od kojih svaka prelazi 2000 tokena, M2.7 je zadržao stopu pridržavanja od 97 posto, što je značajno poboljšanje u odnosu na osnovnu vrijednost M2.5.

• Paritet inteligencije: Mogućnosti rasuđivanja modela smatraju se ekvivalentnima GLM-5, no ipak koristi 20 posto manje izlaznih tokena za postizanje sličnih rezultata.

O evoluciji modela svjedoči i njegov rezultat 50 na Indeksu inteligencije umjetne analizešto predstavlja poboljšanje od 8 bodova u odnosu na svog prethodnika u samo mjesec dana, a također zauzima 8. mjesto na globalnoj razini u smislu ukupne inteligencije kroz zadatke usporedbe u različitim domenama.

Ne pokazuju sva neovisna mjerila trećih strana poboljšanje za M2.7 u odnosu na M2.5: Uključeno BridgeBenchskup zadataka koje je osmislio pokretač BridgeMind za agentsko kodiranje s umjetnom inteligencijom za testiranje izvedbe modela za "Vibe kodiranje," ili pretvaranje prirodnog jezika u radni kod, M2.5 osvojio je 12. mjesto dok je M2.7 osvojio 19. mjesto.

Pristup, cijene i integracija

MiniMax M2.7 je vlasnički model dostupan putem MiniMax API i MiniMax Agent platforme za kreiranje. Dok težine osnovnog modela za M2.7 ostaju zatvorene, tvrtka nastavlja doprinositi ekosustavu kroz interaktivni projekt otvorenog koda Otvorena soba.

Za izravnu integraciju API-ja i putem dobavljača treće strane OpenRouterMiniMax M2.7 održava vodeću cijenu od 0,30 dolara za 1 milijun ulaznih tokena i 1,20 dolara za 1 milijun izlaznih tokena, što je nepromijenjeno u odnosu na cijene za M2.5.

Kako bi podržao različite opsege i modalitete upotrebe, MiniMax nudi strukturirani plan tokena s različitim razinama pretplate. Ovi planovi omogućuju korisnicima pristup modelima preko teksta, govora, videa, slika i glazbe pod jednom objedinjenom kvotom.

Kako bi dodatno potaknuo usvajanje, MiniMax je pokrenuo program preporuke Invite and Earn, koji nudi 10 posto popusta za nove pozvane osobe i vaučer od 10 posto rabata za one koji ih pozivaju.

Mjesečna standardna cijena plana tokena: Standardne mjesečne razine dizajnirane su za programere početne razine do redovitih korisnika.

• Starter: 10 USD mjesečno za 1500 zahtjeva po 5 sati.

• Plus: 20 USD mjesečno za 4500 zahtjeva po 5 sati.

• Max: 50 USD mjesečno za 15 000 zahtjeva po 5 sati.

Cijena mjesečnog tokena velike brzine: Za radna opterećenja proizvodnih razmjera koja zahtijevaju M2.7-highspeed varijantu, dostupne su sljedeće razine:

• Plus-Velika brzina: 40 USD mjesečno za 4500 zahtjeva po 5 sati.

• Najveća brzina: $80 mjesečno za 15 000 zahtjeva po 5 sati.

• Ultra-brzina: 150 USD mjesečno za 30 000 zahtjeva po 5 sati.

Cijena godišnjeg plana tokena: Godišnje pretplate daju značajne popuste za dugoročnu obvezu:

• Standardni početnik: 100 dolara godišnje (ušteda 20 dolara).

• Standard Plus: 200 dolara godišnje (ušteda 40 dolara).

• Standardni maks.: 500 dolara godišnje (štedi 100 dolara).

• Velika brzina Plus: 400 dolara godišnje (štedi 80 dolara).

• Maks. velike brzine: 800 dolara godišnje (štedi 160 dolara).

• Ultra velike brzine: 1500 dolara godišnje (štedi 300 dolara).

Jedan zahtjev u ovim planovima je otprilike jednak jednom pozivu prema MiniMax M2.7, iako drugi modeli u paketu, kao što su video ili govor visoke razlučivosti, troše zahtjeve višom brzinom.

Službene integracije alata

Kako bismo osigurali besprijekorno usvajanje, MiniMax je dostavio službenu dokumentaciju za integraciju M2.7 u više od 11 glavnih alata za razvojne programere i povezivanja agenata.

To uključuje široko korištene platforme kao što su Claude Code, Cursor, Trae i Zed. Ostali službeno podržani alati uključuju OpenCode, Kilo Code, Cline, Roo Code, Droid, Grok CLI i Codex CLI.

Dodatno, model podržava Model Context Protocol, što mu omogućuje izvornu upotrebu alata kao što su Web Search i Understand Image za multimodalno razmišljanje. Programeri koji koriste Anthropic SDK mogu jednostavno integrirati M2.7 modificiranjem ANTHROPIC_BASE_URL-a tako da pokazuje na MiniMax krajnju točku.

Kada se MiniMax koristi kao pružatelj usluga u alatima kao što je OpenClaw, mogućnosti razumijevanja slike automatski se konfiguriraju putem VLM API krajnje točke modela, ne zahtijevajući nikakvo dodatno podešavanje od korisnika.

Sa svojom dubokom klupom integracija i svojim pionirskim pristupom rekurzivnoj samoevoluciji, MiniMax M2.7 predstavlja značajan korak prema AI-nativnoj budućnosti gdje su modeli jednako uključeni u vlastiti napredak kao i ljudi koji ih vode.

Strateške implikacije za donositelje odluka u poduzećima

Donositelji tehničkih odluka trebali bi tumačiti izdanje M2.7 kao dokaz da je agentska umjetna inteligencija prešla s teorijske izrade prototipa na uslužni program spreman za proizvodnju.

Sposobnost modela da smanji vrijeme oporavka za incidente uživo u proizvodnji na manje od tri minute autonomnim povezivanjem metrike praćenja sa spremištima koda sugerira promjenu paradigme za SRE i DevOps timove.

Poduzeća koja se trenutno suočavaju s pritiskom da usvoje učinkovitosti vođene umjetnom inteligencijom moraju odlučiti jesu li zadovoljne umjetnom inteligencijom kao sofisticiranim pomoćnikom ili su spremne integrirati izvorne timove agenata sposobnih za kompletnu isporuku projekta od kraja do kraja.

Iz financijske perspektive, M2.7 predstavlja značajan napredak u troškovnoj učinkovitosti za rasuđivanje na visokoj razini. Analiza pokazuje da M2.7 košta manje od jedne trećine manje od GLM-5 na ekvivalentnim razinama inteligencije.

Na primjer, izvođenje standardnog indeksa inteligencije koštalo je 176 dolara na M2.7 u usporedbi s 547 dolara za GLM-5 i 371 dolara za Kimi K2.5. Ova agresivna cjenovna strategija postavlja M2.7 na Pareto granicu grafikona inteligencije u odnosu na trošak, nudeći obrazloženje na razini poduzeća po djeliću tržišne cijene.

Trenutačno tržište je zasićeno modelima visokih performansi, od kojih mnogi još uvijek imaju male prednosti u općim rezultatima zaključivanja. No specifična optimizacija M2.7 za vjernost Office Suite-a u Excelu, PPT-u i Wordu i njegove visoke performanse u GDPval-AA benchmarku čine ga primarnim kandidatom za organizacije usmjerene na profesionalne tijekove rada s dokumentima i financijsko modeliranje.

Donositelji odluka moraju odvagnuti prednosti graničnog modela opće namjene u odnosu na specijalizirani motor kao što je M2.7, koji je napravljen za interakciju sa složenim unutarnjim skelama i skupovima alata.

Naposljetku, činjenica da ga vodi kineska tvrtka (sa sjedištem u Šangaju) i da podliježe zakonima te zemlje uz zemlju korisnika, te da još nije dostupan za izvanmrežnu ili lokalnu upotrebu, može ga učiniti teškom prodajom za poduzeća koja posluju u SAD-u i na Zapadu — posebno ona u visoko reguliranim industrijama ili industrijama okrenutim vladi.

Unatoč tome, pomak prema modelima koji se sami razvijaju sugerira da će ROI ulaganja u umjetnu inteligenciju sve više biti vezan uz rekurzivne dobitke samog sustava.

Organizacije koje usvoje modele koji mogu poboljšati vlastite pojaseve mogu se naći na bržoj krivulji iteracije od onih koje se oslanjaju na statičnu, samo ljudsku doradu. S MiniMaxovom agresivnom integracijom u moderni programerski stack, prepreka testiranju ovih autonomnih radnih procesa značajno je pala, stavljajući pritisak na konkurente da isporuče slične izvorne sposobnosti agenata.

Web izvor