MiniMax M2.7

230B MoE (10B Active) Klaster 2× DGX Spark Otwarte wagi (Apache 2.0) Q2 2026

Największy model, jaki kiedykolwiek uruchomiliśmy lokalnie — 230 miliardów parametrów serwowanych z klastra 2× DGX Spark na biurku. Model klasy frontier, który w benchmarkach agentowych depcze po piętach Claude Opus — za ułamek kosztów i bez wysyłania ani bajta do chmury.

Architektura: 256 ekspertów, 10B aktywnych

M2.7 to rzadki MoE (Sparse Mixture-of-Experts): 230B parametrów łącznie, ale na każdy token aktywuje się tylko 8 z 256 ekspertów — ok. 10B parametrów. Efekt: inteligencja modelu ogromnego, koszt obliczeniowy modelu średniego. Właśnie dlatego 230B działa płynnie na dwóch jednostkach klasy desktop.

Routing MoE — 8/256 ekspertów na token 10B / 230B

Self-evolving — model, który poprawia sam siebie

MiniMax opisuje M2.7 jako pierwszego „samodoskonalącego się agenta": podczas treningu model przeszedł ponad 100 rund autonomicznej optymalizacji własnego środowiska pracy — analizował porażki, edytował swój harness, uruchamiał ewaluacje i zachowywał to, co działało. Bez ręcznego prompt-engineeringu dało to ok. 30% poprawy na wewnętrznych testach producenta.

Natywny tool-calling — stworzony do pracy agentowej

M2.7 ma własny, natywny format wywoływania narzędzi, wspierany bezpośrednio przez vLLM. W praktyce oznacza to niezawodne łączenie modelu z wyszukiwarką, plikami czy komunikatorami — fundament naszego systemu agentowego. To model, który nie tylko odpowiada — planuje, wywołuje narzędzia i iteruje aż do wyniku.

Kontekst: 260 stron A4 w jednym zapytaniu

Natywne okno kontekstowe modelu to ~205K tokenów; w naszej konfiguracji klastrowej serwujemy stabilne 131 072 tokeny — równowartość ok. 260 stron A4. Cała umowa, cała dokumentacja techniczna albo całe repozytorium kodu w jednej rozmowie, z KV cache w FP8 o pojemności prawie 600 tysięcy tokenów.

Wdrożenie: 230B na dwóch pudełkach

Używamy wag skwantyzowanych do 4 bitów (AWQ) — ok. 131 GB na dysku, po ~61 GB w pamięci każdego noda. Model jest dzielony techniką tensor parallel między dwa DGX Spark połączone linkiem 200 Gb/s, a dzięki kompilacji CUDAGraphs generacja jest o ~60% szybsza niż w trybie domyślnym. Zero swapu, start od zimnego sprzętu do gotowości w ~3 minuty.

Grafika w przygotowaniu modele/minimax-m27/minimax-logo.webp

MiniMax M2.7 — samodoskonalący się model agentowy. Kliknij aby powiększyć.

Wyniki benchmarków (publiczne)

AIME 2026 (matematyka) 94.2

GPQA Diamond (wiedza ekspercka) 89.8

SWE-bench Verified (coding) 78.0

SWE-bench Multilingual 76.5

Terminal-Bench 2.0 (agentowe) 57.0

SWE-bench Pro 56.2

Wyniki wg publikacji MiniMax i niezależnych agregatorów (Q2 2026). Na SWE-bench Verified M2.7 wyprzedza Claude Opus (78 vs 55), na SWE-bench Pro niemal go dogania.