MiniMax M2.7炸场！中国开源模型首次能改写自己代码，30%性能提升

2026年4月12日深夜，一个来自中国AI创业公司的开源模型发布，在全球开发者社区引发了一场不小的震动。

MiniMax正式发布了其最新一代旗舰模型——M2.7，基于2300亿参数的稀疏MoE（混合专家）架构构建。最引人注目的特性不是参数规模，而是它身上出现的一个前所未有的能力：可以改写自己的训练代码，从而参与自身的训练循环，并在这个过程中实现约30%的性能自我优化。

这在AI圈子里，是一个让不少人倒吸一口凉气的技术突破。

传统大模型的训练是一个"一次性"的过程：人类工程师编写训练代码，准备数据集， запустить训练，输出模型，结束。如果模型性能不达预期，解决办法是调参、改数据、换架构——但无论怎样，模型本身没有能力介入自己的"出生"过程。

M2.7打破了这一点。它的模型权重中包含了对自身训练流程的"元认知"能力：在收到特定指令后，M2.7能够分析自身的代码结构，识别可优化的训练子程序，并通过一个受控的自我修改机制，对训练循环中的特定模块进行重新编写和自我迭代。

这不是简单的"模型自我改进"——那种能力在业界已经出现，比如让大模型生成更好的提示词来引导自己的回答。M2.7的不同之处在于，它改的是底层的训练代码本身，是模型在参与自身被创造的过程。

MiniMax将这个机制称为"自进化训练"（Self-Evolution Training），并在论文中详细描述了其技术实现细节。这篇论文目前已在arXiv公开。

技术突破之外，M2.7在标准评测中的表现同样令业界侧目。

在SWE-Pro评测（软件工程领域最具权威性的AI评测之一）中，M2.7取得了56.22%的得分。在Terminal Bench 2（终端操作类任务评测）中，得分为57.0%。这两个数字放在当前全球开源模型的坐标系里，都是相当有竞争力的成绩。

对比来看，这两个指标在三个月前还是各家闭源模型的天下，开源模型鲜少能突破50%的门槛。M2.7的出现，标志着开源社区在AI编程和自主操作这两个高价值能力维度上，正式向闭源头部玩家发起了挑战。

更值得注意的是，这30%的自我优化效果，是在没有额外人工干预的情况下，由模型自身驱动完成的。MiniMax的技术报告指出，经过三轮自进化迭代后，模型在编程相关任务上的表现平均提升了30%，在推理任务上的提升约为18%。

M2.7选择全面开源，代码和权重均在Hugging Face平台上公开。

这个决定背后，有MiniMax清晰的市场逻辑：AI编程工具和AI Agent是当前最具商业价值的应用方向，而这两个方向的竞争，本质上是开发者生态的竞争。谁能让更多开发者围绕自己的模型构建工具和应用，谁就能建立护城河。

开源是赢得开发者最有效的方式。没有了API调用的成本门槛，全球开发者可以自由地微调、部署和构建应用。这正是Meta当初开源Llama系列时的策略——通过降低使用门槛，快速扩大开发者基数，形成生态飞轮。

M2.7的开源还有一个额外优势：它得到了英伟达和华为昇腾两大硬件平台的支持。对于中国开发者来说，能够在华为昇腾芯片上本地部署M2.7，是一个非常有吸引力的选项——它意味着国内企业可以在不完全依赖英伟达GPU的情况下，用上当前最强的开源编程Agent模型之一。

M2.7采用了稀疏MoE架构，这是近年来大模型设计中的一个重要技术路线。

传统大模型在处理任何输入时，都会激活全部参数。这在工程上效率低下，因为许多参数在不同任务中被调用时，实际上并不同时需要。稀疏MoE的思路是：将模型拆分成多个"专家"子网络，每次推理时只激活最相关的少数专家网络，从而在保持高质量输出的同时，大幅降低实际计算成本。

2300亿参数听起来很大，但如果采用稀疏激活的方式，每次推理可能只激活其中约15%-20%的参数。这意味着M2.7的实际推理成本，接近一个300-400亿参数级别的密集模型，但能力边界却接近甚至超越了许多参数规模更大的密集模型。

MiniMax选择这个架构，有明确的商业考量：更低的推理成本，意味着在构建AI应用和Agent产品时，运营成本更低，商业可行性更高。

M2.7发布前，中国开源大模型的格局已经相当热闹：DeepSeek系列、Qwen系列、GLM系列、Yi系列……各家都有各自的强项和生态。但客观地说，在"AI编程"和"Agent自主行动"这两个当前最热门的应用场景上，开源中国模型的表现，一直落后于OpenAI、Anthropic等头部闭源玩家。

M2.7的出现，正在填补这个空白。它在SWE-Pro和Terminal Bench上的表现，让开源中国模型第一次站上了与闭源顶级模型正面竞争的擂台。

更值得关注的是，M2.7的可自我进化机制，会不会成为下一代大模型的标配？如果一个模型能够持续自我优化而不需要人类工程师重新训练，它的迭代速度将远超依赖外部反馈的传统训练模式。这种"模型自我迭代"的范式一旦成熟，AI能力的进化速度将会进入一个全新的阶段。

MiniMax M2.7，迈出了这一步。