总觉得MiniMax的M2.5才发布没多久，转眼间M2.7就已经上线了。查了一下，中间其实只隔了一个月——要知道，这其中还横跨了一个春节假期。
MiniMax在官方介绍中表示：“MiniMax M2.7是我们第一个模型深度参与迭代自己的模型。”这几年，“AI自我进化”从一个略带科幻色彩的概念，逐渐演变为行业默认的技术方向。谷歌前CEO埃里克·施密特（Eric Schmidt）曾总结，这已经形成了某种“硅谷共识”：随着人工智能推理和记忆系统的发展，它将重塑人类的协作方式。最终，我们将可能触及所谓的“递归式自我改进”——届时，系统将以超越人类理解的速度进行学习和优化。
如今，这个宏大的目标已被拆解为更具体的工程路径：用模型生成训练数据、用模型进行效果评测，甚至让模型参与到代码修改和实验流程的设计中。模型被置于一个可以持续试错、快速反馈的循环系统里。在这个系统中，模型既是任务的执行者，也逐步成为部分的决策者，而人类则更多退居到设定目标与划定边界的角色。
M2.7本次着重强调的“Agent Harness”能力，其核心思想正是将原本需要多人协作的一整套研发流程，尽可能地压缩进一个可自动化运行的循环中，让模型承担其中越来越多的环节。
MiniMax公布的基准测试（Benchmark）成绩也相当亮眼：
这些测试对应着不同的能力维度：SWE Bench和VIBE-Pro更贴近真实的软件工程任务，而Toolathon和MM-ClawBench则强调模型在复杂多步骤流程中的执行与规划能力；相比之下，MLE-Bench等测试则更偏向算法与科研能力。
从结果来看，M2.7在工程执行类任务中已稳居第一梯队。例如在SWE Bench Pro上，其表现已接近甚至超越部分顶尖模型，这类测试的本质是在真实的代码库中定位问题并完成修复，非常接近“线上排障”的实际场景；而在VIBE-Pro这类端到端的完整项目任务中，M2.7同样表现出色，这意味着它不只擅长修补代码片段，而是具备了从理解需求到交付完整可运行产出的能力。
另一个值得注意的点是MM-ClawBench这类针对智能体（Agent）的测试。这里考查的并非单一步骤的能力，而是模型在长流程任务中的稳定执行能力，即能否在多轮步骤中持续、正确地调用工具、保持上下文连贯，并最终完成任务。M2.7在此项测试中已接近头部模型，说明它在“能否把一项复杂任务从头到尾执行完毕”这件事上，确实跨过了一道重要的门槛。
当然，如果切换到更偏重复杂推理和研究的任务，例如MLE-Bench，M2.7仍显示出提升空间。这类任务更接近算法工程或科研场景，要求模型具备更强的抽象思维和系统性建模能力，目前这仍是少数顶级模型的优势区间。
好了，硬核的技术参数先放一边。当我们拿到MiniMax M2.7内测API的那一刻，第一个念头就是：“能用它整点什么活？” 把它丢进真实的场景里，看它能否满足接地气的需求，这比任何分数都更直观。
因此，我们为M2.7设计了四场“考试”，难度由低到高，场景从生活化到专业化：先让它同时扮演“我”的爸妈和弟弟，在模拟的家庭微信群中聊天；再搭建一个Agent Harness测试框架，让它进行自主编程（先做个霓虹灯数字时钟热热身，再从零开始编写一个贪吃蛇游戏）；最后，把英伟达（NVIDIA）的虚构年度财报数据丢给它，要求它像一名专业的金融分析师一样，输出深度研究报告、交互式仪表盘和演示文稿。
玩了一下午之后，我们只能说：M2.7，你确实有点东西。
01 让AI同时扮演我全家人
我们设计的第一个测试，灵感来源于每个中国人手机里大概率都有的那个群——家族微信群。
你知道的，就是那种群名叫做“相亲相爱一家人”的群，里面永远有人转发养生文章，有人发长段语音，有人催婚催生，还有人沉迷游戏“装死”不回复。这个场景非常适合测试AI，因为它对“角色一致性”的要求极高。群里每个人的说话方式、关注焦点，甚至打字习惯都截然不同，而且他们之间还会互相接话、抬杠、制造戏剧冲突。
我们利用M2.7搭建了一个高度仿真的微信界面网页应用，连手机状态栏、绿色对话气泡这些细节都做了还原。角色设定最终敲定为一家四口：
- 老李（爸爸）：55岁国企退休干部，性格略显急躁但刀子嘴豆腐心，钓鱼狂热爱好者，厌恶吃蔬菜（尤其是西兰花），说话爱引用“名人名言”，口头禅是“我当年……”。
- 妈妈（王秀英）：52岁社区居委会热心阿姨，超级唠叨但充满关爱，养生达人与厨艺高手，打字时疯狂使用各类表情符号（Emoji），喜欢用【】强调重点，三句话内必催女儿找对象。
- 李小龙（弟弟）：24岁，毕业两年尚未找到稳定工作，日常沉迷《原神》和《王者荣耀》，嘴贫爱怼人，网络用语满口（“yyds”、“绝绝子”），最怕爸爸说教，一被批评就装可怜或转移话题，常找姐姐借钱且从未归还。
初始界面如下：
在我并未详细规定界面细节的情况下，模型返回的设计已经相当令人满意。于是，我尝试发送了第一句话。
发送失败？提示是API调用失败。我立刻让M2.7帮忙检查问题所在。
M2.7迅速定位了问题：API密钥与终端地址不匹配（国内版与国际版混淆）。修复这个BUG后，对话终于可以进行了，但是……
设定上是我的父亲，他却问“哪位啊？怎么进群的？”。很明显，这是一个角色关系设定上的BUG。于是，我再次让M2.7重新调整角色设定，将“我”明确为家中的长女。
随后，一切步入正轨，这个家庭群聊模拟器开始生动地运行起来。
虽然没有“梦幻开局”，但整个发现BUG和修复的过程异常丝滑。M2.7的角色扮演能力确实很强。但我想强调的是，多角色群聊的难度远不止“为每个角色设定不同语气”那么简单。从出错的截图可以看到，对于不同角色，M2.7是分别调用模型来生成对话的，而非一次性生成所有回复。
它要求模型同时维持多个独立的人格状态、深刻理解角色之间的复杂关系（父女、母子、兄妹），并让这些关系在动态对话中自然地碰撞出火花。一家四口，三个AI角色，每人都有自己的小心思和语言习惯，还要能与我这个真实用户互动起来——M2.7做到了，且做得相当自然。
02 一句话，从零构建一个霓虹灯时钟
第二场测试，我们决定上点强度。
为了全面测试M2.7的智能体（Agent）能力，我们专门搭建了一个名为“Agent Harness”的测试框架。界面类似一个深色主题的集成开发环境（IDE）：左侧是Agent的思考轨迹面板，实时显示它每一步的“思考”（THOUGHT）和即将采取的“行动”（ACTION）。
右侧分为三个区域——任务配置区、虚拟文件系统（显示它创建的文件列表）和实时预览窗口（直接渲染它写出的HTML页面）。这个框架仅向M2.7提供五个基础工具：write_file（创建/写入文件）、read_file（读取文件）、list_files（列出文件）、execute_js（在沙盒中运行JavaScript）和finish（宣告任务完成）。除此之外，没有任何其他辅助，相当于给一个程序员一间空屋、一台电脑和一份需求文档。
第一个任务，我要求M2.7制作一个霓虹灯风格的数字时钟。它需要自主完成理解需求、规划方案、编写代码、自我检查直至最终交付的全过程。
点击“启动Agent”后，M2.7的“思考-行动-观察”（ReAct）循环开始运转。最终，它在第5轮时宣告任务完成（实际上第4轮就基本成功，但因网络波动导致工具调用失败）。完成的数字时钟效果如下：
说实话，一个数字时钟的产出结果在2026年的今天并不令人惊讶。真正让人惊喜的是整个开发过程所展现出的流畅度。从需求解析到方案规划，再到代码编写、自我检查和最终交付，整个Agent工作流如行云流水，没有一步多余的操作。这说明M2.7对ReAct框架的适配已相当成熟，它清晰地知道何时该规划、何时该执行、何时该收尾。
好，热身结束。接下来，继续提升难度。
03 让AI自主开发一个贪吃蛇游戏
数字时钟毕竟过于简单，缺乏交互逻辑、状态管理和复杂的边界条件。我需要一个真正能考验Agent自主推理、规划与调试能力的任务——比如，经典的贪吃蛇游戏。
这次需求的复杂度完全不在一个量级：它涉及Canvas绘图、键盘事件监听、蛇身的移动与增长逻辑、食物的随机生成、碰撞检测（包括撞墙和撞自身）、计分系统、游戏结束判定以及重新开始功能。同时，我还要求M2.7用文档（Markdown）记录下自己的开发过程。
开发过程与结果如下：
第1轮：M2.7没有急于写代码，而是先创建了一份详细的项目规划文档（SPEC.md），明确了“要开发什么”以及“需要用到哪些工具和功能”。
第2轮：进入核心实现阶段。M2.7创建了一个完整的HTML文件，包含了所有要求的功能：Canvas渲染、键盘方向键控制、随机食物生成、吃食物增长与计分、碰撞检测以及开始/重新开始按钮。
第3轮：M2.7调用工具，检查文件是否已被正确创建在虚拟文件系统中。
第4轮：M2.7读取刚创建的HTML文件，检查其语法正确性和功能完整性。
第5轮：M2.7进行最终验证，确认所有需求（包括7项核心功能和8项额外特效）均已实现，并准备结束任务。
整个贪吃蛇游戏的开发任务仅用了5轮迭代，共消耗25,882个Token，运行时长约3分33秒。
当然，这个过程也并非一帆风顺。Agent在早期的几轮迭代中，JSON格式的工具调用指令偶尔会出现错误，导致框架解析失败并返回红色错误提示。M2.7在看到错误后能够进行自我纠正，在下一轮输出正确格式。但这种“先犯错再改正”的模式，在需要长时间无人值守自主运行的Agent场景中是一个潜在隐患——如果连续多轮格式错误，可能会耗尽最大轮次限制从而导致整个任务失败。
但总的来说，从数字时钟的“一气呵成”到贪吃蛇游戏的“编写→检查→修正→再验证”，这两个任务放在一起，恰好展现了M2.7作为智能体的两种核心面貌：面对简单任务时的高效利落，以及应对复杂任务时所具备的自主规划与调试能力。 这也正是M2.7官方所强调的Agent Harness能力的体现——它不仅能在一个给定的工具框架内完成任务，还能主动进行迭代和自我纠错。
04 第四场：2159亿美元的投行级财报分析
前面三个测试，一个考“语言交互”，两个考“动手执行”。最后一个测试，我们想换个方向，考察其复杂信息处理与专业内容生成能力。
现在，不少金融从业者也在使用Claude Opus这类大模型，原因很简单：它们能将繁杂的数据转化为直观的图表和专业的分析文本。于是，我把一份虚构的、详尽的英伟达（NVIDIA）FY2026年度财报数据丢给了M2.7。
我给它的任务是：基于这些数据，生成三份专业级的交付物。
第一份是深度研究报告，要求是标准的投行分析风格，内容需包含财务全景、五大业务板块分析、FY2027预测模型、风险评估和估值分析。
第二份是交互式财务仪表盘，要求采用蓝绿色调的深色主题，包含多种可视化图表、可交互的参数调节滑块，并整合在五个功能标签页中。
第三份是12页的演示文稿，同样要求投行风格，支持键盘翻页，并包含数据可视化图表。
当然，这里必须诚实地指出：这个测试的“含金量”需要打一个折扣。因为财报数据是我预先搜集、整理好并提供给它的，而非让它自己去互联网上搜索和验证。M2.7在这个任务中，出色地扮演了一名“在获得所有原材料后进行深度加工和高端呈现”的金融分析师。如果我们赋予它网络搜索和数据处理工具，它完全有能力扮演一名“从零开始进行市场调研”的初级研究员。
但即便如此，M2.7对复杂金融数据结构与逻辑的理解能力、对多种专业输出格式（报告、仪表盘、PPT）的驾驭能力，以及生成高质量可视化内容的能力，都给我们留下了深刻印象。 这个测试直接对应了M2.7官方宣传的复杂Office自动化能力——“支持复杂 Excel/Word/PPT 办公任务及多轮编辑”。从实测来看，在金融分析这个专业场景上，M2.7确实能够输出接近入门级专业人士水准的内容。
写在最后
还有一点特别值得分享，MiniMax也在进行更多前沿且有趣的探索。例如，他们在此次官宣中提到了一个名为OpenRoom（openroom.ai）的Agent交互系统。它将AI互动置于一个“万物皆可交互”的Web GUI空间中，对话即驱动，能实时产生视觉反馈与场景变化，Agent可以主动与环境中的元素互动。有意思的是，该原型项目的代码大部分也由AI编写。MiniMax希望随着模型Agentic能力的提升和社区的共同构建，持续探索人与智能体之间全新的交互范式。
这次实测下来，我最大的感受其实并非简单的“它又变强了”，而是你开始能清晰地感觉到，一个先进的模型不再只是一个等待你提问的被动工具，而是可以作为一个能动的“搭档”，被嵌入到一个系统或流程中持续、自主地运转。
我们挑选的评测场景都是普通用户容易理解和上手的：从家庭群聊模拟，到前端代码编写，再到金融数据分析。这些看似不同的任务，背后其实是同一件事：模型开始深度参与到一个完整的、多环节的流程中，而不再只负责其中某个瞬间的、孤立的输出。
当然，这一切还远未到达终点。你依然能观察到它在某些复杂推理、超长流程稳定性方面的边界，也能看到一些细节上的不稳定性，例如工具调用格式的偶然错误、需要多轮修正才能收敛到最优解。这些问题在传统的“单次对话”模式中可能并不明显，但一旦被置于需要长时间自主运行的Agent框架内，就会被放大。
但有一点是直观且确定的：当模型开始能够在一个任务中自主推进、主动发现问题、并尝试自行修正时，整个使用体验就发生了质变。 模型正在迅速远离“你问一句，它答一句”的原始形态，开始真正地和你一起，把一件复杂的事情“做完”。
你的下一个生活助手、工作搭子，何必是人类呢？
发表于 2 小时前
|
查看: 3|
回复: 0
