Chiński startup MiniMax, od kilku lat będący jednym z najciekawszych graczy na globalnym rynku sztucznej inteligencji, właśnie podniósł poprzeczkę. Ich najnowszy model językowy, MiniMax M2.7, nie tylko bije rekordy w testach dla programistów, ale też wykazuje cechy, które firma nazywa „wczesnym echem samorozwoju”. To nie jest kolejna iteracja – to krok w stronę przyszłości, w której AI aktywnie uczestniczy we własnym doskonaleniu.
Premiera modelu, która miała miejsce około 18 marca 2026 roku, to odpowiedź na rosnące potrzeby rynku związane z autonomicznymi agentami AI i zaawansowanymi workflowami programistycznymi. M2.7 został zoptymalizowany pod kątem zadań wymagających głębokiego zrozumienia systemu: dostarczania pełnych projektów, analizy logów, pracy z pakietami biurowymi i, co najciekawsze, prowadzenia eksperymentów badawczych.
Architektura zaprojektowana dla wydajności i zdolności agentowych
Pod maską M2.7 kryje się zaawansowana architektura Mixture-of-Experts (MoE). Model wykorzystuje łącznie 230 miliardów parametrów, z czego w danym momencie aktywnych jest 10 miliardów, wybieranych przez system routingu Top-2 z puli 8 ekspertów. Ta konstrukcja pozwala na utrzymanie wysokiej efektywności kosztowej bez utraty możliwości. Szczegóły techniczne są imponujące: 32 warstwy ukryte, wymiar ukryty 4096 oraz 32-głowicowy mechanizm uwagi.
Kluczową cechą dla deweloperów jest ogromne okno kontekstowe wynoszące do 204 800 tokenów. Dzięki temu model może analizować obszerne fragmenty kodu, długie logi systemowe czy kompleksową dokumentację projektu za jednym razem. Maksymalna długość generowanej odpowiedzi to 131 072 tokeny, co umożliwia tworzenie rozbudowanych skryptów czy dokumentów.
Jeśli chodzi o zapotrzebowanie sprzętowe, inferencja w pełnej precyzji FP16 wymaga około 460 GB pamięci VRAM, ale kwantyzacja do 4 bitów redukuje ten wymóg do 115–130 GB. To sprawia, że uruchomienie modelu na klastrze z czterema akceleratorami H100 jest w pełni realne. Co ważne, choć prędkość generowania na poziomie 48,6 tokena na sekundę jest niższa od mediany konkurencji, kompensuje to niezwykła zdolność do rozwiązywania złożonych problemów.
Nie testy, a realne umiejętności: benchmarki dla praktyków
MiniMax odszedł od abstrakcyjnych testów akademickich na rzecz benchmarków, które odzwierciedlają prawdziwą pracę inżynierów i specjalistów. Wyniki M2.7 są w tej dziedzinie wyjątkowo mocne.
W teście SWE-Pro, który symuluje rzeczywiste zadania inżynierii oprogramowania z uwzględnieniem logów, błędów i bezpieczeństwa, model osiągnął 56,22%. To wynik na poziomie najlepszych globalnych konkurentów, takich jak GPT-5.3-Codex, i zbliżony do możliwości Claude Opus. Prawdziwą siłę M2.7 widać jednak w zadaniach typu end-to-end.
- VIBE-Pro mierzy zdolność do dostarczenia kompletnego projektu – od koncepcji po działający kod. Tutaj wynik 55,6% pokazuje, że model nie tylko pisze fragmenty kodu, ale rozumie całościową strukturę zadania. Z kolei Terminal Bench 2 (57,0%) demonstruje głębokie zrozumienie złożonych systemów i logiki operacyjnej, wykraczając daleko poza proste generowanie skryptów.
Drugim filarem możliwości modelu jest praca z pakietami biurowymi. W benchmarku GDPval-AA, który ocenia zadania w programach Excel, PowerPoint i Word, M2.7 osiągnął wynik ELO 1495, co jest najwyższym rezultatem wśród modeli dostępnych na zasadach open-source. Co to oznacza w praktyce? Model potrafi wykonywać wieloetapowe, precyzyjne edycje dokumentów – na przykład przekształcić raport roczny firmy w profesjonalną prezentację, zachowując przy tym strukturę i układ.
„Wczesne echo samorozwoju”: jak M2.7 uczestniczy we własnym doskonaleniu
To prawdopodobnie najbardziej futurystyczny aspekt całego projektu. MiniMax wykorzystał wcześniejsze wersje modelu do zbudowania specjalnego środowiska badawczego (harness) – zestawu narzędzi do zarządzania potokami danych (pipelines), treningiem i ewaluacją. Następnie M2.7 został użyty do autonomicznego zarządzania tym środowiskiem.
Model potrafi samodzielnie uruchamiać analizę logów, debugować problemy i analizować metryki. Szacuje się, że w ten sposób obsłużył od 30% do 50% własnego workflow związanego z badaniami nad uczeniem ze wzmocnieniem (RL). To nie jest zwykła automatyzacja powtarzalnych zadań. M2.7 optymalizował własną wydajność programistyczną, analizując ścieżki błędów i planując modyfikacje kodu w iteracjach liczących nawet 100 rund.
„Celowo wytrenowaliśmy model, aby był lepszy w planowaniu i doprecyzowywaniu wymagań z użytkownikiem” – wyjaśnił Skyler Miao, szef inżynierii MiniMax. „Kolejnym krokiem jest bardziej złożony symulator użytkownika, aby pchnąć to jeszcze dalej”.
Ta zdolność znajduje potwierdzenie w testach MLE Bench Lite, gdzie M2.7 osiągnął wskaźnik zdobycia „medalu” na poziomie 66,6%, dorównując możliwościom Google Gemini 3.1 i zbliżając się do Claude Opus 4.6.
Praktyczne zastosowania: od vibe coding po hosting i DevOps
Dla społeczności web deweloperów, specjalistów AI i inżynierów DevOps, M2.7 oferuje konkretne narzędzia. Jego ogromny kontekst jest kluczowy dla vibe coding – stylu pracy, w którym programista dynamicznie współpracuje z AI nad dużym, istniejącym już kodem. Model świetnie radzi sobie z analizą całych repozytoriów, refaktoryzacją i implementacją nowych funkcji.
W obszarze hostingu i DevOps model wykazuje się w analizie logów serwerowych, identyfikacji anomalii i proponowaniu poprawek konfiguracyjnych. Jest zoptymalizowany pod kątem niskokosztowej, szybkiej pętli zwrotnej, co jest nieocenione w środowiskach produkcyjnych.
Dodatkowo MiniMax podkreśla doskonałą spójność charakteru i inteligencję emocjonalną M2.7. To otwiera drzwi nie tylko dla aplikacji produktywnościowych, ale też dla innowacji w interaktywnej rozrywce, gdzie spójność postaci i ich reakcji jest kluczowa.
Dostępność, koszty i przyszłość
Model jest dostępny przez API MiniMax w dwóch wariantach: standardowym M2.7 oraz M2.7-highspeed, który oferuje identyczne wyniki przy szybszej generacji. Ceny za pośrednictwem platform takich jak OpenRouter oscylują wokół 0,30 USD za 1 milion tokenów wejściowych i 1,20 USD za 1 milion tokenów wyjściowych.
Warto zauważyć, że M2.7 jest aktualnie modelem zamkniętym (proprietary). To sygnał zmiany strategii części chińskich startupów, które wcześniej stawiały na otwartość, a teraz – podobnie jak OpenAI czy Anthropic – chronią swoje najbardziej zaawansowane osiągnięcia.
Podsumowanie
MiniMax M2.7 to nie po prostu kolejny, lepszy model językowy. To demonstracja kierunku, w jakim zmierza rozwój AI – w stronę systemów, które nie tylko wykonują zlecone zadania, ale aktywnie uczestniczą w optymalizacji własnych procesów i narzędzi. Jego wybitne wyniki w realnych benchmarkach inżynierskich i biurowych czynią go potężnym narzędziem dla profesjonalistów.
Prawdziwa rewolucja może jednak tkwić w „pętli samorozwoju”. Jeśli modele zaczną w znacznym stopniu zarządzać własnym treningiem i ewaluacją, tempo postępu może przyspieszyć w sposób trudny dziś do przewidzenia. MiniMax M2.7 to mocne uderzenie w tej nowej grze, a jego wpływ na to, jak budujemy oprogramowanie i współpracujemy z maszynami, dopiero się ujawni.