MiniMax-M2.7
MiniMax-M2.7 是 MiniMax 于 2026 年 3 月发布的推理大模型，采用 MoE（混合专家）架构，总参数量 2300 亿、激活参数 100 亿，支持 200K tokens 超长上下文。M2.7 最大的技术亮点是首次将模型引入自身训练循环：基于 M2.7 构建的强化学习 Harness 驱动了实验监控、日志排查、代码修复与评测循环，模型可承担相关研发工作流约 30–50% 的工作量。在软件工程方向，M2.7 在 SWE-Pro 评测上得分 56.22%，接近 GPT-5.3-Codex；在 SWE Multilingual 上达到 76.5；在专业办公场景中，GDPval-AA ELO 得分 1500，位列全球第四；工具调用基准 Toolathon 正确率 46.3%。M2.7 目前已通过 MiniMax Agent（agent.minimaxi.com）和 API 平台（platform.minimaxi.com）全量上线，API 输入定价 $0.30/1M tokens，输出 $1.20/1M tokens，不开源。
Data sourced primarily from official releases (GitHub, Hugging Face, papers), then benchmark leaderboards, then third-party evaluators. Learn about our data methodology
Model basics
Open source & experience
Official resources
API details
| Type | Condition | Input | Output |
|---|---|---|---|
| Text | - | $0.300/ 1M | $1.20/ 1M |
| Type | TTL | Write | Read |
|---|---|---|---|
| Text | 5m | $0.375/ 1M | $0.060/ 1M |
Benchmark Results
MiniMax-M2.7 currently shows benchmark results led by IF Bench (5 / 29, score 76), Claw Bench (5 / 29, score 91.70), GPQA Diamond (39 / 179, score 87). This page also consolidates core specs, context limits, and API pricing so you can evaluate the model from benchmark results and deployment constraints together.
Coding and Software Engineer
1 evaluationsAgent Level Benchmark
2 evaluationsClaw-style Agent Evaluation
2 evaluationsCompare with other models
Publisher
Model Overview
MiniMax-M2.7 是 MiniMax 于 2026 年 3 月发布的推理大模型，采用 MoE（混合专家）架构，总参数量 2300 亿、激活参数 100 亿，支持 200K tokens 超长上下文。M2.7 最大的技术亮点是首次将模型引入自身训练循环：基于 M2.7 构建的强化学习 Harness 驱动了实验监控、日志排查、代码修复与评测循环，模型可承担相关研发工作流约 30–50% 的工作量。在软件工程方向，M2.7 在 SWE-Pro 评测上得分 56.22%，接近 GPT-5.3-Codex；在 SWE Multilingual 上达到 76.5；在专业办公场景中，GDPval-AA ELO 得分 1500，位列全球第四；工具调用基准 Toolathon 正确率 46.3%。M2.7 目前已通过 MiniMax Agent（agent.minimaxi.com）和 API 平台（platform.minimaxi.com）全量上线，API 输入定价 $0.30/1M tokens，输出 $1.20/1M tokens，不开源。
DataLearner on WeChat
Follow DataLearner on WeChat for AI model updates and research notes.
