Новая проприетарная ИИ-модель MiniMax M2.7 является «саморазвивающейся» и способна выполнять 30–50% рабочего процесса исследований в области обучения с подкреплением

За последние несколько лет китайский ИИ-стартап MiniMax стал одним из самых заметных игроков на перенасыщенном мировом рынке искусственного интеллекта, заслужив репутацию разработчика передовых больших языковых моделей (LLM) с открытым исходным кодом, а ранее — высококачественных моделей генерации видео (например, Hailuo).

Выход MiniMax M2.7 сегодня — новой проприетарной LLM, созданной для эффективной работы в качестве основы для ИИ-агентов, а также бэкенда для сторонних инструментов вроде Claude Code, Kilo Code и OpenClaw — знаменует собой новый рубеж: вместо того чтобы полагаться исключительно на дообучение под руководством человека, MiniMax задействовал M2.7 для создания, мониторинга и оптимизации собственных механизмов обучения с подкреплением.

Этот шаг в сторону рекурсивного самосовершенствования указывает на сдвиг в индустрии: наступает будущее, в котором используемые нами модели выступают не только продуктом человеческих исследований, но и соавторами собственного прогресса. Модель относится к классу чисто текстовых моделей с рассуждениями (reasoning-only), обеспечивающих уровень интеллекта, сопоставимый с другими ведущими системами, при значительно более высокой экономической эффективности.

Тем временем тот факт, что M2.7 пока остается проприетарной, в очередной подтверждает тенденцию: китайские ИИ-стартапы, которые на протяжении большей части прошлого года были флагманами в сфере глобального открытого ИИ и привлекали глобальные компании низкими (или нулевыми) затратами и возможностями кастомизации, меняют стратегию в пользу проприетарных передовых моделей, как это годами делали американские лидеры вроде OpenAI, Google и Anthropic.

MiniMax становится вторым китайским стартапом, выпустившим проприетарную передовую LLM за последние месяцы — ранее z.ai представила GLM-5 Turbo, а в СМИ циркулируют слухи о том, что команда Qwen компании Alibaba также переходит к проприетарной разработке после ухода руководства и ключевых исследователей.

Техническое достижение: цикл самоэволюции

Главная отличительная черта MiniMax M2.7 заключается в ее роли в собственном создании. Согласно документации компании, более ранние версии модели использовались для создания исследовательской среды агента, способной управлять конвейерами данных, тренировочными средами и инфраструктурой оценки.

Автоматически запуская чтение логов, отладку и анализ метрик, M2.7 взяла на себя от 30 до 50 процентов собственного рабочего процесса разработки.

Речь идет не просто об автоматизации рутинных задач: модель оптимизировала свою способность к программированию, анализируя траектории сбоев и планируя модификации кода в ходе итеративных циклов из 100 и более раундов.

«Мы намеренно обучали модель лучше справляться с планированием и уточнением требований вместе с пользователем, — пояснил в соцсети X глава инженерного отдела MiniMax Скайлер Мяо (Skyler Miao). — Следующий шаг — создание более сложного пользовательского симулятора, чтобы продвинуться еще дальше».

Эта способность распространяется и на сложные среды благодаря MLE Bench Lite — серии соревнований по машинному обучению, предназначенных для проверки навыков автономных исследований.

В этих испытаниях M2.7 завоевала медали в 66,6% случаев, что соответствует уровню производительности новой модели Gemini 3.1 от Google и приближается к текущим бенчмаркам передового уровня, заданным Claude Opus 4.6 от Anthropic.

По заявлению MiniMax, конечная цель заключается в переходе к полной автономности в обучении моделей и архитектуре инференса без участия человека.

Эволюция производительности: MiniMax M2.7 против M2.5

По сравнению со своей предшественницей, моделью M2.5, выпущенной в феврале 2026 года, M2.7 демонстрирует значительный прирост в сложной разработке программного обеспечения и профессиональных офисных задачах.

Если M2.5 хвалили за владение множеством языков программирования, то M2.7 создана для реальной инженерной практики — задач, требующих причинно-следственного анализа в работающих производственных системах.

Ключевые показатели производительности:

• Разработка ПО: M2.7 набрала 56,22% в бенчмарке SWE-Pro, сравнявшись с высшими результатами глобальных конкурентов, таких как GPT-5.3-Codex.

• Офисная работа: в обработке документов M2.7 достигла рейтинга Эло 1495 в GDPval-AA, что, по заявлению компании, является самым высоким показателем среди моделей с открытым доступом.

• Снижение галлюцинаций: модель получила плюс один балл по индексу AA-Omniscience, совершив огромный скачок по сравнению с отрицательным результатом (-40), который был у M2.5.

• Частота галлюцинаций: у M2.7 этот показатель составляет 34%, что ниже, чем у Claude Sonnet 4.6 (46%) и Gemini 3.1 Pro Preview (50%).

• Понимание систем: в Terminal Bench 2 модель набрала 57,0%, продемонстрировав глубокое понимание сложной операционной логики, а не просто генерацию кода.

• Соблюдение навыков: в ходе оценки MM Claw, которая проверяет 40 сложных навыков объемом более 2000 токенов каждый, M2.7 продемонстрировала показатель соблюдения инструкций на уровне 97%, что существенно превосходит базовую версию M2.5.

• Паритет интеллекта: возможности рассуждения модели оцениваются как эквивалентные GLM-5, однако при этом она использует на 20% меньше токенов вывода для достижения аналогичных результатов.

Эволюция модели также подтверждается оценкой 50 баллов в Индексе интеллекта Artificial Analysis, что на 8 пунктов выше, чем у предшественницы, всего за один месяц. Кроме того, модель заняла 8-е место в мире по общему уровню интеллекта в различных тестовых дисциплинах.

Впрочем, не все независимые сторонние бенчмарки демонстрируют превосходство M2.7 над M2.5: в BridgeBench — наборе задач, разработанном стартапом в сфере агентского ИИ-кодинга BridgeMind для проверки способности модели к «вайб-кодингу» (превращению естественного языка в рабочий код), M2.5 заняла 12-е место, в то время как M2.7 оказалась лишь на 19-м.

Доступ, цены и интеграция

MiniMax M2.7 — это проприетарная модель, доступная через API MiniMax и платформы создания агентов MiniMax. Хотя веса базовой модели M2.7 остаются закрытыми, компания продолжает вносить вклад в экосистему через интерактивный проект с открытым исходным кодом OpenRoom.

При прямой интеграции через API и через стороннего провайдера OpenRouter MiniMax M2.7 сохраняет лидирующую ценовую политику: 0,30 доллара за 1 миллион входных токенов и 1,20 доллара за 1 миллион выходных токенов, что соответствует расценкам на M2.5. Это делает M2.7 одной из самых доступных передовых ИИ-моделей в мире — дешевле стоит только Grok 4.1 Fast от xAI.

Для поддержки различных масштабов использования и модальностей MiniMax предлагает структурированный токен-план (Token Plan) с несколькими уровнями подписки. Эти тарифы позволяют пользователям получать доступ к моделям для работы с текстом, речью, видео, изображениями и музыкой в рамках единой квоты.

Чтобы стимулировать распространение, MiniMax также запустила реферальную программу «Пригласи и заработай», предлагающую 10-процентную скидку новым пользователям и 10-процентный кэшбэк-ваучер тому, кто пригласил.

Цены на стандартные месячные токен-планы: стандартные месячные тарифы рассчитаны как на начинающих разработчиков, так и на активных пользователей.

• Starter: 10 долларов в месяц за 1500 запросов каждые 5 часов.

• Plus: 20 долларов в месяц за 4500 запросов каждые 5 часов.

• Max: 50 долларов в месяц за 15 000 запросов каждые 5 часов.

Цены на высокоскоростные месячные токен-планы: для рабочих нагрузок производственного масштаба, требующих варианта M2.7-highspeed, доступны следующие уровни:

• Plus-Highspeed: 40 долларов в месяц за 4500 запросов каждые 5 часов.

• Max-Highspeed: 80 долларов в месяц за 15 000 запросов каждые 5 часов.

• Ultra-High-Speed: 150 долларов в месяц за 30 000 запросов каждые 5 часов.

Цены на годовые токен-планы: годовые подписки предоставляют значительные скидки при долгосрочном сотрудничестве:

• Standard Starter: 100 долларов в год (экономия 20 долларов).

• Standard Plus: 200 долларов в год (экономия 40 долларов).

• Standard Max: 500 долларов в год (экономия 100 долларов).

• High-Speed Plus: 400 долларов в год (экономия 80 долларов).

• High-Speed Max: 800 долларов в год (экономия 160 долларов).

• High-Speed Ultra: 1500 долларов в год (экономия 300 долларов).

Один запрос в этих планах примерно эквивалентен одному вызову MiniMax M2.7, хотя другие модели из пакета (например, для работы с видео или высококачественной речью) расходуют запросы быстрее.

Официальные интеграции инструментов

Чтобы обеспечить бесшовное внедрение, MiniMax подготовила официальную документацию по интеграции M2.7 в более чем 11 основных инструментов разработчика и агентских сред.

В этот список входят такие популярные платформы, как Claude Code, Cursor, Trae и Zed. Среди других официально поддерживаемых инструментов — OpenCode, Kilo Code, Cline, Roo Code, Droid, Grok CLI и Codex CLI.

Кроме того, модель поддерживает протокол Model Context Protocol (MCP), позволяя ей нативно использовать такие инструменты, как веб-поиск и распознавание изображений, для мультимодальных рассуждений. Разработчики, использующие SDK Anthropic, могут легко интегрировать M2.7, изменив параметр ANTHROPIC_BASE_URL так, чтобы он указывал на эндпоинт MiniMax.

При использовании MiniMax в качестве провайдера в таких инструментах, как OpenClaw, возможности понимания изображений настраиваются автоматически через эндпоинт VLM API модели, не требуя от пользователя дополнительных настроек.

Обладая обширным арсеналом интеграций и новаторским подходом к рекурсивному самосовершенствованию, MiniMax M2.7 представляет собой значительный шаг к будущему, в котором ИИ-модели вовлечены в собственный прогресс так же глубоко, как и руководящие ими люди.

Стратегические последствия для лиц, принимающих решения в бизнесе

Технические руководители должны рассматривать релиз M2.7 как свидетельство того, что агентский ИИ перешел от стадии теоретического прототипирования к практическому применению в продакшене.

Способность модели сокращать время восстановления после сбоев в реальном продакшене до менее чем трех минут путем автоматического сопоставления мониторинговых метрик с репозиториями кода указывает на смену парадигмы для команд SRE и DevOps.

Компании, которые в настоящее время испытывают давление необходимости внедрения ИИ-эффективности, должны решить, довольны ли они ИИ как сложным помощником или готовы интегрировать нативные команды агентов, способные выполнять проекты от начала и до конца.

С финансовой точки зрения M2.7 представляет собой серьезный прорыв в экономической эффективности задач сложного рассуждения. Анализ показывает, что запуск M2.7 стоит менее трети от стоимости GLM-5 при эквивалентном уровне интеллекта.

Например, прогон стандартного индекса интеллекта стоил 176 долларов на M2.7 по сравнению с 547 долларами для GLM-5 и 371 долларом для Kimi K2.5. Такая агрессивная ценовая стратегия выводит M2.7 на границу Парето на графике соотношения интеллекта и стоимости, предлагая рассуждения корпоративного уровня за малую долю от рыночной цены.

Текущий рынок насыщен высокопроизводительными моделями, многие из которых все еще имеют небольшое преимущество в общих показателях рассуждений. Однако специализированная оптимизация M2.7 под офисные пакеты Excel, PPT и Word, а также высокие результаты в бенчмарке GDPval-AA делают ее главным кандидатом для организаций, ориентированных на профессиональные документообороты и финансовое моделирование.

Лицам, принимающим решения, необходимо сопоставить преимущества универсальной передовой модели со специализированным движком вроде M2.7, созданным для взаимодействия со сложными внутренними каркасами и наборами инструментов.

В конечном счете тот факт, что модель разработана китайской компанией (со штаб-квартирой в Шанхае) и подчиняется законам этой страны в дополнение к законам страны пользователя, а также пока недоступна для автономного или локального использования, может усложнить ее продажу предприятиям, работающим в США и на Западе — особенно в жестко регулируемых или связанных с правительством отраслях.

Тем не менее тенденция к переходу на самоэволюционирующие модели говорит о том, что окупаемость инвестиций в ИИ будет все сильнее привязываться к рекурсивному приросту самой системы.

Организации, внедряющие модели, способные самостоятельно совершенствовать свои среды, могут оказаться на более крутой кривой итераций, чем те, кто полагается исключительно на статичную ручную доработку. Благодаря агрессивной интеграции MiniMax в современный стек разработчика барьер для тестирования таких автономных рабочих процессов значительно снизился, что усиливает давление на конкурентов, требуя от них предоставления аналогичных нативных агентских возможностей.