總覺得MiniMax才發布M2.5，如今M2.7就上線了。查了一下，真的只隔了一個月（要知道，中間還隔了一個春節）。

MiniMax在官方微信公衆號文章中表示：「MiniMax M2.7是我們第一個模型深度參與迭代自己的模型。」

這幾年，「AI自我進化」幾乎已經從一個略帶科幻感的說法，變成了行業裏默認成立的方向。

谷歌前CEO埃裏克·施密特（Eric Schmidt）更是總結，目前已經形成了一個「硅谷共識」：隨着人工智能推理能力和記憶系統的發展，它將重塑人類的運作方式。最終我們將達到所謂的遞歸式自我改進——屆時，系統將以人類無法理解的速度進行學習。

目前，這件事已經被拆解成更具體的工程路徑：用模型生成數據、用模型做評測，甚至讓模型參與到代碼修改和實驗流程裏。

模型被放進了一個可以不斷試錯、不斷反饋的循環系統裏。在這個系統中，模型既是執行者，也是部分決策者，而人更多退到設定目標和邊界的位置。

M2.7這次強調的Agent Harness，也是把原本需要多人協作完成的一整套研發流程，儘可能壓縮進一個可以持續運行的循環裏，讓模型去承擔其中越來越多的環節。

MiniMax亮出的Benchmark成績也相當亮眼：

這些benchmark對應不同的能力維度：SWE Bench和VIBE-Pro更接近真實的軟件工程任務，而Toolathon和MM-ClawBench則強調模型在複雜流程中的執行能力；相比之下，MLE-Bench等測試則更偏向算法與研究能力。

從結果來看，M2.7在工程執行類任務中已經進入第一梯隊，這一點在幾個關鍵指標上體現得比較明顯。

比如在SWE Bench Pro上，它的表現已經接近甚至超過部分一線模型，這類測試本質上是在真實代碼庫中定位問題並完成修復，更接近「線上排障」的場景；

而在VIBE-Pro這種端到端項目任務中，M2.7同樣處在第一梯隊，這意味着它不只是會補代碼，而是具備從需求到交付完整產出的能力。

另一個比較值得注意的是MM-ClawBench這一類Agent測試。這裏考查的不是單步能力，而是模型在長流程中的穩定執行能力，能不能在多步驟任務中持續調用工具、保持上下文、最終把事情做完。

M2.7在這一項上已經接近頭部模型，說明它在「能不能把活幹完」這件事上，確實已經跨過了一道門檻。

但如果切換到更偏研究和複雜推理的任務，比如MLE-Bench這一類測試，M2.7仍有進步空間。這類任務更接近算法工程或科研場景，要求模型具備更強的抽象能力和系統性建模能力，這一部分目前仍然是頭部模型的優勢區間。

好了，硬核的信息放在一邊，拿到MiniMax M2.7內測API的那一刻，我們第一反應是：「能用它整點什麼活？」

把它丟進一個真實的場景裏，看它能不能滿足我的需求，這最直觀，也最接地氣。

所以我們給M2.7設計了四場「考試」，難度從低到高，場景從荒誕到嚴肅：先讓它同時扮演我爸媽和弟弟在微信群裏聊天，再搭一個Agent Harness框架讓它自主編程（做一個霓虹燈數字時鐘熱熱身，再從零寫一個貪喫蛇遊戲），最後把英偉達的年報甩給它，讓它像分析師一樣輸出研究報告、交互式儀表盤和演示文稿。

玩了一下午，只想說：M2.7，你有點東西。

01

讓AI同時扮演我全家人

我們做的第一個測試，靈感來源於每個中國人手機裏都有的那個東西——家族微信群。

你知道的，就是那種群名叫「相親相愛一家人」的群，裏面永遠有人在轉發養生文章，有人在發語音消息，有人在催你結婚，還有人在打遊戲不回消息。

這個場景之所以適合測試AI，是因為它對「角色一致性」的要求極高。

群裏每個人的說話方式、關注點，甚至打字習慣都完全不同，而且他們之間還會互相接話、擡槓、拌嘴。

我們用M2.7搭了一個高仿微信界面的網頁應用，連手機外殼、狀態欄、綠色氣泡都做了出來，力求還原度拉滿。一開始我想了很多人設，比如前文提到的爺爺奶奶等。

但是最後我敲定了一家四口，他們分別是：

老李（爸爸），55歲國企退休幹部，性格暴躁但刀子嘴豆腐心，釣魚狂熱愛好者，最恨喫蔬菜尤其是西蘭花，說話愛引用名人名言，動不動就「我當年……」

媽媽（王秀英），52歲社區居委會大媽，超級嘮叨但滿滿都是愛，養生達人兼廚藝高手，打字瘋狂用 emoji，喜歡用【】強調重點，三句話之內必催女兒找對象

李小龍（弟弟），24歲，大學畢業兩年了還沒找到正經工作，整天在家打原神和王者榮耀，嘴貧愛懟人，滿嘴「yyds」「絕絕子」，最怕爸爸說教，一被罵就裝可憐或者轉移話題，經常找姐姐借錢但從不還。

頁面如下：

在我並未詳細要求界面具體呈現的情況下，模型返回的設計相當讓人滿意，於是我開始嘗試發送第一句話。

發送失敗？顯示的是調用API失敗。於是我讓M2.7給我檢查一下問題所在。

M2.7很快就發現了BUG，在修復後終於可以對話了，但是……

設定上作為我的父親，他卻不認識我，很顯然，這是一個人物設計上的BUG。於是我又讓M2.7重新編排了一下角色身份，「我」被設定為家中的長女。

隨後，一切正常，這個模擬器終於可以運行了。

雖然沒有一上來就夢幻開局，但是Bug的發現和修復都非常絲滑。

M2.7的角色扮演能力很強。但我想強調的是，多角色群聊的難度遠不止「給每個角色設定不同的語氣」這麼簡單。

通過報錯的那張圖可以看到，對於不同角色，M2.7會分別調用模型，而不是說一次生成所有的對話。

它要求模型同時維持多個角色的人格狀態、理解角色之間的關係（父女、母女、兄妹、夫妻），並且讓這些關係在對話中自然地碰撞出火花。

一家四口，三個AI角色，每個人都有自己的小心思和說話習慣，還要讓他們能和我互動起來。

M2.7做到了，而且做得相當自然。

02

一句話，從零造一個霓虹燈時鐘

第二場開始，我決定上一點強度。

為了測試M2.7的Agent能力，我專門搭了一個Agent Harness測試框架。界面長得像一個深色主題的IDE：左邊是 agent的思考軌跡面板，實時顯示它每一步在想什麼、打算做什麼。

右邊分成三塊——任務配置區、虛擬文件系統（顯示它創建了哪些文件）和實時預覽窗口（直接渲染它寫出來的 HTML）。

這個框架給M2.7提供了五個工具：write_file（創建/寫入文件）、read_file（讀取文件）、list_files（列出目錄）、execute_js（在沙盒裏跑 JavaScript）和 finish（宣佈任務完成）。

除此之外，什麼都沒有。相當於把一個程序員扔進一間空屋子，只給他一台電腦和一個需求。

第一個任務，我讓M2.7做一個霓虹燈風格的數字時鐘。M2.7需要理解需求、規劃方案、寫代碼、自己檢查、最後交付。

點擊「啓動 Agent」之後，M2.7的ReAct循環開始轉了。最後在第5輪的時候，M2.7執行完了命令，實際上第4輪就行了，當時我這裏出現了一些網絡波動，導致M2.7調用工具失敗。

說實話，這個結果本身並不讓我們特別驚訝。

一個數字時鐘對於2026年的大模型來說確實不算什麼。

真正讓人感到驚喜的，是整個開發過程非常流暢。

從理解需求到規劃方案到寫代碼到自檢到交付，整個Agent工作流跑得行雲流水，沒有一步多餘的操作。這說明M2.7對ReAct框架的適配相當成熟，它知道什麼時候該想、什麼時候該動手、什麼時候該收工。

好，熱身結束。接下來，繼續上難度。

03

讓AI自己寫一個貪喫蛇遊戲

時鐘畢竟太簡單了。沒有交互邏輯，沒有狀態管理，沒有邊界條件。

我需要一個真正能考驗Agent自主推理和調試能力的任務，比如貪喫蛇。

這回的需求複雜度完全不在一個量級：Canvas繪製、鍵盤事件監聽、蛇的移動邏輯、食物隨機生成、碰撞檢測（撞牆和撞自己）、計分系統、遊戲結束判定、重新開始功能。

同時我還要求M2.7用Word記錄下來自己的開發過程。

結果如下：

在第1輪裏，M2.7沒有着急寫代碼，它是先創建了一個規劃。「我要開發什麼什麼任務」，「這個任務需要用到什麼工具」等等。

第2輪，進入正題。M2.7會創建一個完整的HTML文件，包含所有功能，包括畫布渲染、鍵盤控制、隨機食物生成、計分、碰撞檢測以及開始 / 重新開始功能。

第3輪，檢查文件有沒有被正確創建。

第4輪，檢查語法，並且檢查遊戲的完整性。

第5輪，檢查所有任務是否已經完成。

整個任務只需要5輪，共消耗25882個token。

不過也要說說不足。

整個過程並不是一帆風順的——Agent 在早期的幾輪迭代中，JSON 格式的工具調用偶爾會出錯，導致框架解析失敗，返回一個紅色的錯誤提示。

M2.7 看到錯誤後能自我糾正，下一輪就輸出了正確格式的 JSON，但這種「先犯錯再改」的模式在需要長時間自主運行的 Agent 場景中是一個隱患——如果連續幾輪都格式錯誤，可能會耗盡最大輪次限制而任務失敗。

但總的來說，從時鐘的「一次過」到貪喫蛇的「寫→查→修→再驗證」，這兩個任務放在一起看，恰好展現了 M2.7 作為 Agent 的兩面：面對簡單任務時的高效利落，和麪對複雜任務時的自主調試能力。

這也正是 M2.7 官方最強調的核心能力——Agent Harness 能力，不僅能在給定的工具框架中完成任務，還能主動迭代和自我糾錯。

04

第四場：2159 億美元的投行級財報分析

前面三個測試，一個考「說」，兩個考「做」。

最後一個測試，我們想換個方向。

現在有很多金融行業的人也在使用Claude Opus這樣的大模型，原因很簡單，它們能把複雜的數據製作成直觀的圖表形式。

我把英偉達FY2026的完整財報數據甩給了M2.7。

然後我給了它一個任務：基於這些數據，生成三個專業交付物。

第一個是深度研究報告，要求投行風格，包含財務全景、五大業務板塊分析、FY2027 預測模型、風險評估和估值分析。

第二個是交互式財務儀表盤，要求是藍綠色風格的深色主題，包含圖表、可調動的滑塊，以及五個功能標籤頁。

第三個是12頁演示文稿，要求投行風格，支持鍵盤翻頁，包含數據可視化圖表。

當然，這裏必須誠實地說一句，這個測試的「含金量」需要打個折扣。因為財報數據是我預先蒐集好餵給它的，而不是讓它自己去搜索和整理的。

M2.7在這個任務中，盡職扮演了一個「拿到所有原材料後進行加工和呈現」的分析師，如果我們讓它自己蒐集數據（這個對現在的模型來說並不難），那它完全可以扮演一個「從零開始做調研」的研究員。

但即便如此，它對複雜金融數據的理解能力、對多種輸出格式的駕馭能力，以及生成專業級可視化內容的能力，都給我們留下了深刻印象。

這個測試直接對應了M2.7官方宣傳的複雜Office自動化能力——「支持複雜 Excel/Word/PPT 辦公任務及多輪編輯」。從實測來看，在金融分析這個場景上，M2.7 確實能輸出接近專業水準的內容。

寫在最後：

還有一點特別想分享，MiniMax也在做更多有趣的嘗試，這一點也令人驚喜。

比如，MiniMax這次官宣的時候就提到，他們構建了一個 Agent 交互系統 OpenRoom（openroom.ai），它將 AI 互動置入一個萬物皆可互動的 Web GUI 空間。有意思的是，原型項目已開源，這裏面的代碼大部分也是 AI 寫的。

在這裏，對話即驅動，實時產生視覺反饋與場景交互，角色可以主動地與環境交互。MiniMax希望能夠隨着模型 Agentic 能力的提升和社區的共建持續進化，探索出更多人與 Agent 之間全新的交互方式。

這次測下來，我最大的感受其實不是「它又變強了」，而是你開始能明顯感覺到，一個模型不再只是等你提問的工具，而是可以被放進一個系統裏持續運轉的搭檔。

我們評測挑選的場景是任何一個普通用戶都可以上手用到的，從群聊模擬，到寫代碼，再到做分析報告，這些任務背後其實是同一件事：模型開始參與到一個完整流程裏，而不是只負責某一個瞬間的輸出。

當然，這一步還遠遠沒有到終點。你依然能看到它在複雜推理、長流程穩定性上的邊界，也能看到一些細節上的不穩定，比如工具調用格式錯誤、需要多輪修正才能收斂。這些問題在「單次對話」裏可能不明顯，但放進Agent這種長時間運行的框架裏會被放大。

但有一點是比較直觀的：當模型開始能在一個任務裏自己往前推進、自己發現問題、再自己修正的時候，整個使用體驗就變了。模型離「你問一句、它答一句」的形態越來越遠，開始和你一起把一件事做完。

你的下一個生活、工作搭子，何必是人類？