MiniMax M2.7: Kendi Eğitimini Optimize Eden Açık Kaynak AI
MiniMax'ın açık kaynaklı M2.7 modeli, eğitim sürecine bellek yazma ve beceri geliştirme yetkisiyle katılarak %30 verimlilik artışı sağladı; SWE-bench Pro'da GPT-5.3-Codex'i yakaladı.
MiniMax, 12 Nisan'da 230 milyar parametreli Mixture-of-Experts modeli M2.7'yi açık ağırlıklarla yayınladı. Modelin dikkat çeken özelliği, eğitim sürecine pasif bir alıcı olarak değil aktif bir katılımcı olarak dahil edilmesi: M2.7'ye kendi kalıcı belleğini güncelleme, eğitim sırasında kullanılacak Python tabanlı beceriler geliştirme ve ajan iskeletinin değerlendirme mantığı ile döngü tespiti gibi bileşenlerini değiştirme yetkisi verildi. Model bu yetkilerle örnekleme parametrelerini optimize etti, prosedür talimatlarını netleştirdi ve boşa harcanan hesaplama döngülerine yol açan döngüsel akıl yürütme kalıplarını tespit eden mantık ekledi; sonuçta RL deney verimliliğinde %30'luk bir iyileşme kaydedildi.
Mimari olarak M2.7, her token için toplam 230 milyar parametrenin yalnızca yaklaşık 10 milyarını aktive eden bir MoE tasarımı kullanıyor; bu da çok daha küçük bir modelin çıkarım maliyetiyle geniş bir bilgi kapasitesi sunuyor. SGLang, vLLM ve Hugging Face Transformers ile dağıtım için kılavuzlar yayınlandı; minimum önerilen kurulum dört GPU ve 96GB VRAM gerektiriyor, 3 milyon token bağlam için sekiz GPU'ya çıkılması gerekiyor.
Benchmark sonuçları modelin iddialarını destekliyor: SWE-bench Pro'da %56,22 skorla GPT-5.3-Codex ile eşleşiyor, Terminal Bench 2'de ise %57,0 alıyor. Bu skorlar M2.7'yi açık ağırlıklı kodlama ajanları arasında en üst seviyeye taşıyor ve şirketlerin kodu kendi altyapılarında tutarak fine-tune edebilmesine imkan veriyor — kapalı model sağlayıcılarının sunmadığı bir esneklik. Mühendisler için önemi, self-evolving eğitim yaklaşımının somut, ölçülebilir bir verimlilik kazancına dönüştüğünü gösteren ilk üretim modeli olması.