一、问题：Agent 任务又长又贵，稠密大模型扛不住#

大模型的主战场正在从单轮对话转向长程 Agent：写代码、跑测试、浏览网页、操作工具，一个任务动辄几十上百轮推理加调用，上下文拉到十万 token 级。这种负载下，推理成本直接决定生意做不做得成——每个 token 都要过一遍全部参数的稠密模型，部署成本根本压不下来。

M2 的解法是激进的稀疏化：229.9B 总参数，每个 token 只激活 9.8B。容量按旗舰的标准给，算力按小模型的标准收。

二、架构：256 个专家挑 8 个，注意力反而回归”保守”#

• MoE：62 层 decoder-only，256 个细粒度专家，Top-8 路由。路由用 sigmoid gating 加可学习的专家偏置，每个专家独立打分，去掉 softmax 的零和约束，负载均衡损失几乎可以不要。细粒度切分的好处是路由组合更多、设备间利用率方差更小。
• Attention：全部层用标准多头注意力 + GQA（48 个 query 头、8 个 KV 头），放弃了上一代 MiniMax-Text-01 的 Lightning Attention 混合方案。论文说得很直白：试了各种混合滑动窗口注意力，预训练还能糊弄过去，一到 32K 以上的长上下文 Agent 任务就原形毕露（RULER 128K CWE 从 90.0 掉到 72.0），“省的那点算力不值得拿长上下文能力换”。
• MTP：带 Multi-Token Prediction 模块，预训练 1 个，衰减期用权重复制扩到 3 个，推理时当 speculative decoding 的草稿模型，白赚吞吐。
• 上下文：原生 192K（对外宣传口径 200K 级），预训练 29.2T token，长上下文从 8K 逐级扩到 192K。

三、Interleaved Thinking：工具调用之间不许断片#

Agent 场景还有个隐藏痛点：多数模型的思考链是一次性的，工具调完回来，前面的推理要么丢了、要么得重推。M2 把 Interleaved Thinking 立为一等公民：推理和工具调用交替进行，每一轮的完整思考块都追加回上下文，模型带着全部推理记忆进入下一轮，形成 Plan-Act-Reflect 循环。消融显示，去掉”推理状态持久化”后，深搜、软件工程这类多步任务掉分最狠——这条设计后来成了整个 M2 系列的地基。

四、成绩与价格炸弹#

Artificial Analysis 智能指数（v3.0）据报道综合 61 分，全球第五、开源第一，是中国开源模型首次挤进该榜全球前五。SWE-bench Verified 官方口径 69.4%（第三方榜单用自家 scaffold 复测约 50%，口径差异所致），BrowseComp 44.0，Toolathlon 16.7——Agent 各项当时还不算顶尖，但价格是真的炸裂：$0.30/$1.20 每百万 token，约为 Claude Sonnet 4.5 的 8%，速度还快约一倍。MIT 协议、可本地部署，OpenRouter 上架两天进前十。M2 的任务很明确：不求全面碾压，只求把”够用且便宜”做到极致，先把调用量抢过来。

一、短板：多语言编程和 App 开发是开源模型的偏科项#

M2 发布后暴露的问题很具体：仓库级代码修复集中在 Python 生态，一到 Rust、Java、Go、C++ 这些编译型语言就露怯；让模型从零搭一个能跑的应用（前端、移动端、后端），完成度也不如闭源旗舰。M2.1 专修这两门课。

二、Multi-SWE-bench 49.4%：第一次正面压过 Sonnet 4.5#

Multi-SWE-bench 考的是多仓库、多语言的真实 issue 修复，是当时最贴近”跨语言打工”的基准。M2.1 拿下 49.4%，把 Claude Sonnet 4.5（44.3%）甩在身后，与 Opus 4.5（50.0%）只差半个身位——这是开源模型第一次在这条赛道上压过同代旗舰。SWE-bench Verified 从 69.4 升到 74.0，SWE-bench Multilingual 从 56.5 升到 72.5。官方同步把 Rust、Java、Go、C++、Kotlin、Objective-C、TypeScript、JavaScript 的能力系统性拉了一遍，原生 Android/iOS 开发也补齐了（演示里有 Kotlin 重力感应模拟器、iOS 桌面小组件）。

三、VIBE：自己出题，自己打榜#

为了衡量”从零到一构建完整可运行应用”的能力，MiniMax 自研并开源了基准 VIBE（Visual & Interactive Benchmark for Execution in Application Development），覆盖 Web、仿真、Android、iOS、Backend 五大子集，评测用 Agent-as-a-Verifier 范式：不看代码截图，而是让验证 Agent 把应用真实部署起来、多轮交互打分。M2.1 综合 88.6 分（Web 91.5 / Android 89.7 / iOS 88.0 / 仿真 87.1 / 后端 86.7），Sonnet 4.5 是 85.2，Opus 4.5 是 90.7。另外这一代的思维链明显变短，响应更快、token 更省——为 M2.5 的速度叙事做了铺垫。

一、问题：给 Agent 做 RL，是个”不可能三角”#

M2.5 是系列的技术分水岭，核心不是数据，而是 RL。给长程 Agent 做强化学习有三件事互相打架：吞吐（rollout 耗时从几秒到几小时都有）、训练稳定性（梯度方差要压住）、Agent 灵活性（什么脚手架都得能训）。论文称之为”不可能三角”，M2.5 的答案是自研 RL 框架 Forge。

二、算法：CISPO 加一套”复合奖励”#

算法用从 M1 继承的 CISPO（Clipped Importance Sampling Policy Optimization）：重要性比率非对称裁剪加 stop-gradient，保证 MoE 上做大规模 RL 不发散。奖励设计是亮点：光看任务成败不够，192K token 的轨迹里信用分配根本做不细，于是叠了三层——Process Reward（过程奖励，惩罚语言混杂、工具格式错误，奖励结构良好的中间推理）、真实任务耗时奖励（同等正确的轨迹，墙钟时间短的得分高，逼模型学会并行调用工具）、reward-to-go 加轨迹级基线降方差。训练用混合域策略：推理、代码、Agent、通用四个域每步都混着训，按阶段调配比、调上下文长度、调难度，防偏科也防遗忘。

三、Forge：白盒黑盒通吃，前缀树合并省 40 倍#

Forge 把训练、推理、Agent 三方解耦，中间用 Gateway 和数据池连接。它同时支持两类 Agent：白盒（上下文管理逻辑对训练框架透明，可精确重建状态分布）和黑盒（API-only，框架只看外部可见的请求流）——这意味着 Claude Code 这类第三方脚手架不改一行代码就能进训练循环。调度用 Windowed FIFO：滑窗内谁先完成谁先训（不堵队），滑窗外严格保序（分布不漂）。最狠的是 prefix tree merging：同一 rollout 组里大量样本共享前缀，合并成树后共享前缀只算一次前向，数学上零近似误差，训练加速最高 40 倍。

数据侧同样狠。RL 要跑得稳，前提是奖励可信，M2.5 的 SWE 数据管线直接从 GitHub PR 挖矿：给每个 PR 合成可运行的 Docker 环境，用 F2P/P2P 测试用例当可验证奖励，再做 bug 注入、commit 合并增广，甚至把修 bug 反转成”写测试用例”任务；终端任务则由 Terminal-Gym 把 Stack Overflow 帖子自动合成带验证脚本的 Docker 环境。一句话：每条训练轨迹都必须落在可执行环境里、带可信奖励信号。

四、成绩：霸榜与内部 dogfooding#

数字上，SWE-bench Verified 80.2%（追平 Claude Opus 系列）、BrowseComp 76.3%（当时开源 SOTA）、Multi-SWE-bench 51.3%、Terminal-Bench 2.0 51.7%。速度叙事同样凶狠：100 TPS 快速版，连续跑一小时成本 1 美元；50 TPS 版本一小时 0.3 美元。Simon Willison 的独立评测里它排第三、开源第一。OpenRouter 上线 12 小时登顶热度榜，一周内调用量登顶，周调用量 3.07T token，超过 Kimi K2.5、GLM-5、DeepSeek V3.2 三家总和，据报道此后连续五周稳居全球第一。最扎心的宣传来自内部：MiniMax 内部 30% 的任务由 M2.5 自主完成（覆盖研发、产品、销售、HR、财务），80% 的新提交代码由它生成。据报道训练覆盖 20 万+ 真实业务场景——模型先在自己公司”上岗”，再卖给全世界。

一、Self-Evolution：不是噱头，是真的进生产流水线了#

M2.7 的卖点是 self-evolution。MiniMax 搭了一套 Model Iteration System：研究员定目标、审结果，模型干活。M2.7 先给自己写了一个 Agent Harness（工作区脚手架，含分层技能、持久记忆、安全护栏、评测设施）——零人类代码，全部出自内部 M2.7 之手。然后在 RL 团队里实际”上班”：监控训练运行、读日志、诊断指标异常、自动改代码调配置，承担内部 RL 流程 30% 到 50% 的日常迭代工作（包括文献调研、实验配置、训练监控）。最激进的实验是让 M2.7 优化自家编程脚手架：自主执行”分析→规划→修改→评测”循环 100+ 轮，自己发现了 loop detection 这类机制、找到了更优参数组合，内部评测集上带来 30% 提升。

二、成绩：开源权重里的新天花板#

技术报告里 M2.7 对标的是 Claude Opus 4.6、Sonnet 4.6、GPT 5.4、Gemini 3.1 Pro：SWE-bench Pro 56.2（官方对外口径 56.22%，与 GPT-5.3-Codex 相当）、Multi-SWE-bench 52.7（对比模型中最高）、SWE-bench Multilingual 76.5、BrowseComp 77.8、AIME 2026 94.2、GPQA-Diamond 89.8。最能体现”自我进化”含金量的是 MLE Bench Lite：M2.7 当独立 ML 工程师跑 22 场 Kaggle 式竞赛，24 小时自主迭代，最好一轮拿 9 金 5 银 1 铜，奖牌率 66.6%，追平 Gemini 3.1 Pro。GDPval-AA 在 Artificial Analysis 榜单上以 1495 ELO 拿下开源第一。注意短板也在报告里写着：MMLU-Pro 81.8 反而比 M2.5 的 85.2 低，纯知识密度上小激活模型依然吃亏。

三、协议争议：MIT 的时代结束了#

真正让 M2.7 出圈的是开源协议。M2、M2.1、M2.5 三代都是干净的 MIT，M2.7 却换成了自定义许可（社区称 Modified-MIT）：非商用免费，商用需 MiniMax 书面授权，且商业产品要显著标注 “Built with MiniMax M2.7”。官方解释是防止第三方”阉割降级”（过度量化、错误模板）砸了招牌，负责人还特意澄清自托管写代码完全免费。但社区不买账：MIT 本就允许商用，挂着 MIT 的名却行限制之实，Hacker News 上的批评是”这是权重可查看的专有模型，不是开源”；更微妙的是 HuggingFace 仓库里 MIT 标识一度没撤干净。背景不难猜：2026 年 1 月 MiniMax 港交所上市、募资约 6.2 亿美元，开源从获客手段变成了需要回收的商业资产。M2.7 是这条路线转折的第一张账单。

一、架构演进：一副骨架，四代后训练#

四代模型共用同一个底座：229.9B 总参、9.8B 激活、256 专家 Top-8、192K 上下文、MTP 投机解码。真正的演进全在后训练：数据管线从 SWE 扩到 AppDev、终端、深搜、办公、金融，奖励从”测试通过”升级到 Agent-as-a-Verifier 的三层验证。这是”架构一次到位、能力迭代靠数据和 RL”的路线，跟 DeepSeek-V3 那套”基础设施定江山”的思路同源。

二、Forge RL 体系：从算法到流水线#

M2 时代的 RL 还是配角，M2.5 起 Forge 成为主角，M2.7 直接让模型坐上驾驶位。技术栈一脉相承：CISPO 保稳定、复合奖励管信用分配、白盒黑盒通吃管生态、Windowed FIFO 和前缀树合并管效率。报告称这套 Gateway 抽象已在数百种 Agent 脚手架、数千种工具调用格式上验证过。“真实任务耗时作为奖励”这招尤其务实——它训出来的不是做题家，是懂得并行开工、快速交付的”打工人”。

三、开源协议：从 MIT 到收紧#

MIT（M2/M2.1/M2.5）→ 自定义许可（M2.7），中间隔着一次 IPO。三代 MIT 攒下的社区信任，是 M2 系列能以 8% 价格撬动旗舰市场的杠杆；协议收紧换来了商业控制权，代价是”伪开源”的质疑和生态的观望。这笔账怎么算，要看 M3 还开不开源。