🧠 图解记忆： 自进化 Agent 应从成功轨迹提炼技能，但必须经过验证、版本化和可回滚治理。
💡 答案要点
MiniMax M2.7 核心信息：
| 属性 | 详情 |
|---|---|
| 参数量 | 229B MoE（Mixture-of-Experts） |
| 基准性能 | SWE-Pro 56.22%（≈ GPT-5.3-Codex） |
| SWE-Pro排名 | 开源最强，匹配 GPT-5.3-Codex |
| MLEBench | 22个ML竞赛，24h最佳成绩：9金5银1铜（66.6%中奖率） |
| GDPval-AA | ELO 1495，开源最高 |
| 开源地址 | HuggingFace: MiniMaxAI/MiniMax-M2.7 |
| 部署支持 | SGLang、vLLM、Transformers、NVIDIA NIM |
Self-Evolving Agent Model 含义：
M2.7 参与了自身开发迭代的全流程：
- 内部版本自主优化编程 scaffold（脚手架代码）
- 跑了 100+ 轮 self-play：分析失败轨迹 → 修改代码 → 跑评估 → 决定是否保留
- 自动发现的优化：最优采样参数（temperature/frequency penalty）、自动查重bug模式、循环检测
- 结果：内部评测集性能提升 30%
Agent Teams（多Agent协作）：
M2.7 原生支持多实例协作，每个实例维持独立角色身份：
- 目标场景：企业级 AI Agent 自动化（需要稳定角色边界 + 对抗性推理）
- 类比：Claude Code Agent Teams 的 MiniMax 开源版本
OpenRoom 演示项目：
MiniMax 开源的交互式 Web GUI demo，展示 Agent 在浏览器中的实时交互能力，绝大部分由 AI 构建。
M2.7 vs M2.5 关系：
| 维度 | M2.5 | M2.7 |
|---|---|---|
| 参数量 | 较小 MoE | 229B 大 MoE |
| 编程能力 | SWE-bench 80.2% | SWE-Pro 56.22% |
| 特色 | 开源最强编程 | Self-Evolving + Agent Teams |
| 架构 | MoE | 更大 MoE + 自进化 |
注：不同 benchmark（SWE-bench vs SWE-Pro）不能直接对比分数
面试话术：
"MiniMax M2.7 是 2026 年开源模型的重大里程碑——它不只是性能强，关键是'自进化'能力。M2.7 自主跑了 100+ 轮迭代优化，自己发现最优采样参数、循环检测等优化规则，30% 的内部评测提升完全来自 AI 自我优化。这代表了一种新的模型开发范式：模型成为研发流程的一部分，而不是被动接受训练。在 Agent 能力上，M2.7 原生支持 Agent Teams，提供了 Claude Code Agent Teams 的开源替代方案。"
延伸阅读：
- HuggingFace：https://huggingface.co/MiniMaxAI/MiniMax-M2.7
- MLEBench Lite：https://github.com/MiniMax-AI/MiniMax-M2.7