在

0.39

出去

1.56

聊天

积极的

MiniMax M2.7

它拥有 204K 个令牌的上下文窗口、接近前沿的编码基准以及低于每百万美元的定价，是迄今为止在生产环境中实现自我进化智能体 AI 的最实际案例。

新会员可获赠免费Tokens

Text to Speech

Javascript

Python

                                        const { OpenAI } = require('openai');

const api = new OpenAI({
  baseURL: 'https://api.ai.cc/v1',
  apiKey: '',
});

const main = async () => {
  const result = await api.chat.completions.create({
    model: 'minimax/m2-7-20260402',
    messages: [
      {
        role: 'system',
        content: 'You are an AI assistant who knows everything.',
      },
      {
        role: 'user',
        content: 'Tell me, why is the sky blue?'
      }
    ],
  });

  const message = result.choices[0].message.content;
  console.log(`Assistant: ${message}`);
};

main();

                                        import os
from openai import OpenAI

client = OpenAI(
    base_url="https://api.ai.cc/v1",
    api_key="",    
)

response = client.chat.completions.create(
    model="minimax/m2-7-20260402",
    messages=[
        {
            "role": "system",
            "content": "You are an AI assistant who knows everything.",
        },
        {
            "role": "user",
            "content": "Tell me, why is the sky blue?"
        },
    ],
)

message = response.choices[0].message.content

print(f"Assistant: {message}")

Docs

300 多个适用于 OpenClaw 和 AI 代理的 AI 模型

节省20%费用并获赠免费Tokens

获取 API 密钥探索模型

MiniMax M2.7

MiniMax M2.7 不仅仅是一款更智能的机型，它还是一款参与了自身研发的机型。

MiniMax M2.7 是什么

MiniMax M2.7 是最新一代旗舰级文本模型，专为实际软件工程和复杂的生产工作负载而设计。其核心架构专注于递归式自我改进和多智能体协作，在软件工程、调试、日志分析、代码生成和长文档创建方面均表现出色。

与以往主要擅长多语言编码和多步骤推理的受控基准测试模型不同，M2.7 专为实际生产环境而设计。它具备强大的因果推理能力，能够理解、诊断和修复实际运行系统中的问题，而不仅仅是沙箱测试中的问题。

基准测试结果

大多数基准测试对比都侧重于模型在精心设计的学术测试中的表现。而M2.7的测试数据有趣之处在于其来源：生产级框架、基于终端的工程挑战以及真实的文档编辑工作流程。

优化重点

软件工程

实时调试、根本原因分析、日志读取、代码安全审查和多文件重构。在SRE领域，已记录到将生产环境事件恢复时间缩短至三分钟以内。

多智能体协调

通过多智能体协作，在动态环境中规划、执行和优化任务。能够协调具有不同角色和通信协议的子智能体。

办公文档生成

能够独立完成 Word、Excel 和 PowerPoint 文件的创建和编辑。在复杂的多轮办公任务中，技能达标率达到 97%。

财务建模

处理结构化的财务工作流程，包括多步骤电子表格逻辑、数据聚合管道和报告生成。

长语境推理

支持 204,800 个令牌的上下文窗口，并具备全自动缓存功能。内置提示缓存，适用于重复性操作或系统提示较多的工作流程。

高速版

对于对延迟敏感的应用，输出质量与基本版本相同，速度约为 100 TPS，比基本版本快约 3 倍。

技术对比

M2.7 并非适用于所有用例的即插即用替代品。但在编码和代理任务方面，它确实处于领先水平。

标准	MiniMax M2.7	Claude作品 4.6	GPT-5
SWE-Pro（编码）	56.2%	约58%（估计值）	约57%（估计值）
输入Tokens价格	0.30美元/月	约15美元/月	约10美元/月
输出Tokens价格	1.20美元/月	约75美元/月	约30美元/月
速度（TPS）	44–100	约30-50	约40-80
公开组	✓ 有货	✗ 否	✗ 否
自我进化	✓ 是的	✗ 否	✗ 否

哪些用户应该使用M2.7？

// 01 DevOps 和 SRE 团队

构建事件响应代理，将监控指标与代码库关联起来。

// 02 机器学习研究基础设施

运行实验流程的团队需要一个能够监控、调试和优化自身框架的人工智能。

// 03 文档自动化

产生大量财务报告、法律文件和数据摘要的组织。

// 04 前沿创业公司

初创公司以尖端性能取代 Claude Opus 或 GPT-5 的高昂 API 成本。

// 05 并行系统

需要快速并行推理以进行大规模数据处理或模拟的工作负载。

// 06 框架开发者

适用于 Claude Code 或 Kilo Code 等工具框架的后端。工具调用准确率达 75.8%。

真实世界场景

多智能体游戏开发

M2.7的任务是构建一个六人参与的“我是谁？”派对游戏。在没有任何人工干预的情况下，该模型编写了服务器端游戏逻辑和客户端网页，并在一次智能体会话中成功地从头到尾运行了整个游戏。

PostgreSQL 生产环境事故

M2.7 正确识别了性能下降的根本原因，并提出了一种修复方案。 PostgreSQL 的 CONCURRENTLY 语法无需明确告知即可理解非阻塞要求。

自主Kaggle竞赛

M2.7参与了三项24小时试验，独立构建了训练流程并迭代决策，最终取得了成功。 9枚金牌 排名略低于 Opus 4.6 和 GPT-5.4。

最终评估

它的优势所在

+代理和工具调用工作流程

+前沿领域的成本效益

+办公文档自动化

+长上下文提示缓存

已知局限性

−专业领域精度略有下降

−值得注意的是，冗长的标记生成

−不支持多模态/图像

−规模较小的第三方生态系统

API 操练场（Playground）

集成前，请先在沙盒环境中测试所有 API 模型。我们提供 300 多个模型供您集成到应用中。

免费试用

300 多个 AI 模型
OpenClaw 和人工智能代理

节省20%的费用

新会员可获赠免费Tokens

300 多个适用于 OpenClaw 和 AI 代理的 AI 模型

MiniMax M2.7

MiniMax M2.7 是什么

基准测试结果

优化重点

软件工程

多智能体协调

办公文档生成

财务建模

长语境推理

高速版

技术对比

哪些用户应该使用M2.7？

真实世界场景

多智能体游戏开发

PostgreSQL 生产环境事故

自主Kaggle竞赛

最终评估

它的优势所在

已知局限性

API 操练场（Playground）

300 多个 AI 模型 OpenClaw 和人工智能代理

300 多个 AI 模型
OpenClaw 和人工智能代理