Kan jag köra MiniMax M2.7 lokalt?

Ja, vikterna är öppna och finns tillgängliga på Hugging Face. MiniMax rekommenderar SGLang eller vLLM för servering; med modellens storlek behöver du betydande GPU-minne.

Vad kostar MiniMax M2.7 via API?

MiniMax prissätter den till 0,30 USD per miljon inmatningstoken och 1,20 USD per miljon utmatningstoken, med ett kontextfönster på 204 800 tokens.

Hur skiljer sig M2.7 från andra kodfokuserade modeller?

Dess utmärkande drag är självutveckling och inbyggd multi-agent orkestrering: den kan bygga och förbättra sin egen agentstruktur autonomt, vilket går bortom standard kodgenerering till fullständig hantering av ingenjörsarbetsflöden.

MiniMax M2.7

2002°

#llm #minimax #resonemang #kodning #agenter #lång kontext

Kör modellen

Erbjudanden / annonser

OpenRouter Terminal / API

Betala per token

Chatta med den här modellen i webbläsaren eller anropa den från din kod med en API-nyckel.

MiniMax | 204 800 tokens kontext | $0,30/M indata, $1,20/M utdata. MiniMax-M2.7 är en nästa generations stor språkmodell designad för autonom, verklig produktivitet och kontinuerlig förbättring. Byggd för att aktivt delta i sin egen utveckling integrerar M2.7 avancerade agentiska förmågor genom multi-agent samarbete, vilket gör att den kan planera, utföra och förfina komplexa uppgifter i dynamiska miljöer. Tränad för produktionskvalitet hanterar M2.7 arbetsflöden som live-debugging, rotorsaksanalys, finansiell modellering och fullständig dokumentgenerering i Word, Excel och PowerPoint. Den levererar starka resultat på benchmarks inklusive 56,2 % på SWE-Pro och 57,0 % på Terminal Bench 2, samtidigt som den uppnår 1495 ELO på GDPval-AA, vilket sätter en ny standard för multi-agent system som verkar i verkliga digitala arbetsflöden.

Guider för denna modell

Bästa lokala LLM efter användningsområde (oktober 2026): rätt öppna modell för varje jobb

Hur mycket VRAM behöver jag egentligen för lokal AI?

Öppna vikter vs öppen källkod vs endast API: vad du faktiskt får göra

Vad är en GGUF-fil? Förklaringar av kvantiserade modeller (Q4, Q8, fp8, NF4)

Alla guider

Kaptenens anteckningar

Skrivet av Captain, husets redaktör

Anteckningar från 2026-10-13

MiniMax M2.7 är en öppen-vikts stor språkmodell från MiniMax, byggd kring autonomt, multi-agent arbete: mjukvaruutveckling, live-debugging, finansiell modellering och dokumentproduktion. Dess huvudegenskap är självutveckling — en intern version förbättrade sin egen programmeringsstruktur med 30 % över 100+ rundor utan mänsklig inblandning. Den passar team som kör produktionsingenjörsflöden och vill ha en kapabel, självhostbar modell till ett måttligt API-pris.

Känd för

SWE-Pro-poäng på 56,2 %, i nivå med toppmodeller med sluten kod
Multi-agent samarbete med stabil rollidentitet över komplexa uppgiftspipelines
Självutveckling: skriver om och utvärderar autonomt sin egen struktur
Högkvalitativ redigering av Word, Excel och PowerPoint-filer som redigerbara leveranser
204 800 tokens kontextfönster med öppna vikter tillgängliga på Hugging Face

Se upp för

Detta är en stor modell; lokal driftsättning kräver seriös hårdvara — kontrollera VRAM-krav innan nedladdning
Öppna vikter levereras med licensfil; läs den innan kommersiell eller härledd användning
Självutveckling och agent-teamfunktioner kommer bäst till sin rätt i orkestrerade pipelines, inte i enkla chattinteraktioner

Bäst för

Kodning

Agenter och verktygsanvändning

Resonemang

Lång kontext

Kör lokalt

Promptar att prova

Triagering av produktionsincident

Du är en SRE. Här är en stacktrace och de senaste 50 raderna av applikationsloggar från en Node.js-tjänst som började returnera 500-fel vid 14:32 UTC. Identifiera grundorsaken, lista de tre mest sannolika bidragande faktorerna i sannolikhetsordning och skriv den första åtgärden du skulle vidta. Klistra in dina loggar nedan.

Flerstegs finansiell modell

Bygg en finansiell modell med tre rapporter för ett SaaS-företag med 500 kunder som betalar 200 USD/månad, 5 % månadsavhopp, 50 USD CAC och 30 USD månatliga kostnader per kund. Prognostisera 12 månader av resultaträkning, kassaflöde och slutligt kassabalans. Visa dina formler och markera månaden då företaget blir kassaflödespositivt.

Agentuppgiftsnedbrytning

Du koordinerar ett team av specialagent: en webb-sökningsagent, en kodexekveringsagent och en dokumentförfattaragent. En användare vill ha en konkurrensanalys av tre öppna vektordatabaser — Qdrant, Weaviate och Milvus — levererad som en strukturerad rapport. Skriv hela uppgiftsplanen: vilken agent hanterar vilket steg, i vilken ordning, och vad varje agents output måste innehålla innan nästa steg börjar.

Jämför med

MiniMax M1
Endast API-modell
1,000,000 tokens kontext · $0.55/M indata, $2.20/M utdata
MiniMax M3
Öppen vikt-modell
1,048,576 tokens kontext · $0.30/M indata, $1.20/M utdata
MiniMax M2.5
Öppen vikt-modell
204,800 tokens kontext · $0.27/M indata, $0.95/M utdata
MiniMax M2.1
Öppen vikt-modell
204,800 tokens kontext · $0.30/M indata, $1.20/M utdata

Fler textmodeller från minimax

Vanliga frågor

Kan jag köra MiniMax M2.7 lokalt?: Ja, vikterna är öppna och finns tillgängliga på Hugging Face. MiniMax rekommenderar SGLang eller vLLM för servering; med modellens storlek behöver du betydande GPU-minne.
Vad kostar MiniMax M2.7 via API?: MiniMax prissätter den till 0,30 USD per miljon inmatningstoken och 1,20 USD per miljon utmatningstoken, med ett kontextfönster på 204 800 tokens.
Hur skiljer sig M2.7 från andra kodfokuserade modeller?: Dess utmärkande drag är självutveckling och inbyggd multi-agent orkestrering: den kan bygga och förbättra sin egen agentstruktur autonomt, vilket går bortom standard kodgenerering till fullständig hantering av ingenjörsarbetsflöden.

Kaptens omdöme
En seriös öppen-vikts ingenjörsmodell — självutvecklingshistorien är verklig, inte marknadsföring, och agentdjupet är sällsynt till detta pris.

Model card på Hugging Face

Kapten skriver dessa anteckningar från modellens egen beskrivning och model card. Priser och kontextstorlekar är från leverantören vid skrivtillfället och kan ändras.

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Not this creator?

Get your own badge

Hur denna poäng räknas ihop

Den här modellen har ännu inga popularitetsdata från någon källa, så den har ett tillfälligt nummer under 7,000° som håller listorna kompletta. Den rankas aldrig högre än en modell med data. Uppdelningen visas här så fort en källa rapporterar den.

Ordlista: termerna som används här

Heat-poäng: Ett nummer för hur mycket en modell används och efterfrågas just nu, från 0° till 9 999°. Varje lista på den här sidan som säger hetast sorteras efter den och inget annat.
Golvet: De 7 000° som varje modell med verklig data börjar från. Skalan går från 0° till 9 999°; delen under golvet är reserverad för ersättare (modeller utan data), så att en modell med data alltid rankas över en utan. Golvet är samma för alla och avgör inget; graderna ovanför är själva mätningen.
Nedladdnings-ekvivalenter: Allt som poängen räknar som en nedladdning, summerat: själva nedladdningarna, varje torrent-seeder som 1 000, varje AI Horde-bild och varje körning på en genereringssajt som en.
Logaritmisk skala: Räknar i tiotal, inte i ental: att gå från 1 000 till 10 000 nedladdningar ger lika många grader som att gå från 10 000 till 100 000. Det hindrar jättar från att tränga ut allt annat.
Gillanden: Tummar upp och gillanden från alla källor, värda hälften av en nedladdning på den logaritmiska skalan.
Adoptionshastighet: Hur många nedladdningar per dag en modell får just nu, från skillnaden mellan två mätningar av en källa. En fjärdedels vikt av nedladdningsdelen.
Mätt och uppskattad: Mätt betyder att det finns två mätningar från en källa och skillnaden är verklig. Uppskattad betyder att bara dagens total är känd och det fördelas över modellens livstid; sidan visar vilken det är.
Seeder: Någon som håller en kopia av vikterna online för andra att ladda ner via torrent, eller en hostad spegel som gör samma sak. Varje sådan räknas som 1 000 nedladdningar.
AI Horde: Ett frivilligt nätverk som genererar bilder gratis på donerade datorer. Antalet bilder det har gjort med en modell är offentligt, och varje bild räknas som en nedladdning.
Genereringssajter: Sajter som hostar sina egna kopior av en modell och låter folk generera med den, som PixAI, SeaArt och Yodayo. Deras nedladdningar räknas som Civitaís och varje genereringskörning räknas som en nedladdning.
OpenRouter-token: En textmodell som nås via API, som Claude eller GPT, har inga vikter att ladda ner, så dess användning mäts i token: textbitar den läst och skrivit via OpenRouter, en gateway som många appar använder, under de senaste 30 dagarna. Varje 10,000,000 token räknas som en nedladdning. Källa: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Full modell (checkpoint): Själva vikterna, filen som genererar självständigt. Den får en bonus eftersom tillägg beror på den.
LoRA och embedding: Små tilläggsfiler som styr någon annans vikter mot en stil, en karaktär eller ett koncept. De kan inte köras själva.
Familj och vikter: Basen en modell är byggd på, som SD 1.5, SDXL, Flux eller Wan. Varje modell ärver släppdatumet för sin familjs vikter.
Ålder: Poäng som dras av beroende på hur länge sedan familjens vikter släpptes: 150° per år, upp till 750°. Det behåller gamla nedladdningar som haft år på sig att samlas för att frysa toppen av listan.
Familjeboost: En liten, begränsad skjuts för LoRAs från en familj som den här sajten just nu vill lyfta fram, alltid med i uppdelningen.
Stand-in-poäng: Ett stabilt nummer under golvet som ges till en modell som ännu inte har rapporter från någon källa, så listorna förblir kompletta. Den rankas aldrig högre än en modell med data.
Ny! (karensperiod): En modell som är mindre än 7 dagar gammal visar Ny! istället för poäng och räknas inte i rankningen. Poängen räknas från dag ett, men en modell som är en dag gammal växer snabbare än allt annat, så utan väntan skulle veckans #1 alltid vara det som kom ut igår istället för det som hållit i en vecka.
Trend: Hur en modells tillväxt under en period jämförs med den typiska modellens tillväxt under samma period. Snabbare än vanligt läses som en ökning, långsammare som en nedgång.
Typisk modell: Mitten av katalogen: hälften av modellerna med siffror växte snabbare under perioden, hälften långsammare.

Liknande modeller

GPT 6.1 Sol

TEXT / LLM

Nemotron 3.5 Content Safety

AI-modeller för bild-, video- och textgenerering

MiniMax M2.7 är en textmodell för familjen Text / LLM, listad på ModelTrends.ai, en skrivskyddad katalog över AI-modeller med öppen källkod för bild, video och text. Jämför den med andra Text / LLM-modeller och se dess hettapoäng.

Fler Text / LLM-modeller llm minimax resonemang kodning agenter lång kontext lokal

Bläddra efter modellfamilj