MiniMax M2.7
2002°
Chạy mô hình này
Ưu đãi / Quảng cáo
MiniMax | ngữ cảnh 204,800 token | $0.30/M đầu vào, $1.20/M đầu ra. MiniMax-M2.7 là mô hình ngôn ngữ lớn thế hệ tiếp theo thiết kế cho năng suất tự chủ, thực tế và cải tiến liên tục. Được xây dựng để tham gia tích cực vào quá trình phát triển của chính nó, M2.7 tích hợp khả năng tác nhân tiên tiến qua hợp tác đa tác nhân, cho phép lập kế hoạch, thực thi và tinh chỉnh các nhiệm vụ phức tạp trong môi trường động. Được huấn luyện cho hiệu suất cấp sản xuất, M2.7 xử lý các quy trình làm việc như gỡ lỗi trực tiếp, phân tích nguyên nhân gốc rễ, mô hình tài chính và tạo tài liệu đầy đủ trên Word, Excel và PowerPoint. Đạt kết quả mạnh trên các benchmark bao gồm 56.2% trên SWE-Pro và 57.0% trên Terminal Bench 2, đồng thời đạt 1495 ELO trên GDPval-AA, thiết lập tiêu chuẩn mới cho hệ thống đa tác nhân hoạt động trong quy trình số thực tế.
Hướng dẫn cho mô hình này
LLM cục bộ tốt nhất theo từng trường hợp sử dụng (Tháng 10 năm 2026): mô hình mở phù hợp cho mọi công việc
Mình thực sự cần bao nhiêu VRAM cho AI cục bộ?
Mở weights vs mã nguồn mở vs chỉ API: bạn thực sự được phép làm gì
Tệp GGUF là gì? Giải thích về các mô hình lượng tử hóa (Q4, Q8, fp8, NF4)
Ghi chú của thuyền trưởng
Ghi chú từ 2026-10-13
MiniMax M2.7 là mô hình ngôn ngữ lớn có trọng số mở từ MiniMax, tập trung vào làm việc đa tác nhân tự chủ: kỹ thuật phần mềm, gỡ lỗi trực tiếp, mô hình tài chính và sản xuất tài liệu. Điểm nổi bật là khả năng tự tiến hóa — một phiên bản nội bộ đã cải thiện khung lập trình của chính nó 30% sau hơn 100 vòng mà không cần can thiệp con người. Mô hình phù hợp với các nhóm vận hành quy trình kỹ thuật sản xuất muốn một mô hình có khả năng, tự lưu trữ với giá API vừa phải.
Nổi tiếng với
- Điểm SWE-Pro 56,2%, ngang ngửa các đối thủ đóng mã nguồn hàng đầu
- Hợp tác đa tác nhân với vai trò ổn định qua các chuỗi tác vụ phức tạp
- Tự tiến hóa: tự động viết lại và đánh giá khung làm việc của chính mình
- Chỉnh sửa chính xác các file Word, Excel và PowerPoint như sản phẩm có thể chỉnh sửa
- Cửa sổ ngữ cảnh 204.800 token với trọng số mở có trên Hugging Face
Cẩn thận với
- Đây là mô hình lớn; triển khai tại chỗ đòi hỏi phần cứng mạnh — kiểm tra yêu cầu VRAM trước khi tải xuống
- Trọng số mở đi kèm với file giấy phép; đọc kỹ trước khi dùng thương mại hoặc tạo dẫn xuất
- Tính năng tự tiến hóa và nhóm tác nhân phát huy hiệu quả trong các pipeline phối hợp, không phải chat đơn lẻ
Lời nhắc để thử
Phân loại sự cố sản xuất
Bạn là một SRE. Đây là stack trace và 50 dòng log cuối của dịch vụ Node.js bắt đầu trả lỗi 500 lúc 14:32 UTC. Xác định nguyên nhân gốc rễ, liệt kê ba yếu tố có khả năng nhất theo thứ tự xác suất, và viết dòng sửa lỗi đầu tiên bạn sẽ áp dụng. Dán log của bạn bên dưới.
Mô hình tài chính nhiều bước
Xây dựng mô hình tài chính ba báo cáo cho doanh nghiệp SaaS với 500 khách hàng trả 200 đô la/tháng, tỷ lệ churn 5% hàng tháng, CAC 50 đô la và COGS 30 đô la/tháng mỗi khách. Dự báo 12 tháng báo cáo thu nhập, dòng tiền và số dư tiền mặt cuối kỳ. Hiện công thức và đánh dấu tháng doanh nghiệp có dòng tiền dương.
Phân rã nhiệm vụ tác nhân
Bạn điều phối nhóm tác nhân chuyên gia: tác nhân tìm kiếm web, tác nhân thực thi mã, và tác nhân viết tài liệu. Người dùng muốn phân tích cạnh tranh ba cơ sở dữ liệu vector mã nguồn mở — Qdrant, Weaviate và Milvus — dưới dạng báo cáo có cấu trúc. Viết kế hoạch nhiệm vụ đầy đủ: tác nhân nào xử lý bước nào, theo thứ tự ra sao, và đầu ra của mỗi tác nhân phải có gì trước khi bước tiếp theo bắt đầu.
So sánh với
- MiniMax M1Mô hình chỉ APIngữ cảnh 1,000,000 token · Đầu vào $0.55/M, đầu ra $2.20/M
- MiniMax M3Mô hình mở trọng sốngữ cảnh 1,048,576 token · Đầu vào $0.30/M, đầu ra $1.20/M
- MiniMax M2.5Mô hình mở trọng sốngữ cảnh 204,800 token · Đầu vào $0.27/M, đầu ra $0.95/M
- MiniMax M2.1Mô hình mở trọng sốngữ cảnh 204,800 token · Đầu vào $0.30/M, đầu ra $1.20/M
Thêm mô hình văn bản từ minimax
Câu hỏi thường gặp
- Tôi có thể chạy MiniMax M2.7 tại chỗ không?
- Có, trọng số mở và có trên Hugging Face. MiniMax khuyên dùng SGLang hoặc vLLM để phục vụ; do quy mô mô hình, bạn cần bộ nhớ GPU lớn.
- Chi phí MiniMax M2.7 qua API là bao nhiêu?
- MiniMax định giá 0,30 đô la cho mỗi triệu token đầu vào và 1,20 đô la cho mỗi triệu token đầu ra, với cửa sổ ngữ cảnh 204.800 token.
- M2.7 khác các mô hình tập trung mã hóa khác thế nào?
- Điểm khác biệt là tự tiến hóa và phối hợp đa tác nhân bản địa: nó có thể tự xây dựng và tinh chỉnh khung tác nhân của chính mình một cách tự chủ, vượt ra ngoài tạo mã tiêu chuẩn thành quản lý quy trình kỹ thuật toàn diện.
Phán quyết của thuyền trưởngMột mô hình kỹ thuật nghiêm túc có trọng số mở — câu chuyện tự tiến hóa là thật, không phải marketing, và chiều sâu tác nhân hiếm có với mức giá này.
Thẻ mô hình trên Hugging Face
Thuyền trưởng viết những ghi chú này dựa trên mô tả và thẻ mô hình của mô hình. Giá cả và kích thước ngữ cảnh là của nhà cung cấp tại thời điểm viết và có thể thay đổi.
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.
Điểm số này được tính như thế nào
Mô hình này chưa có dữ liệu phổ biến từ bất kỳ nguồn nào, nên nó mang một số thay thế dưới 7,000° để giữ cho danh sách đầy đủ. Nó không bao giờ xếp trên một mô hình có dữ liệu. Phân tích chi tiết sẽ xuất hiện ở đây ngay khi có nguồn báo cáo.
Thuật ngữ: các từ dùng ở đây
- Điểm nhiệt
- Một số duy nhất cho biết mô hình được dùng và mong muốn thế nào hiện tại, từ 0° đến 9.999°. Mọi danh sách trên trang này nói về độ hot đều sắp xếp theo nó và không theo gì khác.
- Sàn điểm
- 7.000° là điểm bắt đầu cho mọi mô hình có dữ liệu thật. Thang điểm chạy từ 0° đến 9.999°; phần dưới sàn dành cho mô hình thay thế (mô hình không có dữ liệu), để mô hình có dữ liệu luôn xếp trên mô hình không có. Sàn điểm giống nhau cho tất cả và không quyết định gì; điểm trên sàn mới là thước đo.
- Tương đương lượt tải
- Tất cả những gì điểm số coi là lượt tải, cộng lại: lượt tải thật, mỗi người chia sẻ torrent tính 1.000, mỗi ảnh AI Horde và mỗi lượt chạy trên trang tạo ảnh tính một.
- Thang log
- Đếm theo chục, không phải theo đơn vị: từ 1.000 lên 10.000 lượt tải thêm cùng số điểm như từ 10.000 lên 100.000. Giúp tránh việc các mô hình lớn lấn át hết mọi thứ khác.
- Lượt thích
- Giơ ngón tay cái và lượt thích từ mọi nguồn, mỗi lượt bằng một nửa lượt tải trên thang log.
- Tỷ lệ áp dụng
- Bao nhiêu lượt tải mỗi ngày mà mô hình nhận được hiện tại, tính từ chênh lệch giữa hai lần đọc nguồn. Bằng một phần tư trọng số của lượt tải.
- Đã đo và ước tính
- Đã đo nghĩa là có hai lần đọc từ một nguồn và sự khác biệt là thật. Ước tính nghĩa là chỉ biết tổng số hôm nay và quá khứ được phân bổ trong suốt thời gian tồn tại của mô hình; trang web sẽ nói rõ đang hiển thị loại nào.
- Seeder
- Người giữ bản sao trọng số trực tuyến để người khác tải qua torrent, hoặc một bản sao lưu trữ làm điều tương tự. Mỗi người được tính là 1.000 lượt tải.
- AI Horde
- Một mạng lưới tình nguyện tạo ảnh miễn phí trên máy tính được hiến tặng. Số ảnh nó đã tạo với một mô hình được công khai, và mỗi ảnh được tính là một lượt tải.
- Trang tạo ảnh
- Các trang lưu trữ bản sao mô hình riêng và cho phép người dùng tạo ảnh, như PixAI, SeaArt và Yodayo. Lượt tải của họ được tính giống như Civitai và mỗi lần tạo ảnh được tính là một lượt tải.
- Token OpenRouter
- Mô hình văn bản phục vụ qua API, như Claude hoặc GPT, không có trọng số để tải xuống, nên sử dụng token để đo lường: các đoạn văn bản nó đọc và viết qua OpenRouter, một cổng kết nối nhiều ứng dụng sử dụng, trong 30 ngày qua. Mỗi 10,000,000 token tính là một lượt tải. Nguồn: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
- Mô hình đầy đủ (checkpoint)
- Chính là trọng số, file tự tạo ảnh. Nó được cộng thêm điểm vì các add-on phụ thuộc vào nó.
- LoRA và embedding
- Các file add-on nhỏ giúp điều chỉnh trọng số của người khác theo phong cách, nhân vật hoặc ý tưởng. Chúng không thể chạy riêng.
- Gia đình và trọng số
- Nền tảng mà mô hình xây dựng trên đó, như SD 1.5, SDXL, Flux hoặc Wan. Mỗi mô hình kế thừa ngày phát hành của trọng số gia đình nó.
- Tuổi
- Điểm trừ dựa trên thời gian trọng số gia đình được phát hành: 150° mỗi năm, tối đa 750°. Nó giữ lại lượt tải cũ đã tích tụ nhiều năm bằng cách đóng băng đầu danh sách.
- Tăng gia đình
- Một đẩy nhỏ có giới hạn cho LoRA của một gia đình mà trang này đang ưu tiên, luôn được liệt kê trong phần phân tích.
- Điểm thay thế
- Một số ổn định dưới mức tối thiểu dành cho mô hình chưa có báo cáo nguồn, để danh sách luôn đầy đủ. Nó không bao giờ xếp trên mô hình có dữ liệu.
- Mới! (giai đoạn thử nghiệm)
- Mô hình dưới 7 ngày tuổi hiển thị Mới! thay vì điểm số và không được xếp hạng. Điểm số được tính từ ngày đầu tiên, nhưng mô hình mới một ngày tăng trưởng nhanh nhất, nên nếu không chờ đợi thì #1 tuần này sẽ luôn là mô hình mới ra hôm qua thay vì mô hình giữ vững trong tuần.
- Xu hướng
- Tốc độ tăng trưởng của mô hình trong một khoảng thời gian so với tốc độ tăng trưởng trung bình của mô hình khác trong cùng khoảng thời gian. Nhanh hơn trung bình là tăng, chậm hơn là giảm.
- Mô hình điển hình
- Giữa danh mục: một nửa mô hình có số liệu tăng nhanh hơn trong khoảng thời gian, một nửa tăng chậm hơn.
MiniMax M2.7 là một mô hình văn bản thuộc họ Text / LLM được liệt kê trên ModelTrends.ai, danh mục chỉ đọc về các mô hình AI hình ảnh, video và văn bản mã nguồn mở. So sánh nó với các mô hình Text / LLM khác và xem điểm độ hot để biết xu hướng.
Thêm mô hình Text / LLMThêm Văn bản / LLM Text / LLMllmminimaxlý luậnlập trìnhtác nhânngữ cảnh dàicục bộ
Duyệt theo họ mô hình
Mô hình Text / LLM
434
Mô hình Anima
528
Mô hình Chroma
19
Mô hình Fibo
2
Mô hình Flux
1,496
Mô hình Flux 2 / Klein
1,239
Mô hình Flux 3
3
Mô hình Moss
3
Mô hình Iris
1
Mô hình MiniMax H3
364
Mô hình Hunyuan
204
Mô hình Ideogram
20
Mô hình Krea2
717
Mô hình Qwen
20
Mô hình Qwen2
47
Mô hình Ltx2
153