快速摘要：MiniMax 于 2026 年 3 月正式发布旗舰文本模型 M2.7，这是 M2 系列首个深度参与自身进化的模型。它不仅在 SWE-Pro（56.22%）、VIBE-Pro（55.6%）等工程基准测试上逼近业界顶尖水平，更核心的突破在于——M2.7 能够自主搭建 Agent Harness（智能体脚手架），并通过记忆、反馈和自优化的闭环机制持续迭代自身能力。在 MLE Bench Lite 的 22 道高难度机器学习竞赛题中，M2.7 最佳成绩拿下 9 金 5 银 1 铜，平均得牌率达到 66.6%。与此同时，MiniMax 还推出了云端 Agent 产品 MaxClaw 和开源交互空间 OpenRoom，为开发者和普通用户提供了完整的落地路径。往下看，莫潇羽@无忆研习社 会为你做更详细的拆解——从底层原理到实操方法，一次讲透。
一、M2.7 是什么？先搞清楚它的「身世」
在聊 M2.7 的具体能力之前，有必要先理清 MiniMax 这家公司和 M2 系列模型的来龙去脉。
MiniMax（稀宇科技）成立于 2021 年底，总部位于上海，由多位前商汤科技的计算机视觉研究者创办，公司名称源自博弈论中经典的极小化极大算法（Minimax Algorithm），是国内"AI 六小虎"之一。2024 年 3 月，阿里巴巴集团领投了 MiniMax 的一轮 6 亿美元融资，投后估值达到 25 亿美元。2026 年 1 月 9 日，MiniMax 在港交所正式上市，首日股价表现抢眼。公司的产品线非常多元，覆盖文本、语音、视频、图像、音乐五大模态，旗下产品包括 MiniMax Agent、海螺视频（Hailuo AI）、MiniMax Audio、Talkie 等。
M2 系列是 MiniMax 的文本旗舰模型线，也是目前国产大模型中迭代速度最快的系列之一。莫潇羽@无忆研习社 帮大家梳理一下完整的演进时间线：
2025 年 10 月，MiniMax 发布初代 M2 并将完整模型权重开源到 Hugging Face。M2 从第一天起就定位为"为 Agent 和代码而生的模型"，主打极致性价比——官方宣称其成本仅为同级模型的 5% 到 8%，速度却快了一倍。初代 M2 在发布后迅速获得开发者社区的认可，在 Artificial Analysis 的综合评分中排名开源模型全球第一。
2025 年 12 月，M2.1 发布。这个版本的核心改进是多语言编程能力——不再局限于 Python，而是覆盖了 Go、C、C++、TypeScript、Rust、Kotlin、Java、JavaScript、PHP、Lua、Dart、Ruby 等十多种编程语言。M2.1 还引入了一个新的评测基准 VIBE（Visual & Interactive Benchmark for Execution），用于评估模型从零到一构建完整应用的能力，M2.1 在该基准上取得了 88.6 的综合分数。
2026 年 2 月，M2.5 重磅登场。这个版本通过大规模强化学习训练（在数十万个复杂真实世界环境中进行），在多项基准测试上达到了行业最高水平：SWE-Bench Verified 达到 80.2%，Multi-SWE-Bench 达到 51.3%，BrowseComp（带上下文管理）达到 76.3%。更值得注意的是，M2.5 在推理速度上也有突破，完成 SWE-Bench Verified 评测的速度比 M2.1 快了 37%。在 OpenRouter 平台上，M2.5 连续多周霸占 Token 吞吐量排行榜第一。MiniMax 官方透露，M2.5 在公司内部已经承担了 30% 的日常任务，在编码场景中更是达到了 80% 的代码产出占比。
2026 年 3 月中旬，M2.7 正式发布。距离 M2.5 仅仅过去了一个月，迭代节奏之快令人惊叹。但与前几代的"参数迭代"不同，M2.7 的核心卖点并不是在某个基准测试上刷出新高分，而是在「模型的自我进化」这个更具前瞻性的方向上迈出了实质性的一步。
在架构层面，M2 系列一直采用 MoE（Mixture-of-Experts，混合专家）架构，这是理解其性价比优势的关键。MoE 的基本原理是：模型内部包含多个"专家"子网络，总参数规模约 2300 亿（230B），但每次推理时并不会激活全部参数，而是通过一个"门控网络"（Gating Network）动态选择最相关的专家子网络参与计算，实际激活的参数只有约 100 亿（10B）。
打个通俗的比方：这就像一家大型咨询公司有几百名顾问，涵盖财务、法律、技术、市场等各个领域。当你带着一个技术问题去咨询时，前台（门控网络）会把你引导到最合适的几位技术顾问那里，而不是让所有几百号人一起开会讨论你的问题。这种设计使得 M2 系列在保持高智能的同时，推理速度更快、部署成本更低——因为每次计算只需要消耗 10B 参数量级的算力。
此外，MiniMax 还在底层注意力机制上做了创新，采用了一种混合架构：每七层 Lightning Attention（线性注意力）交替穿插一层传统的 SoftMax 注意力。Lightning Attention 是一种线性注意力机制，它消除了标准 Transformer 中计算量随序列长度平方增长的瓶颈，使得 MiniMax 的模型能够支持超长上下文窗口（在 MiniMax-01 系列中甚至达到了 400 万 Token）。
理解了这些技术背景，我们再来看 M2.7 的核心升级就会清晰很多——它不只是在某个能力维度上的增量提升，而是在「模型如何进化」这个根本性问题上，给出了一个可运行、有数据支撑的工程化方案。
二、Agent Harness：M2.7 最核心的概念，一次讲明白
如果你只记住 M2.7 的一个关键词，那一定是 Agent Harness。
2.1 什么是 Agent Harness？
先做一个类比。大模型本身就像一台发动机——它有强大的计算能力，能理解语言、生成文本、编写代码。但发动机单独放在那里是没法开上路的，你需要一整辆车：方向盘、变速箱、仪表盘、导航系统……这些把发动机的能力转化为实际行驶能力的外围系统，就是 Harness。
换一种方式理解：把整个 AI 系统想象成一台电脑。大模型相当于 CPU，提供底层的计算能力。上下文窗口（Context Window）相当于内存，有一定的容量上限。Agent 则是桌面上的各种应用程序，负责完成具体的任务。那么 Agent Harness 就是操作系统——它负责资源调度、工具管理、失败恢复，决定模型能看到什么信息、能调用哪些工具、出了问题该怎么处理。
简单来说，Agent Harness 是一套包裹在大模型外面的任务执行框架，它让模型从"能聊天"变成"能干活"。
2.2 行业主流的 Harness 方案
目前，Agent Harness 并没有统一的行业标准，各家公司的设计思路差别很大。莫潇羽@无忆研习社 帮你梳理几个有代表性的路线：
Claude Code（Anthropic 路线）：核心理念是让模型来控制执行循环。具体来说，代码框架会启动一个循环，每次把当前的上下文（包括用户指令、已有的工具输出等）发送给模型。模型每次返回结果时，要么是工具调用指令（比如"读取这个文件""运行这条命令"），此时循环继续执行工具并把结果反馈给模型；要么是最终的文本回复，此时循环结束。控制权始终在模型手里，代码只负责忠实执行模型的决策。这种设计的优势是简洁且灵活——模型可以自由决定调用什么工具、以什么顺序调用，但对模型的规划能力和工具调用准确性要求很高。
Cursor（IDE 路线）：把项目中的所有内容（代码文件、配置文件、终端输出、编辑器状态等）都映射成文件形式的上下文，然后针对不同的底层模型（如 Claude、GPT 等）专门调优自己的 Harness 逻辑。相当于在模型和用户之间加了一层精心设计的"翻译层"——它知道如何把用户在 IDE 中的操作转化为模型最容易理解的上下文，也知道如何把模型的输出映射回 IDE 的操作。这种设计的优势是用户体验好，但 Harness 和底层模型之间存在较强的耦合关系。
Manus（缓存效率路线）：重点优化 KV 缓存效率——KV 缓存是一种让模型在多次调用之间复用之前计算结果的机制。在长链路的 Agent 任务中，模型需要反复阅读相似的上下文（比如项目文件、任务描述等），如果每次都重新计算，成本和延迟都会很高。Manus 的思路是通过精心设计上下文的组织方式，最大化 KV 缓存的命中率，让大模型能调用常驻的工具，从而大幅减少重复计算，提升长流程任务的执行效率和成本效益。
MiniMax M2.7（自生成 Harness 路线）：这是目前行业中最"大胆"的方案——不再由人类工程师手动设计和编写 Harness，而是让模型自己来设计和搭建整套 Harness，然后用这套 Harness 反过来优化模型自身的能力。这种递归式的自我优化，在概念上类似于 Andrej Karpathy 提出的"Autoresearch"（AI 自主做研究）的理念。
2.3 M2.7 的自我进化闭环
M2.7 在 Agent Harness 上的核心创新可以概括为三个步骤：
第一步：模型搭建 Harness。 MiniMax 团队让 M2 系列模型以"解决方案架构师"的角色，自主搭建了一套完整的开发 Agent 系统。这不是让模型写几个脚本那么简单——它需要设计整个系统的架构，包括 CI 流水线（持续集成，即代码自动测试与发布流程）、代码审查规则、自动化测试套件、部署脚本，以及各个模块之间的协调逻辑。根据 MiniMax 官方披露，这个过程仅用了 1 个人、4 天时间，并且零人工编码——所有代码都是模型自己写的。人类工程师的角色仅仅是提出方向和做最终审查。
要理解这个成果的含量，可以做一个对比：通常搭建一套包含 CI/CD、代码审查、自动化测试的完整开发工作流，一个经验丰富的 DevOps 工程师团队可能需要数周时间。而 M2.7 用一个人类监督、四天时间就完成了，而且所有技术细节都是模型自己决策的。
第二步：Harness 辅助研发。 搭建好的 Harness 不是一个简单的脚本集合，而是一个整合了多项关键能力的研发基础设施。它包含数据流水线管理（从数据采集、清洗到特征工程的全链条）、训练环境配置与监控、评测基础设施（自动运行基准测试并汇总结果）、跨团队协作工具（不同研究组之间共享实验进展和代码修改）、以及持久化记忆系统（让模型记住之前的实验经验和教训）。
在实际使用中，人类研究员只需要提出实验方向（比如"我想探索在强化学习中使用某种新的奖励塑形方法"），模型就会开始承担大部分执行工作。具体而言，模型会先进行文献调研，了解相关工作的现状；然后根据预设的实验规格跟踪进度，搭建数据流水线并准备训练数据；接着配置训练环境并启动实验。实验运行期间，模型会自动监控训练进度、分析日志中的异常信号、排查可能的 Bug、对关键指标进行趋势分析，甚至在发现问题时直接修改代码并提交合并请求，同时执行冒烟测试确保修改没有引入新问题。
根据 MiniMax 官方数据，M2.7 承担了研发流程中 30% 到 50% 的工作量。这些工作在以前需要多名人类研究员跨团队协作才能完成——一个人负责数据流水线，一个人负责训练调参，一个人负责评测分析，还需要有人做代码审查和集成。现在，模型可以同时承担这些角色中相当大一部分的职责。
第三步：模型优化 Harness，Harness 再优化模型。 这一步是真正的递归自进化，也是 M2.7 最具创新性的部分。MiniMax 让 M2.7 直接参与到自身 Harness 的迭代优化中，给出的指令是：优化某个内部脚手架上模型的软件工程开发表现。
M2.7 的优化过程是全自主的，无需人类干预具体的技术决策。它的工作循环是这样的：首先分析当前版本的失败案例，理解模型在哪些场景下表现不佳以及可能的原因；然后规划代码修改方案；接着实施修改（比如调整采样参数、优化工作流指引、改进提示词模板等）；之后运行评测验证修改效果；最后对比修改前后的结果，决定保留改动还是回退。这个循环被执行了超过 100 轮，最终在评测集上实现了 30% 的效果提升——这是一个非常显著的改进幅度。
用一句话总结这个闭环：人负责定方向，模型负责造工具，工具再反过来加速模型的成长。
这种思路并非 MiniMax 独创——Anthropic 内部也发现了模型递归自我提升的迹象，OpenAI 认为 AI 研究的自动化和自我改进是技术起飞的开始，Google DeepMind 则通过 AlphaEvolve 等项目构建了递归式的自我进化。但 M2.7 是首个将这种理念系统性落地并公开详细流程的商用模型之一。
三、MLE Bench Lite 实测：自优化机制的数据验证
说完原理，必须看硬数据。MLE Bench Lite 是一个由 OpenAI 发布的基准测试，专门用于评估 AI 模型在机器学习工程任务上的能力。它包含 22 个从 Kaggle 竞赛中精选的高难度任务，涵盖图像分类、自然语言处理、时间序列预测、推荐系统等多个方向。每个任务都要求模型从理解数据集开始，设计模型架构、编写训练代码、调优超参数，最终提交预测结果并根据竞赛排名评定奖牌。
MiniMax 团队基于一个包含三个核心模块的简易脚手架，让 M2.7 在这 22 个任务中进行持续迭代。这三个模块分别是：
短时记忆（Short-term Memory）：模型在每一轮实验中都会生成一份结构化的记忆文件，记录当前轮次的关键发现、使用的方法、遇到的问题和效果数据。这份记忆文件会被传递给下一轮实验，作为决策参考。这类似于一个研究人员在实验笔记本上记录每天的实验进展。
自反馈（Self-feedback）：每一轮实验结束后，模型不只是记录数据，还会对结果进行自我评估和反思。比如"这次尝试使用了 ResNet50 架构，验证集 AUC 达到 0.87，但训练过程中出现了明显的过拟合迹象，下一轮应该考虑增加正则化或使用更激进的数据增强策略"。这种自我评估能力使得模型不会在同一个方向上反复碰壁。
自优化（Self-optimization）：基于累积的记忆和反馈信息，模型在下一轮实验中会主动调整策略——可能更换模型架构、调整超参数搜索范围、改变特征工程方法，甚至尝试完全不同的技术路线。关键在于这些决策是模型自主做出的，人类不参与每一轮的具体技术选择。
在三次独立的 24 小时实验中（也就是每个任务跑三次完整的 24 小时迭代），M2.7 的表现呈现出了一个清晰的趋势：随着迭代次数的增加，成绩持续提升。 早期轮次的表现可能只是铜牌甚至无牌水平，但经过多轮自我反馈和优化后，同一个任务的成绩往往能提升到银牌甚至金牌。
最终的最佳成绩为 9 金、5 银、1 铜，三次实验的平均得牌率达到 66.6%。这个成绩在主流模型中处于什么位置呢？根据公开数据的对比，Opus 4.6 的得牌率约为 75.7%，GPT-5.4 约为 71.2%，Gemini 3.1 与 M2.7 基本持平。考虑到 M2.7 的模型规模和成本远小于前两者，这个结果已经非常有说服力。
需要特别指出的是，M2.7 在 MLE Bench Lite 上的表现之所以值得关注，并不仅仅是因为成绩本身，更重要的是它验证了一种全新的范式——模型可以在闭环系统中，通过记忆和反馈机制，持续优化自身在具体任务上的表现，而无需人类进行额外的微调或训练。 这与传统的"训练一次、部署使用"的模式有本质区别。
传统模型一旦训练完成，它的能力就是固定的——你不能指望一个模型在部署后自己变得更聪明。但 M2.7 通过 Agent Harness 的加持，展示了一种"在使用中学习"的可能性。虽然它目前优化的是 Harness 层面的策略（而非模型权重本身），但这个方向的潜力是巨大的。
四、六大核心能力升级详解
除了 Agent Harness 这个最大的亮点，M2.7 在多个具体能力维度上也有显著提升。莫潇羽@无忆研习社 为大家逐一拆解。
4.1 Agentic 指令遵循
M2.7 针对复杂指令遵循做了专项优化。测试数据显示，在 40 个复杂 Skill（每个 Skill 的描述长度超过 2000 Token）的场景下，M2.7 的技能遵循率达到 97%。这意味着什么？当你同时塞入 50 个以上的技能模块、60 到 150 个功能清单时，模型依然能保持稳定，不会出现"顾此失彼"或"跑偏"的情况。
这个能力在实际应用中非常重要。现实中的 Agent 任务往往不是单一步骤的，而是涉及多个工具、多轮交互的长链路流程。模型需要在保持对全局指令的理解的同时，精确执行每一个局部步骤。
4.2 代码与工程能力
代码能力是 M2 系列的传统强项，M2.7 在此基础上做了进一步迭代。根据基准测试数据：
SWE-Pro：56.22%（接近 Opus 同级水平）
VIBE-Pro：55.6%（端到端全项目交付场景）
Terminal Bench 2：57.0%（复杂工程系统的深度理解）更值得关注的是，M2.7 的代码能力已经不仅仅是"写代码"，而是覆盖了真实工程场景的全链条——日志分析与 Bug 定位、代码重构与安全审查、机器学习工程、Android 开发等。这些能力的提升来自于 M2.7 在训练过程中引入了大量真实世界的工程任务数据，而不仅仅是算法竞赛和代码补全类的数据。
举一个具体的例子来说明 M2.7 在日志分析方面的能力。假设你有一个电商系统的订单创建接口，线上突然出现大量下单失败的情况。你手头的信息只有部分关键代码片段和一段线上日志。把这些信息交给 M2.7，它能够迅速完成以下分析：首先通过日志中的报错信息和堆栈跟踪定位到具体的代码路径；然后结合代码逻辑分析出根本原因——比如某个价格服务对不存在的 SKU 返回了 None 空值，而创建订单的函数在计算总价时没有做空值检查就直接执行了乘法运算，导致 TypeError 异常。更有价值的是，M2.7 不会在找到直接原因后就停下来，它会继续审视相关代码路径，主动排查出潜在的其他风险点——比如并发场景下的库存竞争条件、缺少幂等性保护导致的重复下单风险、以及异常处理中遗漏的边界情况等。
这种从"单点修复"到"系统性审查"的思维方式，是 M2.7 区别于前几代模型的重要特征。在 M2.5 时代，模型已经能很好地完成"给我写一个函数"或"修复这个 Bug"这类明确的编码任务；而 M2.7 更进一步，它能站在一个高级工程师的视角来理解和分析整个系统的健康状况。
在端到端项目交付（VIBE-Pro 基准）方面，M2.7 的表现也很亮眼。VIBE-Pro 测试的是模型从零开始构建一个完整、可运行、具有交互功能的应用的能力——不是写一个代码片段，而是要交付一个包含前端界面、后端逻辑、数据持久化、用户交互的完整项目。M2.7 在这个基准上达到 55.6% 的得分，说明它在"从零到一"的项目构建能力上已经相当成熟。
4.3 多智能体协作（Agent Teams）
M2.7 的一大特性是原生的多智能体协作能力。在这个场景下，模型不再是单打独斗，而是能够同时扮演多个角色，在复杂状态机中自主决策。
MiniMax 官方的一个测试案例是让 M2.7 构建一个多 Agent 的"狼人杀"模拟系统——所有角色（主持人、狼人、预言家、女巫、猎人、守卫、村民）均由独立 Agent 扮演，每个 Agent 都有独立的记忆、推理和决策能力，能像真人一样进行推理、发言和投票。这个测试覆盖了指令遵循、复杂规划、多 Agent 协作、长上下文记忆、编程实现等多项综合能力。
另一个更偏实用的场景是多 Agent 投研团队。这是 MaxClaw 平台上最受欢迎的 Expert 之一。用户提出一个分析需求（比如"分析英伟达近期的市场情绪和值得关注的新闻面"），多个 Agent 分别从不同视角（技术面、基本面、市场情绪、宏观环境等）进行独立分析和信息搜集。每个 Agent 有自己的专业角色定位和分析框架——技术分析师关注K线形态和量价关系，基本面分析师关注财报数据和产品管线，市场情绪分析师关注社交媒体讨论热度和机构持仓变化，宏观分析师关注产业政策和地缘因素。各自完成独立思考后，先输出各自视角的初步结论和关键论据。最后由"团队领导者"负责整合所有人的观点，权衡不同视角之间的矛盾和互补关系，输出一份包含多元视角和集体智慧的完整分析报告。这比单一 Agent 生成的分析要全面和均衡得多，因为它模拟了真实投研团队中不同专业背景的分析师协同工作的过程。
4.4 复杂 Office 处理
M2.7 在 Excel、Word、PPT 三件套的处理能力上也有明显提升。在 GDPval-AA 评测中，M2.7 获得了 1495 的 ELO 分数。
实际测试中，开发者将一份包含 34514 行数据的山东省高考分数线 Excel 表格直接交给 M2.7，要求它分析趋势、生成图表、识别变化规律。M2.7 不仅成功处理了这份大体量数据，还主动生成了一份可视化分析网页，整理出了 20000 多条有效数据。
在金融场景中的测试更加深入。给 M2.7 提供一家上市公司近三年的财务数据，要求它在 Excel 中完成财务分析、预测和估值。模型会自动创建包含盈利能力指标、收益能力指标、财务结构指标、现金流指标、估值分析结果以及未来三年财务预测的专业报告。
4.5 幻觉控制
M2.7 在幻觉控制方面取得了一个显著的进步。根据 AA-Omniscience Index（一个评估模型"知道自己不知道"能力的指标），M2.5 的得分为 -40，而 M2.7 提升到了 +1。虽然 +1 这个绝对数值看起来不算高，但从 -40 到 +1 的跨度是巨大的，意味着模型在"不确定时说不确定"这件事上有了质的改善。
4.6 角色扮演与人格保持
角色扮演一直是 MiniMax 深耕的方向。M2.7 在人设保持和对话能力上做了进一步提升——能够在长对话中稳定保持角色设定，精准接住人物对话，展现出出色的角色一致性和情感智能。
这里还有一个有趣的"修复"：M2.5 时期曾出现过一个广为流传的 Bug——模型无法正确识别"马嘉祺"这三个字。这个问题在 M2.7 中已经做了专项修复。
五、M2.7 在 OpenClaw 生态中的定位
要理解 M2.7 的实际应用场景，就不得不提 2026 年最火的开源项目——OpenClaw。
5.1 OpenClaw 是什么？
OpenClaw（前身为 Clawdbot、Moltbot）是一个开源的 AI Agent 框架，由奥地利开发者 Peter Steinberger 创建。Peter 的背景非常传奇——他曾创办知名的 PDF 技术公司 PSPDFKit，后来在 2025 年 11 月的一个周末，产生了一个简单的想法：能不能写个程序，通过消息应用远程查看电脑的状态？结果这个仅花一小时写出的小工具，在短短几个月内席卷了全球开发者社区。
与传统的 AI 聊天工具有本质区别：ChatGPT 等产品是大语言模型（LLM），核心是生成文本建议；而 OpenClaw 更像是一个"大型行动模型"（LAM，Large Action Model），它不只是"能聊天"，而是一个真正能动手干活的 AI 代理。它可以读写文件、运行 Shell 命令、浏览网页、发送邮件、调用 API、在不同应用之间自动化执行任务。通俗地说，ChatGPT 告诉你该怎么做，OpenClaw 直接帮你把事情做了。
OpenClaw 的增长速度堪称现象级：上线仅 72 小时就斩获 6 万+ GitHub Stars，随后在不到 100 天内突破 25 万 Stars，超越了 React 13 年积累的 24.3 万 Stars，成为 GitHub 上 Star 数最高的软件项目之一。2026 年 2 月，Peter Steinberger 宣布加入 OpenAI，OpenClaw 项目移交给开源基金会运营。阿里云、腾讯云、火山引擎等国内云服务商也在第一时间推出了 OpenClaw 的一键部署方案。
2026 年 3 月的 GTC 大会上，英伟达的黄仁勋公开盛赞 OpenClaw，称其增长速度超过了 Linux 过去几十年的速度，并联合 OpenClaw 核心作者推出了 NemoClaw。这让 OpenClaw 生态瞬间成为全行业的焦点。
而 OpenClaw 本身只是一个"执行框架"——它提供了 Agent 运行所需的各种基础设施（消息平台对接、会话管理、工具调用机制、内存系统等），但它的"智能"完全来自后端接入的大模型。这就是 M2.7 发挥作用的地方。
从架构层面来理解 OpenClaw，它大致可以分为四层：最底层是 LLM 抽象层，负责对接各种大模型；第二层是 Agent 核心循环，负责工具执行和行为控制；第三层是运行时环境，负责会话持久化和扩展系统；最上层是网关，负责消息路由、内存管理和沙箱隔离。M2.7 接入的位置就在最底层，为整个架构提供"大脑"。
5.2 M2.7 驱动 OpenClaw 的优势
M2.7 对 OpenClaw 的适配性体现在多个层面。首先，在 MMClaw 评测（专门用于评估模型在 OpenClaw 场景下表现的基准）中，M2.7 相比 M2.5 有显著提升。其次，M2.7 的多智能体协作能力和 97% 的复杂技能遵循率，使得它在 OpenClaw 的多 Skill 环境中表现稳定。再加上推理速度快、API 调用成本低的特点，M2.7 成为了 OpenClaw 生态中非常受欢迎的底层模型之一。
5.3 MaxClaw：零门槛的云端方案
如果你想体验 M2.7 驱动的 OpenClaw 但不想折腾本地部署，MiniMax 官方推出了 MaxClaw——基于 OpenClaw 构建的云端 AI 助手，直接集成在 MiniMax Agent 网页端。
要理解 MaxClaw 的定位，可以做一个类比：如果 OpenClaw 是早期的 DOS 操作系统——功能强大但需要用户掌握命令行操作，那 MaxClaw 就像后来的 Windows——通过图形界面把复杂的底层操作简化为鼠标点击，让普通人也能轻松使用电脑。MaxClaw 做的事情本质上就是对 OpenClaw 进行上层网关封装，用技术手段消除了所有非必要的部署门槛。
MaxClaw 的核心卖点是零部署门槛：无需自备服务器，不用配置 Docker 容器，不需要管理 API Key，通过 MiniMax Agent 平台上的"Deploy Now"按钮，10 秒内就能启动一个全功能的 AI Agent。它通过 MiniMax 的云端算力完成了 OpenClaw 的底层部署和运维，用户完全无需关心底层细节。
在工具能力上，MaxClaw 对 OpenClaw 原有的功能进行了系统性升级：图片理解和视频理解的精度更高；网页提取和搜索的速度更快；同时还新增了图片生成、视频生成、图片搜索、网页部署等内置工具。一个非常贴心的设计是——所有内置工具均无需用户自行接入第三方 API，不会产生额外的 API 费用，这对控制使用成本来说非常重要。
MaxClaw 还有一个核心能力是持久化记忆。它支持长达 20 万+ Token 的持久记忆，能够记住与用户的对话历史、个人偏好和工作风格。这意味着你用得越久，它就越了解你的需求和习惯，输出的结果也会越精准。这与大多数"无状态"的 AI 聊天工具形成了鲜明对比——那些工具每次打开新对话，都像是遇到一个陌生人。
在通讯平台集成方面，MaxClaw 打通了多个即时通讯渠道——用户可以通过飞书、钉钉、Telegram、WhatsApp、Discord、Slack 等平台与 Agent 进行全天候交互和任务下发。通过 IM 端发起的任务，交付物均可在网页端同步查看，实现真正的云端跨端协作。
对于企业和专业用户来说，MaxClaw 上还有一个值得重点关注的功能：Expert（专家）系统。Expert 是 MiniMax Agent 平台的一个核心机制——每个用户都可以将自己擅长的技能和领域知识注入 Agent，沉淀为标准化的 SOP（标准操作流程）。无论是财务建模、技术开发、内容创作还是投资研究，任何可描述的专业能力都能被封装为一个 Expert，供自己或其他用户直接调用。
目前 MiniMax Agent 平台上已经积累了超过一万个 Expert，覆盖办公、金融、编程、内容创作等多个领域。其中最受欢迎的包括多 Agent 投研团队、热点追踪专家、数据分析师、可视化创作者等。MiniMax 官方也已经开源了 6 个核心 Skills（前端开发、全栈开发、iOS/Android 原生开发等），开发者可以基于这些 Skills 构建更复杂的应用场景。
随着 M2.7 的发布，MaxClaw 的默认底层模型也已经升级到 M2.7，用户无需做任何配置变更就能自动享受到新模型带来的能力提升。
六、实操指南：三种方式接入 M2.7
了解了原理和定位之后，莫潇羽@无忆研习社 来讲讲具体怎么用。M2.7 主要有三种接入方式。
6.1 通过 MiniMax API 直接调用
这是最灵活的方式，适合有开发能力的用户和企业级应用场景。M2.7 提供两个 API 版本：标准版（M2.7）和高速版（M2.7-highspeed），两者的推理结果完全一致，高速版在输出速度上更有优势，适合对延迟敏感的实时交互场景。两个版本都支持全自动 Cache，无需任何额外配置——系统会自动识别重复的上下文前缀并复用之前的计算结果，从而降低成本和延迟。
要使用 MiniMax API，首先需要在 MiniMax 开放平台（platform.minimax.io）注册账号并创建 API Key。平台提供多种订阅计划（Token Plan），用户可以根据自己的使用量选择合适的方案。值得注意的是，Token Plan 是跨模态统一配额的，也就是说同一个订阅计划可以同时用于文本、语音、视频、图像和音乐等不同模态的 API 调用。
基本的 API 调用示例如下：
import requests
import json
url = "https://api.minimax.chat/v1/text/chatcompletion_v2"
headers = {
"Authorization": "Bearer YOUR_API_KEY",
"Content-Type": "application/json"
}
payload = {
"model": "MiniMax-M2.7",
"messages": [
{
"role": "system",
"content": "你是一个经验丰富的高级软件工程师，擅长代码审查和安全分析。"
},
{
"role": "user",
"content": "帮我分析这段代码中可能存在的安全问题"
}
],
"temperature": 1.0,
"top_p": 0.95
}
response = requests.post(url, headers=headers, json=payload)
result = response.json()
# 处理输出，注意可能包含 think 标签
content = result["choices"][0]["message"]["content"]
print(content)需要特别注意的几个技术要点：
首先，M2 系列是交错思考模型（Interleaved Thinking Model），模型在输出中会使用 <think>...</think> 标签包裹内部推理过程。这些思考内容对用户来说通常不需要展示，但在构建多轮对话时，必须将 assistant 轮次中的完整输出（包括 think 标签内的内容）保留在历史消息中。如果你删除了思考内容，模型在后续轮次中的表现会明显下降，因为它失去了对自己推理过程的"记忆"。
其次，推荐的参数设置是：temperature=1.0，top_p=0.95，top_k=40。这组参数是 MiniMax 团队经过大量实验验证的最优配置，能够在输出质量和多样性之间取得很好的平衡。不建议随意调低 temperature——M2 系列的训练过程中已经考虑了这组参数，过低的 temperature 反而可能导致输出质量下降。
M2.7 的 API 定价保持了 M2.5 的水平不变：输入 0.30 美元 / 百万 Token，输出 1.20 美元 / 百万 Token。根据 VentureBeat 的报道，这个价格使得 M2.7 成为全球范围内最具成本效益的前沿 AI 模型之
