Aitishiku.com
开源模型
MiniMax-M2.7 M2.7
MiniMax系列 · MiniMax · 2026-04发布
模型介绍
MiniMax 首个深度参与自身进化的模型，230B 总参 / 约 10B 激活 MoE，200K 上下文，Agentic 编程与办公任务能力达国际一线水平，权重开源。
模型基础信息
模型系列MiniMax系列
开发机构MiniMax
发布时间2026-04
参数规模230B（MoE，激活约 10B）
上下文窗口200K
模型类型文本（Agentic）
中文能力优秀
使用方式网页体验 / API调用 / 本地部署
免费额度与收费政策
开源权重免费
免费规则详情
权重在 Hugging Face / ModelScope 免费开放，自行部署；平台 API 按量计费。
收费标准简介
开源权重免费；平台 API 按量计费（以 minimax.io 为准）。
模型能力介绍
✅ 核心优势
- 10B 激活，推理成本低
- 200K 上下文
- gent Teams / Skills / 动态工具搜索
- gentic 编程办公一线水平
⚠️ 短板与局限
- 总参 230B 部署需多卡
- 中文资料与生态相对较少
- 推理需高规格 GPU
🎯 适用场景
- 复杂 Agent Harness
- 端到端项目交付
- Office 文档生成编辑
- 深度研究
模型使用教程
本章节整理 MiniMax-M2.7 的在线体验、API调用、本地部署全套入门教程，快速上手使用该模型。
- 体验网址：通过 [MiniMax Agent](https://www.minimax.io) 与开放平台体验，权重在 [Hugging Face](https://huggingface.co/MiniMaxAI/MiniMax-M2.7) 开放。
- 能力简介：MiniMax 首个深度参与自身进化的模型，230B 总参 / 约 10B 激活 MoE，200K 上下文，Agentic 编程与办公任务能力达到国际一线水平。
- 适用场景：复杂 Agent Harness、端到端项目交付、Office 文档生成与编辑、深度研究。
- 使用建议：推荐参数 temperature=1.0、top_p=0.95、top_k=40。
- 开发接入：开源权重自行部署或接入 MiniMax 开放平台 API。
- 访问 [Hugging Face](https://huggingface.co/MiniMaxAI/MiniMax-M2.7) 下载权重。
- 模型较大，建议使用 git-lfs：
git lfs install
git clone https://huggingface.co/MiniMaxAI/MiniMax-M2.7- 推理建议使用 vLLM 或 SGLang；本地部署需多张高端 GPU。
启动服务
vllm serve MiniMaxAI/MiniMax-M2.7 --served-model-name minimax-m2-7curl 调用（OpenAI 兼容）
curl http://localhost:8000/v1/chat/completions \
-H "Content-Type: application/json" \
-d '{"model":"minimax-m2-7","temperature":1.0,"top_p":0.95,"messages":[{"role":"user","content":"帮我做一个项目计划"}],"tools":[{"type":"function","function":{"name":"search","description":"搜索工具"}}]}'> 提示：M2.7 擅长长程 Agent 任务，建议配合工具调用使用。
- 部署方式：开源权重（见项目许可证），支持 vLLM / SGLang。
- 硬件要求：230B MoE（激活约 10B），需多张 H100/A100 集群；量化后部署门槛降低。
- 推荐配置：参考 Hugging Face 模型卡与 NVIDIA 官方部署博客（支持 NVIDIA 平台）。
- 参考：官方 GitHub（MiniMax-AI/MiniMax-M2.7）提供推理参数与微调建议。
💡 使用小技巧
推荐 temperature=1.0、top_p=0.95、top_k=40；长程任务配合工具调用。
❓ 常见问题 FAQ
Q1：M2.7 与 M2.5 区别？
A1：M2.7 为首个参与自身进化的模型，Agent 能力更强。
Q2：支持本地部署吗？
A2：支持，vLLM / SGLang，需多卡 H100/A100。
访问备注与注意事项
- 2026 年 4 月发布权重，M2 系列持续演进版本