4月12日深夜，MiniMax发布了一个叫M2.7的开源模型。参数规模2300亿，稀疏MoE架构，在编程和终端操作任务上拿到了56%和57%的分数——这些数字放在当前开源模型里确实不错，但算不上石破天惊。
真正让圈内人倒吸一口凉气的，是这个模型身上出现的一个前所未有的能力：它可以改写自己的训练代码，从而参与自身的训练循环，并在这个过程中实现约30%的性能自我优化。
MiniMax M2.7自进化训练技术概念图
这事听起来有点绕，但细想下去其实挺吓人。
以前的模型是怎么"出生"的？
理解M2.7的特殊性，得先搞清楚传统大模型的训练流程。
简单说，传统模型的训练是个"一次性"过程：人类工程师写训练代码，准备数据集，跑训练，输出模型，结束。如果模型表现不及预期，解决办法是调参、改数据、换架构——但无论怎样，模型本身没有能力介入自己的"出生"过程。
打个比方，就像你做饭：菜谱是别人写的，食材是别人准备的，你只能按照既定流程做出来。做得好不好，取决于菜谱写得怎么样、食材质量怎么样。你自己没法修改菜谱。
M2.7打破了这个设定。
M2.7是怎么做到的？
根据MiniMax在arXiv公开的论文，他们把这个机制称为"自进化训练"（Self-Evolution Training）。
具体实现大概是这样：模型权重中包含了对自身训练流程的"元认知"能力。当收到特定指令后，M2.7能够分析自身的代码结构，识别可优化的训练子程序，并通过一个受控的自我修改机制，对训练循环中的特定模块进行重新编写和迭代。
这不是简单的"让模型生成更好的提示词来引导自己"。M2.7改的是底层的训练代码本身——是模型在参与自身被创造的过程。
按照MiniMax技术报告的说法，经过三轮自进化迭代后，模型在编程相关任务上的表现平均提升了30%，在推理任务上的提升约为18%。而且这个优化过程没有额外的人工干预。
MiniMax M2.7自进化训练工作流程图
稀疏MoE架构：省钱的底层逻辑
M2.7采用的是稀疏MoE（混合专家）架构，这是近年来大模型设计中的一个重要技术路线。
传统大模型在处理任何输入时，都会激活全部参数。这在工程上效率低下，因为许多参数在不同任务中其实并不需要同时被调用。
稀疏MoE的思路是：将模型拆分成多个"专家"子网络，每次推理时只激活最相关的少数专家网络。
2300亿参数听起来很大，但如果采用稀疏激活的方式，每次推理可能只激活其中约15%-20%的参数。这意味着M2.7的实际推理成本，接近一个300-400亿参数级别的密集模型，但能力边界却接近甚至超越了许多参数规模更大的密集模型。
MiniMax选这个架构，有明确的商业考量：更低的推理成本，意味着在构建AI应用和Agent产品时，运营成本更低，商业可行性更高。
开源背后的市场逻辑
M2.7选择全面开源，代码和权重均在Hugging Face平台公开。
这个决定背后，是MiniMax清晰的市场判断：AI编程工具和AI Agent是当前最具商业价值的应用方向，而这两个方向的竞争，本质上是开发者生态的竞争。谁能让更多开发者围绕自己的模型构建工具和应用，谁就能建立护城河。
开源是赢得开发者最有效的方式。没有了API调用的成本门槛，全球开发者可以自由地微调、部署和构建应用。
更关键的是，M2.7得到了英伟达和华为昇腾两大硬件平台的支持。对于中国开发者来说，能够在华为昇腾芯片上本地部署M2.7，意味着国内企业可以在不完全依赖英伟达GPU的情况下，用上当前最强的开源编程Agent模型之一。
意味着什么？
M2.7的出现，至少说明了几个问题：
开源社区在AI编程和自主行动这两个高价值能力维度上，正式向闭源头部玩家发起了挑战。 在SWE-Pro和Terminal Bench上的表现，让开源中国模型第一次站上了与闭源顶级模型正面竞争的擂台。
"模型自我迭代"的范式可能正在成熟。 如果一个模型能够持续自我优化而不需要人类工程师重新训练，它的迭代速度将远超依赖外部反馈的传统训练模式。
当然，现在说这代表着大模型训练范式的根本转变还为时过早。M2.7的自进化机制目前主要应用在编程和推理任务上，泛化能力还需要更多验证。
但有一点是确定的：MiniMax迈出了这一步。
接下来的问题是：下一个会是谁？
来源：
互联网
本文观点不代表区块经立场，不承担法律责任，文章及观点也不构成任何投资意见。
评论列表