18 марта компания MiniMax (XiYu Technology) официально анонсировала выпуск нового поколения больших языковых моделей под названием Agent M2.7. Главной технологической инновацией продукта стала концепция «самоэволюции», позволяющая алгоритму принимать активное участие в собственном обучении и процессах оптимизации.
Технология Agent Harness и автономное развитие
Ключевым инструментом в архитектуре новой модели стала специализированная система Agent Harness. Благодаря ей Agent M2.7 не просто обрабатывает входящие данные, но и глубоко интегрируется в циклы самосовершенствования. По заявлениям разработчиков, такой подход позволяет ИИ самостоятельно идентифицировать пробелы в знаниях и корректировать параметры работы без постоянного вмешательства человека.
Согласно внутренним тестам компании, внедрение новых механизмов принесло следующие результаты:
- ИИ способен брать на себя от 30% до 50% рабочей нагрузки в процессах разработки;
- Общий показатель эффективности вырос примерно на 30% по сравнению с предыдущими итерациями;
- Снижение потребности в ручной разметке данных за счет алгоритмов самопроверки.
Производительность в бенчмарках и сравнение с конкурентами
Возможности Agent M2.7 были подтверждены результатами в признанных отраслевых тестах. Особое внимание экспертов привлек тест SWE-Pro, оценивающий способности к решению сложных программных задач. В нем модель достигла точности 56,22%, что, по утверждению MiniMax, делает её сопоставимой по возможностям с GPT-5.3-Codex.
Бенчмарки являются важным показателем, так как позволяют объективно сравнить производительность систем разных разработчиков на одних и тех же наборах задач.
Дополнительно в бенчмарке VIBE-Pro новинка продемонстрировала результат 55,6 балла. Данный показатель вплотную приближает разработку MiniMax к уровню модели Opus 4.6, подтверждая конкурентоспособность китайских технологий на глобальном рынке генеративного ИИ.
Выход Agent M2.7 знаменует собой переход от статичных моделей к динамическим системам, способным к постоянному самообновлению. В перспективе развитие «самоэволюционирующих» алгоритмов может значительно ускорить цикл разработки программного обеспечения и снизить затраты на поддержку масштабных нейросетевых структур.