MiniMax يفتح مصدر M2.7، نموذج وكيل تطور ذاتي

أعلنت شركة MiniMax الصينية عن إصدار أوزان MiniMax M2.7، وهو نموذج Mixture-of-Experts يحتوي على 229 مليار معامل يشارك في دورة تطويره الخاصة – مما يُعد الخطوة الأولى نحو التطور الذاتي للذكاء الاصطناعي وفقًا لما تقوله الشركة.

أُعلن عن MiniMax M2.7 في الأصل، وهو متاح الآن بشكل مجاني على Hugging Face مع دعم التوزيع ل SGLang و vLLM و Transformers و NVIDIA NIM. يحصل النموذج على 56.22٪ على SWE-Pro و 57.0٪ على Terminal Bench 2، مما يجعله من بين أقوى النماذج اللغوية المفتوحة المصدر لمهام الهندسة البرمجية الحقيقية.

كيف ساعد النموذج في بناء نفسه

أهم ما يُقال عن M2.7 هو دوره في تطويره الخاص. كلف MiniMax نسخة داخلية من النموذج بتحسين هيكل برمجي، وقام بتشغيله بشكل مستقل لما يزيد عن 100 جولة. خلال ذلك، قام M2.7 بتحليل مسارات الفشل، وتعديل رمز الهيكل، وتنفيذ التقييمات، و決定 ما إذا كان سيعيد أو يُحافظ على كل تغيير.

اكتشف النموذج تحسينات بنفسه: البحث المنهجي عن معاملات عينة مثالية مثل درجة الحرارة و جزاء العقوبة للتكرار، وتصميم إرشادات سير العمل مثل التحقق التلقائي من أنماط الأخطاء المتطابقة عبر الملفات بعد الإصلاح، وإضافة كشف الحلقات إلى حلقة الوكيل في الهيكل. وتقرر MiniMax بتحسن أداء بنسبة 30٪ على مجموعات التقييم الداخلية من خلال هذا العملية المستقلة.

في فريق التعلم التعزيزي في MiniMax، يُشرف M2.7 الآن على 30٪ إلى 50٪ من سير العمل اليومية من النهاية إلى النهاية. يتفاعل الباحثون فقط في القرارات الحاسمة، بينما يُدير النموذج استعراض الأدب، وتتبع التجارب، وخطوط أنابيب البيانات، وتصحيح الأخطاء، وطلبات الدمج.

كما قامت MiniMax بتحسين M2.7 على MLE Bench Lite، وهو مجموعة من 22 منافسة تعلم الآلة من OpenAI التي تعمل على وحدة معالجة رسومات A30 واحدة. خلال ثلاث تجارب استمرت 24 ساعة، أنتجت أفضل جولة للنموذج 9 ميداليات ذهبية و 5 ميداليات فضية وميدالية برونزية واحدة. وتراوح معدل الميدالية البالغ 66.6٪ مع Gemini 3.1 و Opus 4.6 (75.7٪) و GPT-5.4 (71.2٪).

أداء البenchmark عبر الهندسة والعمل المكتبية

في معايير الهندسة البرمجية، يُقابل M2.7 أو يقترب من النماذج المغلقة المصدر الرائدة. يحصل على 56.22٪ على SWE-Pro – معيار يغطي تحليل السجلات وتصحيح الأخطاء ومراجعة أمان الكود وتصحيح سير العمل لتعلم الآلة عبر لغات برمجة متعددة – مما يُقاربه مع GPT-5.3-Codex. على VIBE-Pro، وهو معيار لتوليد الكود على مستوى المستودع، سجل 55.6٪، وسجل 76.5 على SWE Multilingual و 52.7 على Multi SWE Bench.

بeyond مولدات الكود الذكية، وضع MiniMax M2.7 لمهام المكتبية الاحترافية. على GDPval-AA، الذي يُقيّم الخبرة في المجال عبر 45 نموذجًا، حقق M2.7 نقاط ELO 1495 – وهو أعلى النماذج المفتوحة المصدر، يُقاربه مع Opus 4.6 و Sonnet 4.6 و GPT-5.4. على Toolathon، سجل 46.3٪ دقة، وحافظ على معدل توافق مهارات 97٪ عبر 40 مهارة معقدة (تتجاوز كل منها 2000 رمز) في تقييم MiniMax MM Claw.

يدعم النموذج التعاون بين الوكلاء الأصليين من خلال ما يُسميه MiniMax “فرق الوكلاء”، حيث تحتفظ مثيلات متعددة من النموذج بهويات دور متميزة وتعمل معًا على المهام. يستهدف هذا التكنولوجيا سيناريوهات وكلاء الذكاء الاصطناعي للآليّة التجارية حيث تُتطلب حدود دور مستقرة واعتبارات معارضة بين الوكلاء.

بني M2.7 على هيكل Mixture-of-Experts، مما يعني أن فقط جزءًا من معاملاته البالغ 229 مليار معامل يُفعّل خلال كل عملية استدلال واحدة. هذا يجعل النموذج أقل تكلفة وأسرع في الخدمة من نموذج كثيف من نفس جودة الإخراج – وهو اعتبار هام للمطورين الذين يريدون تشغيل النماذج محليًا أو على بنية تحتية محدودة.

كما قامت MiniMax بنشر OpenRoom، وهو عرض تجريبي تفاعلي بني في الغالب بواسطة الذكاء الاصطناعي، ويضع تفاعلات الوكيل داخل واجهة مستخدم ويب مع ت phản hồi مرئي في الوقت الفعلي، مما يدل على اهتمامها بتوسيع نماذج اللغة الكبيرة إلى ما وراء الإنتاجية إلى الترفيه التفاعلي.

يضيف الإصدار خيارًا تنافسيًا آخر إلى منظومة مهارات الوكيل المفتوحة، حيث دفع نماذج من Meta و Alibaba و DeepSeek حدود ما هو متاح بحرية. يبقى جانب التطور الذاتي – حيث يساهم النموذج بشكل معنوي في تحسين خليفته – في مرحلة مبكرة، ولكن M2.7 يقدم أول نقاط بيانات ملموسة حول ما يبدو عليه ذلك في الممارسة: تحسين بنسبة 30٪ في البenchmark الداخلي من 100+ جولة تحسين مستقلة، دون تدخل بشري في الحلقة.