MiniMax M2.7

Fiche modèle · MiniMax · minimax-m2.7

MiniMax M2.7 features model self-improvement driving productivity innovation. It builds complex agent harnesses independently to accomplish highly complex productivity tasks. M2.7 demonstrates excellent performance in real-world software engineering including end-to-end project delivery, log analysis, code security, and ML tasks. On SWE-Pro it scores 56.22%, nearly matching Opus. It excels in professional office domains achieving the highest ELO among open-source models on GDPval-AA (1495), with significant improvement in complex editing for Office Suite. M2.7 maintains 97% skill adherence on 40 complex skills cases.

Fiches modèles

Identité

Organisation	MiniMax
Pays	—
Famille	—
Type	llm
Date de sortie	2026-03-18
Licence	mit
Licence commerciale	oui
Licence open source	oui
Poids ouverts	oui
Auto-hébergement (DGX Spark)	inconnu — paramètres totaux non renseignés
Modalités	text
Fenêtre de contexte	204 800
KV cache / token (Q8)	127.0 ko/token
Paramètres totaux	—
Paramètres actifs (session)	10 B
Source des paramètres actifs	web : https://www.minimax.io/news/minimax-m27-en
Curation des paramètres actifs	2026-11-04
Prix par session	0.54 $ (1 000 000 tokens entrée + 200 000 sortie, prix le moins cher par fournisseur)
Tokens / tâche (Data Players)	1.2 M
Tokens / tâche (Terminal-Bench)	83.3 M (est.)
Ratio Terminal-Bench / Data Players	69.4×
Coût / tâche (Terminal-Bench)	4.54 $ (est.)
Tokens d'entraînement	—
Coupure de connaissance	—
Créé le	2026-05-07T16:53:31.928058Z
Mis à jour le	2026-11-04T06:04:55.223075Z
Source	LLM Stats
URL	https://llm-stats.com/models/minimax-m2.7

Tokens/tâche

IA Act — preuves fournisseur

ICA 8/100 · périmètre complet · seuil systémique inconnu

Critère	Note / 5	Poids
Documentation technique	2,5	5 %
Résumé des données d'entraînement	0,0	35 %
Conformité droit d'auteur	0,0	35 %
Code of Practice GPAI	1,2	20 %
Risque systémique	0,0	5 %

Curation : 2026-10-23.

IA Act

Prix par fournisseur

Prix

Statut du modèle (offres + auto-hébergement) : non.

Toutes sources confondues : catalogue llm-stats, routeurs EUrouter/Cortecs et catalogues directs (OVHcloud, Scaleway, Infomaniak). Les prix sont convertis en USD pour la comparaison ; le prix publié et le taux BCE utilisé sont dans l'infobulle. Les prix inconnus restent indiqués « — ».

Fournisseur	Source	Souveraineté	Entrée (/M tok)	Sortie (/M tok)	Quantification	Contexte	Latence (s)	Débit (tok/s)	Statut
DeepInfra	llm-stats	non	0.38 $	1.70 $	—	—	—	—	active
Fireworks AI	llm-stats	non	0.30 $	1.20 $	—	—	—	—	active
MiniMax	llm-stats	non	0.30 $	1.20 $	—	—	—	—	active
Novita	llm-stats	non	0.30 $	1.20 $	—	—	—	—	active

Souveraineté qualifiée par offre (modèle × fournisseur) ; survolez le badge pour les critères.

Souveraineté

Scores par catégorie (top_scores)

Catégorie	Score
reasoning	0.50
finance	0.30
general	0.50
agents	0.50
code	0.60
tool_calling	0.50

Scores par benchmark

Benchmark	Catégorie	Score	Max	Normalisé (API)	Vérifié	Auto-déclaré	Daté du
artificial-analysis	general	0.50	1.00	0.50	non	oui	2026-11-04T06:04:55.270321Z
finance-agent-v2	agents	0.28	1.00	0.28	non	non	2026-11-04T06:04:55.312979Z
mle-bench-lite	code	0.67	1.00	0.67	non	oui	2026-11-04T06:04:55.253041Z
mm-clawbench	code	0.63	1.00	0.63	non	oui	2026-11-04T06:04:55.267154Z
multi-swe-bench	reasoning	0.53	1.00	0.53	non	oui	2026-11-04T06:04:55.233106Z
nl2repo	code	0.40	1.00	0.40	non	oui	2026-11-04T06:04:55.303123Z
swe-bench-multilingual	reasoning	0.77	1.00	0.77	non	oui	2026-11-04T06:04:55.293098Z
swe-bench-pro	reasoning	0.56	1.00	0.56	non	oui	2026-11-04T06:04:55.226977Z
terminal-bench-2	reasoning	0.57	1.00	0.57	non	oui	2026-11-04T06:04:55.283049Z
toolathlon	agents	0.46	1.00	0.46	non	oui	2026-11-04T06:04:55.263094Z
vibe-pro	code	0.56	1.00	0.56	non	oui	2026-11-04T06:04:55.243088Z

Classements

Catégorie	Rang	Score	Note conservatrice	Benchmarks évalués	Méthode	Daté du	Provenance
agents	97	—	15.45	5	trueskill	2026-10-19	model_history
code	72	—	27.29	5	trueskill	2026-10-19	model_history

Lecture : Note conservatrice = borne basse TrueSkill (niveau estimé − marge d’incertitude) ; Benchmarks évalués = nombre de benchmarks de la catégorie pris en compte. À performances égales, un modèle évalué sur moins de benchmarks obtient une note plus basse : la note ne se déduit pas d’un seul score. Provenance : rankings = top 50 de /rankings ; model_history = historique du modèle (/models/{id}/history), utilisé pour les rangs au-delà du top 50.

Données

Dates de curation (récupération depuis l'API) : models 2026-11-04 · benchmarks 2026-11-04 · scores 2026-11-04 · updates 2026-11-04 · account 2026-11-04 · model_history 2026-11-04 · rankings 2026-11-04