MiniMaxAI오픈소스

MiniMax-M2.7

Name: MiniMax-M2.7
Author: MiniMaxAI

이 모델 비교

MiniMax가 개발한 고성능 모델. 2.5 버전의 개선판으로 더 높은 성능을 구현합니다.

공유:X Hatena LINE

파라미터

Undisclosed

컨텍스트

라이선스

https://github.com/MiniMax-AI/MiniMax-M2.7/blob/main/LICENSE

출시일

2026-03-18

일본어 처리 능력

✅High-Quality JP

Multilingual model with strong Japanese language processing capabilities.

API 가격

입력 가격 (1M 토큰당)

$0.3

출력 가격 (1M 토큰당)

과금 모드: standard

강점

약점

활용 사례

심층 분석

지능 지수

Artificial Analysis, 오픈 가중치 티어 1 코딩 전문 모델

SWE-bench Verified

78%

사람이 검증한 실제 GitHub 이슈 해결

SWE-Pro

56.22%

전문 소프트웨어 공학 평가

Terminal-Bench 2

57.0%

에이전트 터미널·도구 사용 작업

입력 가격

$0.30/100만 토큰

출력 $1.20; 캐시 입력 $0.06; 고속 버전 약 $0.60/$2.40

컨텍스트 윈도우

205K 토큰

텍스트 전용; 최대 출력 131K; 230B MoE / 활성 10B

강점

・Claude Opus급 코딩을 약 1/25 비용으로: SWE-bench Verified 78%(Claude Sonnet 4와 1-2%p 차이)를 100만 토큰당 $0.30/$1.20에 제공.
・오픈 가중치(230B MoE, 토큰당 활성 10B)로 자체 호스팅 가능; SGLang·vLLM·Transformers·NVIDIA NIM 지원.
・자기 진화 학습(100회 이상 자율 최적화 사이클)과 강력한 에이전트 도구 사용(GDPval-AA Elo 1495)으로 MiniMax 자체 RL 연구의 30-50%를 처리.

약점

・라이선스는 '가짜 오픈소스': Modified-MIT는 상업 사용 시 MiniMax 서면 승인이 필요해 커뮤니티 반발을 샀음.
・텍스트 전용——네이티브 비전·오디오 없음; 이미지 이해는 다른 모델로의 함수 호출로 우회해야 함.
・대학원 수준 추론(GPQA 다이아몬드)은 코딩 점수보다 크게 낮고, 처리속도(~35-46 tok/s)는 활성 10B 모델치고 느림.

경쟁사 비교

Model	Arena	SWE	GPQA	Price
Claude Sonnet 4 (Anthropic)	N/A	SWE-bench Verified ~79%	N/A	$3/$15
MiniMax M2.5 (MiniMax)	N/A	SWE-bench Verified 80.2%	N/A	$0.30/$1.20
GPT-5.3-Codex (OpenAI)	N/A	SWE-Pro ~56%	N/A	N/A

개요

MiniMax M2.7은 상하이 기반 MiniMax가 2026년 3월 18일 출시(가중치 4월 12일)한 오픈 가중치 코딩·에이전트 모델입니다. 총 2300억 개 매개변수 MoE 구조로 토큰당 100억 개만 활성화하며, SWE-bench Verified 78%, SWE-Pro 56.22%를 기록해 Claude Opus 4.6의 약 1/25 비용으로 GPT-5.3-Codex와 비슷하거나 그 이상의 코딩 성능을 냅니다. MiniMax는 학습 중 100회 이상 자율 최적화 사이클을 돌린 '자기 진화' 모델이자 Cline·OpenCode·Kilo 하니스용 프로덕션 코딩 에이전트로 포지셔닝합니다. 주요 단점은 상업 금지 Modified-MIT 라이선스와 텍스트 전용 모달리티입니다.

벤치마크 및 성능

코딩·에이전트 벤치마크(MiniMax 자체 보고, Artificial Analysis·OpenRouter 교차 검증): SWE-bench Verified 78%, SWE-Pro 56.22%, SWE Multilingual 76.5%, Multi-SWE-Bench 52.7%, Terminal-Bench 2 57.0%, VIBE-Pro 55.6%, MLE-Bench Lite 66.6%(Gemini 3.1 Pro와 동률), GDPval-AA Elo 1495. Artificial Analysis 지능 지수는 50입니다. 다만 SWE-bench Verified에서 M2.7(78%)이 M2.5(80.2%)보다 근소하게 낮은데, MiniMax는 에이전트·다국어 최적화로의 방향 전환이라 설명합니다. 대학원 수준 추론(GPQA 다이아몬드)은 코딩 점수보다 크게 낮아 코드/에이전트 학습 집중을 반영합니다.

상세 비교

**MiniMax M2.7 vs Claude Sonnet 4 (Anthropic).** M2.7은 SWE-bench Verified에서 Sonnet 4(~79%)와 맞먹으면서 가격은 10분의 1($0.30/$1.20 대 $3/$15)이지만, Sonnet 4는 멀티모달이고 일반 추론이 더 강합니다. **MiniMax M2.7 vs MiniMax M2.5.** M2.7은 자기 진화와 에이전트 향상(Terminal-Bench 2 57% 대 47.9%)을 더했으나 SWE-bench Verified는 근소하게 하락(78% 대 80.2%); 가격은 동일합니다. **MiniMax M2.7 vs GPT-5.3-Codex (OpenAI).** 두 모델은 SWE-Pro에서 1%p 내외로 같으나, M2.7은 오픈 가중치이고 훨씬 저렴하고 Codex는 OpenAI 코딩 스택과 더 강하게 통합됩니다.

커뮤니티 평가

개발자는 M2.7의 Opus급 코딩을 훨씬 낮은 비용에, 그리고 자체 호스팅을 위한 오픈 가중치를 높게 평가합니다. 가장 큰 논란은 라이선스로, 상업 승인을 요구하는 'Modified-MIT' 태그가 '가짜 오픈소스'라 비판받았습니다. 또한 처리속도가 느리고(~35-46 tok/s) 대학원 수준 추론이 코딩 강점에 못 미치며, 어려운 평가에 대한 독립 재현도 아직 제한적입니다.

활용 사례

1. **자율 코드 수정·리팩터링.** SWE-bench Verified 78%로 코드베이스를 읽고 버그를 찾아 실제 GitHub 이슈 약 5건 중 4건에 작동하는 수정을 내놓아 자체 호스팅 코딩 에이전트에 적합합니다. 2. **다단계 에이전트 워크플로.** 강력한 도구 사용(GDPval-AA Elo 1495)과 Terminal-Bench 2(57%)로 실시간 디버깅, 근본 원인 분석, 문서 생성에 유리합니다. 3. **비용 민감한 프로덕션 코딩.** 100만 토큰당 $0.30/$1.20으로 동급 벤치마크의 모든 폐쇄형 경쟁 모델보다 저렴해 대량 CI와 내부 개발 도구에 매력적입니다. 4. **사용하지 말아야 할 경우.** 멀티모달 작업(네이티브 비전·오디오 없음——MiniMax M3 라인 사용), 대학원 수준 추론, 지연시간 민감한 대화(느린 처리속도).