MiniMaxAIオープンソース

MiniMax-M2.7

Name: MiniMax-M2.7
Author: MiniMaxAI

このモデルを比較

MiniMax開発の高性能モデル。2.5の改良版で更高的性能を実現。

シェア:X はてブ LINE

パラメータ

非公開

コンテキスト長

ライセンス

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

リリース日

2026-03-18

日本語性能

✅高品質日本語

多言語対応モデルのうち、日本語処理に優れた性能を持つモデル。

API料金

入力料金（1Mトークンあたり）

$0.3

出力料金（1Mトークンあたり）

課金モード: standard

強み

弱み

活用例

深度分析

Intelligence Index

Artificial Analysis; オープンウェイトの第1層コーディング特化

SWE-bench Verified

78%

人間検証付きの実際のGitHub issue解決

SWE-Pro

56.22%

プロ級ソフトウェア工學評価

Terminal-Bench 2

57.0%

エージェント的端末・ツール操作

入力価格

$0.30/1M

出力 $1.20/1M; キャッシュ入力 $0.06; 高速版 ~$0.60/$2.40

コンテキスト窓

205Kトークン

テキストのみ; 出力最大131K; 230B MoE / 稼働10B

強み

・Opus級のコーディングを約1/25のコストで: SWE-bench Verified 78%(Claude Sonnet 4と1〜2pt差)を$0.30/$1.20 per millionで
・オープンウェイト(230B MoE, トークン当たり10B稼働)でセルフホスト可能; SGLang・vLLM・Transformers・NVIDIA NIMに対応
・自己進化学習(100回以上の自律最適化サイクル)と強力なエージェントツール操作(GDPval-AA Elo 1495)を持ち、MiniMax自身のRL研究ワークフローの30〜50%を担う

弱み

・ライセンスは「フェイクOSS」: Modified-MITは商用に書面でのMiniMax承認を要し、コミュニティから反発
・テキストのみ — ネイティブな視覚・音声なし; 画像理解は別モデルへの関数呼び出し経由
・大学院級推論(GPQA Diamond)はコーディング得点を大きく下回り、10B稼働としては~35〜46 tok/sと遅い

競合比較

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

概要

MiniMax M2.7は上海のMiniMaxが2026年3月18日に発表(ウェイトは4月12日公開)したオープンウェイトのコーディング・エージェントモデル。2300億パラメータMoEでトークン当たり100億のみを稼働させ、SWE-bench Verified 78%・SWE-Pro 56.22%を記録する。これはClaude Opus 4.6の約1/25のコストでGPT-5.3-Codexと同等以上の難易度のコーディング評価を上回る。MiniMaxは訓練中に100回以上の自律最適化サイクルを回した「自己進化」モデルと位置づけ、Cline・OpenCode・Kiloのハーネス向けの実戦級コーディングエージェントとしている。主な注記は非商用のModified-MITライセンスとテキスト単一モダリティ。

ベンチマーク＆性能

コーディングとエージェント評価(MiniMax自己報告、Artificial AnalysisとOpenRouterがクロスチェック): 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 Proと同着)、GDPval-AA Elo 1495。Artificial AnalysisのIntelligence Indexは50。SWE-bench VerifiedではM2.7(78%)はM2.5(80.2%)をやや下回り、MiniMaxはこれをエージェント・多言語最適化へのシフトと説明する。大学院級推論(GPQA Diamond)はコーディング得点を大きく下回り、コード/エージェント学習重心を示す。

詳細比較

**M2.7 vs Claude Sonnet 4:** SWE-bench Verifiedで同等(78% vs ~79%)を10分の1の価格($0.30/$1.20 vs $3/$15)で達成するが、Sonnet 4はマルチモーダルで一般推論が強い。**M2.7 vs M2.5:** 自己進化とエージェント強化(Terminal-Bench 2 57% vs 47.9%)を加えた反面、SWE-bench Verifiedはわずかに低下(78% vs 80.2%); 価格は同じ。**M2.7 vs GPT-5.3-Codex:** SWE-Proで1pt以内(~56%)に収まるが、M2.7はオープンウェイトでずっと安く、CodexはOpenAIのコーディングスタックと緊密に統合される。

コミュニティ評価

開発者はM2.7のOpus級コーディングをFractionのコストで、セルフホスト用オープンウェイトを評価している。最大の論争はライセンスだ。「Modified-MIT」タグに商用承認要件が付いたことは「フェイクOSS」と広く批判された。またスループットの遅さ(~35〜46 tok/s)や、大学院級推論がコーディング強度に届かない点も指摘される。より難しい評価の独立再現はまだ限定的。

ユースケース

1. **自律的バグ修正・リファクタリング:** SWE-bench Verified 78%は実際のGitHub issue約5件中4件でコードベースを読み、バグを特定し、動く修正を出せることを意味し、セルフホスト型コーディングエージェントに最適。2. **多段エージェントワークフロー:** 強いツール操作(GDPval-AA Elo 1495)とTerminal-Bench 2(57%)でライブデバッグ・ root-cause分析・文書生成末端まで向く。3. **コスト重視の実戦コーディング:** $0.30/$1.20 per millionで同ティアのクローズド競合を全て下回り、高ボリュームCIや社内開発ツールに魅力的。4. **非推奨:** マルチモーダル(MiniMaxのM3系を使用)、大学院級推論、レイテンシ敏感な対話(スループット遅い)。