MiniMax M2.7 官方发布：SWE-Pro、VIBE-Pro 与 Agent 工作流基准

一句话结论

官方结果显示 M2.7 在真实工程、端到端项目和 Office/Agent 任务上覆盖面很广：SWE-Pro 56.22%、VIBE-Pro 55.6%、Terminal Bench 2 57.0%、GDPval-AA 1495、MM Claw 62.7%，但完整 harness 仍未公开。

测试环境

• 模型：MiniMax M2.7；官方 API/Agent 与内部 Agent harness。

• 工程基准：SWE-Pro、VIBE-Pro、Terminal Bench 2、NL2Repo、SWE Multilingual、Multi SWE Bench。

• 办公/Agent 基准：GDPval-AA、Toolathlon、MM Claw（40+ skills/复杂工作）、MLE Bench Lite（22 ML competitions）。

• 配置：各基准由官方/内部 harness 执行；文章未给每个测试的完整输入、采样、重复次数、成本和置信区间。

输入/配置

官方案例包含生产日志/监控/部署时间线/trace/数据库/代码库的调试流程、Web/Android/iOS/模拟项目交付、Word/Excel/PPT 多轮编辑、研究报告与 TSMC 收入模型。部分结果来自内部复杂 skills、Agent Teams 和动态工具搜索。

结果数据

• SWE-Pro：56.22%；SWE Multilingual：76.5；Multi SWE Bench：52.7。

• VIBE-Pro：55.6%；Terminal Bench 2：57.0%；NL2Repo：39.8%。

• GDPval-AA：ELO 1495，官方称为 open-source models 中最高；Toolathlon：46.3%。

• MM Claw：62.7%，官方称接近 Sonnet 4.6；在 40+ 个每个超过 2,000 tokens 的复杂 skills 上，skill adherence 97%。

• MLE Bench Lite：3 次 24 小时试验平均 medal rate 66.6%，最佳 9 gold/5 silver/1 bronze。

结论

M2.7 适合需要真实工程系统理解、端到端交付、工具/skills 编排的 Agent；但使用公开 API 时应把官方内部 harness 当作上限参考，重新测量裸模型或自有 scaffold 的效果。

局限

• 这是厂商发布基准，完整 prompt、任务 split、harness、成本、失败样本和统计方差未公开。

• 许多数字依赖 MiniMax 内部 Agent Teams、memory、skills 和动态工具搜索，不能直接归因于裸模型。

• GDPval-AA、MM Claw、SWE-Pro 等指标性质不同，不应合成一个总分。

• “reduced recovery time under three minutes”是官方内部多次案例，不是受控平均性能。

复现步骤

1. 明确选择 API、开源权重、vLLM/SGLang 或自定义 Agent harness，并锁定版本。

2. 选取编码 issue、端到端项目、Terminal、办公文档、工具调用和长程实验任务，提供相同工具与权限。

3. 记录 prompt、skill/tool 定义、调用轨迹、patch、测试、成本、延迟和人工介入。

4. 将结果按基准和 harness 分层，单独报告裸模型与 Agent 编排收益。