MiniMaxAI에서 개발한 MiniMax-M2.7은 자체 진화(self-evolution)에 깊이 관여하도록 설계된 첫 번째 모델입니다. 이 모델은 복잡한 에이전트 하네스(agent harnesses)를 구축하고, Agent Teams, 복잡한 Skills, 그리고 동적인 도구 검색(dynamic tool search)을 활용하여 매우 정교한 생산성 작업을 완료할 수 있는 능력을 갖추고 있습니다.

핵심 방법론 및 기능:

1. 모델 자체 진화 (Model Self-Evolution):

M2.7의 핵심은 자체 진화 능력입니다. 개발 과정에서 모델은 스스로 메모리를 업데이트하고, 강화 학습(RL) 실험을 위한 수십 가지의 복잡한 스킬을 구축하며, 실험 결과를 기반으로 학습 프로세스를 개선합니다. 구체적으로, 내부 버전의 M2.7은 프로그래밍 스캐폴드(scaffold)를 100회 이상 자율적으로 최적화했습니다. 이 과정은 실패 궤적(failure trajectories)을 분석하고, 코드를 수정하며, 평가를 실행하고, 변경 사항을 유지할지 되돌릴지 결정하는 반복적인 피드백 루프를 포함합니다. 이러한 순환적 개선을 통해 30%의 성능 향상을 달성했습니다. 이는 모델이 단순히 작업을 수행하는 것을 넘어, 자신의 성능을 평가하고 개선하는 메타 학습(meta-learning) 및 자율 에이전트(autonomous agent) 역할을 수행함을 의미합니다.

2. 프롬프트 템플릿 구조 및 도구 호출:

MiniMax-M2.7은 Jinja 템플릿을 사용하여 대화 프롬프트(prompt)를 구성합니다.

• 시스템 메시지: ]~!b[]~b]system 토큰으로 시작하며, build_system_message 매크로를 통해 기본 모델 ID("You are a helpful assistant. Your name is MiniMax-M2.7 and is built by MiniMax.")를 포함하거나 사용자가 제공한 시스템 메시지, 현재 날짜(current_date), 현재 위치(current_location) 정보를 렌더링합니다.
• 도구 정의: tools가 제공되면, render_tool_namespace 매크로를 사용하여 JSONSchema 형식의 도구 목록을 $<tools>...</tools>$ 태그 내에 렌더링합니다. 각 도구는 $<tool>{tool.function | tojson}</tool>$ 형식으로 표현됩니다.
• 도구 호출 형식: 도구 호출은 특정 XML 형식으로 이루어집니다. toolcall_begin_token ($<minimax:tool_call>$)과 toolcall_end_token ($</minimax:tool_call>$) 사이에 $<invoke name="tool-name"> <parameter name="param-key">param-value</parameter> ... </invoke>$ 와 같은 구조로 작성됩니다. 파라미터 값은 JSON 형태로 변환될 수 있습니다.
• 어시스턴트 응답: 어시스턴트 메시지는 ]~b]ai로 시작합니다. 모델의 추론 과정(reasoning_content)은 $<think>...</think>$ 태그 내에 포함될 수 있으며, 이는 사용자 메시지 이후에만 렌더링됩니다. 실제 콘텐츠는 visible_text 매크로를 통해 렌더링됩니다.
• 도구 응답: tool 역할의 메시지는 ]~b]tool로 시작하며, 도구 호출에 대한 응답은 $<response>...</response>$ 태그 내에 포함됩니다.

3. 성능 지표:
   • MLE Bench Lite: 22개 ML 경연 대회에서 66.6%의 메달 획득률을 기록하여 Opus-4.6 및 GPT-5.4에 이어 2위를 차지했습니다.
   • 전문 소프트웨어 엔지니어링:
     • SWE-Pro에서 56.22%를 달성하여 GPT-5.3-Codex와 유사한 성능을 보였습니다.
     • 실제 엔지니어링 벤치마크인 SWE Multilingual (76.5) 및 Multi SWE Bench (52.7)에서 더 강력한 성능을 나타냈습니다.
     • VIBE-Pro (55.6%)에서는 Opus 4.6에 거의 근접합니다.
     • Terminal Bench 2 (57.0%) 및 NL2Repo (39.8%)에서 복잡한 엔지니어링 시스템에 대한 깊은 이해를 보여줍니다.
     • 실제 프로덕션 사고 복구 시간을 3분 미만으로 단축하는 데 기여했습니다.
   • 전문 업무: GDPval-AA에서 ELO 점수 1495점을 획득하여 오픈소스 모델 중 최고점을 기록했으며 GPT5.3을 능가합니다. Word, Excel, PPT 고품질 다중 편집을 통해 수정 가능한 결과물을 생성할 수 있습니다.
   • 도구 사용 능력: Toolathon에서 46.3%의 정확도를 달성하며 글로벌 최고 수준을 기록했습니다. MM Claw에서는 40개 이상의 복잡한 스킬에 대해 97%의 스킬 준수율을 유지하며, 엔드투엔드 벤치마크에서는 62.7%를 달성하여 Sonnet 4.6에 근접합니다.
   • 엔터테인먼트: 강화된 캐릭터 일관성(character consistency)과 감성 지능(emotional intelligence)을 특징으로 합니다. 실시간 시각 피드백 및 장면 상호작용이 가능한 Web GUI 기반의 인터랙티브 데모 OpenRoom을 오픈소스화했습니다.

4. 추론 파라미터: 최적의 성능을 위해 $temperature=1.0$, $top_p=0.95$, $top_k=40$을 권장합니다.

배포 가이드: SGLang, vLLM, Transformers, ModelScope, NVIDIA NIM과 같은 다양한 추론 프레임워크를 통해 모델을 서비스할 수 있도록 지원합니다.

MiniMax-M2.7은 단순한 언어 모델을 넘어, 자체적으로 학습하고 개선하며, 복잡한 실제 문제 해결에 특화된 다기능 에이전트로서의 역량을 강조합니다.