MiniMax a publié M2.7 le 18 mars 2026, avec un angle radicalement différent de Kimi K2.6 : la self-evolution. Là où Kimi mise sur la parallélisation massive (swarm), MiniMax mise sur la boucle récursive. Le modèle participe activement à sa propre itération.
Sur SWE-Pro:
- M2.7 atteint 56.22% (niveau GPT-5.3-Codex),
- VIBE-Pro 55.6% (quasi-Opus 4.6),
- Terminal Bench 2 à 57%.
Côté office/GDPval-AA, il est 4e mondial en ELO (1495), premier des open-source.
Le cœur du papier : l'auto-amélioration du harness.
C'est ça qui est vraiment neuf. MiniMax a demandé à M2.7 d'optimiser son propre scaffolding de manière autonome, via une boucle d'itération pure :
flowchart TD
A[Analyse des
trajectoires d'échec] --> B[Plan de
modifications] B --> C[Modification
du scaffold] C --> D[Run d'évaluation] D --> E[Comparaison
résultats] E -->|amélioration| F[Keep] E -->|régression| G[Revert] F --> A G --> A
trajectoires d'échec] --> B[Plan de
modifications] B --> C[Modification
du scaffold] C --> D[Run d'évaluation] D --> E[Comparaison
résultats] E -->|amélioration| F[Keep] E -->|régression| G[Revert] F --> A G --> A
- 100+ rounds autonomes sans intervention humaine
- Découvertes concrètes : optimisation des sampling params (temperature, penalties), workflow guidelines, loop detection
- +30% de perf sur évaluations internes — le modèle a littéralement amélioré le modèle
- Sur MLE Bench Lite (22 compétitions ML OpenAI) : 66.6% de medal rate, derrière Opus 4.6 (75.7%) et GPT-5.4 (71.2%)
Capacités concrètes qui changent l'usage au quotidien
- Debug prod : corrélation alertes <-> déploiements, hypothèses statistiques, connexion DB pour vérif root cause, migrations d'index non-bloquantes. MiniMax rapporte des recovery times < 3 minutes sur incidents live.
- Bureautique pro : cas TSMC: M2.7 lit annual reports + earnings calls, cross-reference plusieurs analyses, construit un modèle de revenu, génère PPT + Word à partir de templates. Qualité "junior analyst first draft".
- Skills complexes : 97% de skill adherence sur 40+ skills dépassant chacun 2000 tokens — c'est le vrai chiffre qui compte pour ceux qui construisent des harness custom.
- Agent Teams natifs : collaboration multi-agents avec role boundaries, adversarial reasoning, protocole — présenté comme une capacité internalisée, pas obtenue par prompting.
- OpenRoom (github.com/MiniMax-AI/OpenRoom) : démo open-source de character-driven UI, majoritairement écrite par l'AI elle-même.
