這些benchmark對應(yīng)不同的能力維度：SWE Bench和VIBE-Pro更接近真實的軟件工程任務(wù)，而Toolathon和MM-ClawBench則強(qiáng)調(diào)模型在復(fù)雜流程中的執(zhí)行能力；相比之下，MLE-Bench等測試則更偏向算法與研究能力。
從結(jié)果來看，M2.7在工程執(zhí)行類任務(wù)中已經(jīng)進(jìn)入第一梯隊，這一點在幾個關(guān)鍵指標(biāo)上體現(xiàn)得比較明顯。
比如在SWE Bench Pro上，它的表現(xiàn)已經(jīng)接近甚至超過部分一線模型，這類測試本質(zhì)上是在真實代碼庫中定位問題并完成修復(fù)，更接近“線上排障”的場景；
而在VIBE-Pro這種端到端項目任務(wù)中，M2.7同樣處在第一梯隊，這意味著它不只是會補(bǔ)代碼，而是具備從需求到交付完整產(chǎn)出的能力。
另一個比較值得注意的是MM-ClawBench這一類Agent測試。這里考查的不是單步能力，而是模型在長流程中的穩(wěn)定執(zhí)行能力，能不能在多步驟任務(wù)中持續(xù)調(diào)用工具、保持上下文、最終把事情做完。
M2.7在這一項上已經(jīng)接近頭部模型，說明它在“能不能把活干完”這件事上，確實已經(jīng)跨過了一道門檻。
但如果切換到更偏研究和復(fù)雜推理的任務(wù)，比如MLE-Bench這一類測試，M2.7仍有進(jìn)步空間。這類任務(wù)更接近算法工程或科研場景，要求模型具備更強(qiáng)的抽象能力和系統(tǒng)性建模能力，這一部分目前仍然是頭部模型的優(yōu)勢區(qū)間。
好了，硬核的信息放在一邊，拿到MiniMax M2.7內(nèi)測API的那一刻，我們第一反應(yīng)是：“能用它整點什么活？”
把它丟進(jìn)一個真實的場景里，看它能不能滿足我的需求，這最直觀，也最接地氣。
所以我們給M2.7設(shè)計了四場“考試”，難度從低到高，場景從荒誕到嚴(yán)肅：先讓它同時扮演我爸媽和弟弟在微信群里聊天，再搭一個Agent Harness框架讓它自主編程（做一個霓虹燈數(shù)字時鐘熱熱身，再從零寫一個貪吃蛇游戲），最后把英偉達(dá)的年報甩給它，讓它像分析師一樣輸出研究報告、交互式儀表盤和演示文稿。
玩了一下午，只想說：M2.7，你有點東西。
我們做的第一個測試，靈感來源于每個中國人手機(jī)里都有的那個東西——家族微信群。
你知道的，就是那種群名叫“相親相愛一家人”的群，里面永遠(yuǎn)有人在轉(zhuǎn)發(fā)養(yǎng)生文章，有人在發(fā)語音消息，有人在催你結(jié)婚，還有人在打游戲不回消息。
這個場景之所以適合測試AI，是因為它對“角色一致性”的要求極高。
群里每個人的說話方式、關(guān)注點，甚至打字習(xí)慣都完全不同，而且他們之間還會互相接話、抬杠、拌嘴。
我們用M2.7搭了一個高仿微信界面的網(wǎng)頁應(yīng)用，連手機(jī)外殼、狀態(tài)欄、綠色氣泡都做了出來，力求還原度拉滿。一開始我想了很多人設(shè)，比如前文提到的爺爺奶奶等。
但是最后我敲定了一家四口，他們分別是：
老李（爸爸），55歲國企退休干部，性格暴躁但刀子嘴豆腐心，釣魚狂熱愛好者，最恨吃蔬菜尤其是西蘭花，說話愛引用名人名言，動不動就“我當(dāng)年……”
媽媽（王秀英），52歲社區(qū)居委會大媽，超級嘮叨但滿滿都是愛，養(yǎng)生達(dá)人兼廚藝高手，打字瘋狂用 emoji，喜歡用【】強(qiáng)調(diào)重點，三句話之內(nèi)必催女兒找對象
李小龍（弟弟），24歲，大學(xué)畢業(yè)兩年了還沒找到正經(jīng)工作，整天在家打原神和王者榮耀，嘴貧愛懟人，滿嘴“yyds”“絕絕子”，最怕爸爸說教，一被罵就裝可憐或者轉(zhuǎn)移話題，經(jīng)常找姐姐借錢但從不還。
頁面如下：
在我并未詳細(xì)要求界面具體呈現(xiàn)的情況下，模型返回的設(shè)計相當(dāng)讓人滿意，于是我開始嘗試發(fā)送第一句話。
發(fā)送失??？顯示的是調(diào)用API失敗。于是我讓M2.7給我檢查一下問題所在。
M2.7很快就發(fā)現(xiàn)了BUG，在修復(fù)后終于可以對話了，但是……
設(shè)定上作為我的父親，他卻不認(rèn)識我，很顯然，這是一個人物設(shè)計上的BUG。于是我又讓M2.7重新編排了一下角色身份，“我”被設(shè)定為家中的長女。
隨后，一切正常，這個模擬器終于可以運行了。
雖然沒有一上來就夢幻開局，但是Bug的發(fā)現(xiàn)和修復(fù)都非常絲滑。
M2.7的角色扮演能力很強(qiáng)。但我想強(qiáng)調(diào)的是，多角色群聊的難度遠(yuǎn)不止“給每個角色設(shè)定不同的語氣”這么簡單。
通過報錯的那張圖可以看到，對于不同角色，M2.7會分別調(diào)用模型，而不是說一次生成所有的對話。
它要求模型同時維持多個角色的人格狀態(tài)、理解角色之間的關(guān)系（父女、母女、兄妹、夫妻），并且讓這些關(guān)系在對話中自然地碰撞出火花。
一家四口，三個AI角色，每個人都有自己的小心思和說話習(xí)慣，還要讓他們能和我互動起來。
M2.7做到了，而且做得相當(dāng)自然。
第二場開始，我決定上一點強(qiáng)度。
為了測試M2.7的Agent能力，我專門搭了一個Agent Harness測試框架。界面長得像一個深色主題的IDE：左邊是 agent的思考軌跡面板，實時顯示它每一步在想什么、打算做什么。
右邊分成三塊——任務(wù)配置區(qū)、虛擬文件系統(tǒng)（顯示它創(chuàng)建了哪些文件）和實時預(yù)覽窗口（直接渲染它寫出來的 HTML）。
這個框架給M2.7提供了五個工具：write_file（創(chuàng)建/寫入文件）、read_file（讀取文件）、list_files（列出目錄）、execute_js（在沙盒里跑 JavaScript）和 finish（宣布任務(wù)完成）。
除此之外，什么都沒有。相當(dāng)于把一個程序員扔進(jìn)一間空屋子，只給他一臺電腦和一個需求。
第一個任務(wù)，我讓M2.7做一個霓虹燈風(fēng)格的數(shù)字時鐘。M2.7需要理解需求、規(guī)劃方案、寫代碼、自己檢查、最后交付。
點擊“啟動 Agent”之后，M2.7的ReAct循環(huán)開始轉(zhuǎn)了。最后在第5輪的時候，M2.7執(zhí)行完了命令，實際上第4輪就行了，當(dāng)時我這里出現(xiàn)了一些網(wǎng)絡(luò)波動，導(dǎo)致M2.7調(diào)用工具失敗。
說實話，這個結(jié)果本身并不讓我們特別驚訝。
一個數(shù)字時鐘對于2026年的大模型來說確實不算什么。
真正讓人感到驚喜的，是整個開發(fā)過程非常流暢。
從理解需求到規(guī)劃方案到寫代碼到自檢到交付，整個Agent工作流跑得行云流水，沒有一步多余的操作。這說明M2.7對ReAct框架的適配相當(dāng)成熟，它知道什么時候該想、什么時候該動手、什么時候該收工。
好，熱身結(jié)束。接下來，繼續(xù)上難度。
時鐘畢竟太簡單了。沒有交互邏輯，沒有狀態(tài)管理，沒有邊界條件。
我需要一個真正能考驗Agent自主推理和調(diào)試能力的任務(wù)，比如貪吃蛇。
這回的需求復(fù)雜度完全不在一個量級：Canvas繪制、鍵盤事件監(jiān)聽、蛇的移動邏輯、食物隨機(jī)生成、碰撞檢測（撞墻和撞自己）、計分系統(tǒng)、游戲結(jié)束判定、重新開始功能。
同時我還要求M2.7用Word記錄下來自己的開發(fā)過程。
結(jié)果如下：
在第1輪里，M2.7沒有著急寫代碼，它是先創(chuàng)建了一個規(guī)劃。“我要開發(fā)什么什么任務(wù)”，“這個任務(wù)需要用到什么工具”等等。
第2輪，進(jìn)入正題。M2.7會創(chuàng)建一個完整的HTML文件，包含所有功能，包括畫布渲染、鍵盤控制、隨機(jī)食物生成、計分、碰撞檢測以及開始 / 重新開始功能。
第3輪，檢查文件有沒有被正確創(chuàng)建。
第4輪，檢查語法，并且檢查游戲的完整性。
第5輪，檢查所有任務(wù)是否已經(jīng)完成。
整個任務(wù)只需要5輪，共消耗25882個token。
不過也要說說不足。
整個過程并不是一帆風(fēng)順的——Agent 在早期的幾輪迭代中，JSON 格式的工具調(diào)用偶爾會出錯，導(dǎo)致框架解析失敗，返回一個紅色的錯誤提示。
M2.7 看到錯誤后能自我糾正，下一輪就輸出了正確格式的 JSON，但這種“先犯錯再改”的模式在需要長時間自主運行的 Agent 場景中是一個隱患——如果連續(xù)幾輪都格式錯誤，可能會耗盡最大輪次限制而任務(wù)失敗。
但總的來說，從時鐘的“一次過”到貪吃蛇的“寫→查→修→再驗證”，這兩個任務(wù)放在一起看，恰好展現(xiàn)了 M2.7 作為 Agent 的兩面：面對簡單任務(wù)時的高效利落，和面對復(fù)雜任務(wù)時的自主調(diào)試能力。
這也正是 M2.7 官方最強(qiáng)調(diào)的核心能力——Agent Harness 能力，不僅能在給定的工具框架中完成任務(wù)，還能主動迭代和自我糾錯。
前面三個測試，一個考“說”，兩個考“做”。
最后一個測試，我們想換個方向。
現(xiàn)在有很多金融行業(yè)的人也在使用Claude Opus這樣的大模型，原因很簡單，它們能把復(fù)雜的數(shù)據(jù)制作成直觀的圖表形式。
我把英偉達(dá)FY2026的完整財報數(shù)據(jù)甩給了M2.7。
然后我給了它一個任務(wù)：基于這些數(shù)據(jù)，生成三個專業(yè)交付物。
第一個是深度研究報告，要求投行風(fēng)格，包含財務(wù)全景、五大業(yè)務(wù)板塊分析、FY2027 預(yù)測模型、風(fēng)險評估和估值分析。
第二個是交互式財務(wù)儀表盤，要求是藍(lán)綠色風(fēng)格的深色主題，包含圖表、可調(diào)動的滑塊，以及五個功能標(biāo)簽頁。
第三個是12頁演示文稿，要求投行風(fēng)格，支持鍵盤翻頁，包含數(shù)據(jù)可視化圖表。
當(dāng)然，這里必須誠實地說一句，這個測試的“含金量”需要打個折扣。因為財報數(shù)據(jù)是我預(yù)先搜集好喂給它的，而不是讓它自己去搜索和整理的。
M2.7在這個任務(wù)中，盡職扮演了一個“拿到所有原材料后進(jìn)行加工和呈現(xiàn)”的分析師，如果我們讓它自己搜集數(shù)據(jù)（這個對現(xiàn)在的模型來說并不難），那它完全可以扮演一個“從零開始做調(diào)研”的研究員。
但即便如此，它對復(fù)雜金融數(shù)據(jù)的理解能力、對多種輸出格式的駕馭能力，以及生成專業(yè)級可視化內(nèi)容的能力，都給我們留下了深刻印象。
這個測試直接對應(yīng)了M2.7官方宣傳的復(fù)雜Office自動化能力——“支持復(fù)雜 Excel/Word/PPT 辦公任務(wù)及多輪編輯”。從實測來看，在金融分析這個場景上，M2.7 確實能輸出接近專業(yè)水準(zhǔn)的內(nèi)容。
還有一點特別想分享，MiniMax也在做更多有趣的嘗試，這一點也令人驚喜。
比如，MiniMax這次官宣的時候就提到，他們構(gòu)建了一個 Agent 交互系統(tǒng) OpenRoom（openroom.ai），它將 AI 互動置入一個萬物皆可互動的 Web GUI 空間。有意思的是，原型項目已開源，這里面的代碼大部分也是 AI 寫的。
在這里，對話即驅(qū)動，實時產(chǎn)生視覺反饋與場景交互，角色可以主動地與環(huán)境交互。MiniMax希望能夠隨著模型 Agentic 能力的提升和社區(qū)的共建持續(xù)進(jìn)化，探索出更多人與 Agent 之間全新的交互方式。
這次測下來，我最大的感受其實不是“它又變強(qiáng)了”，而是你開始能明顯感覺到，一個模型不再只是等你提問的工具，而是可以被放進(jìn)一個系統(tǒng)里持續(xù)運轉(zhuǎn)的搭檔。
我們評測挑選的場景是任何一個普通用戶都可以上手用到的，從群聊模擬，到寫代碼，再到做分析報告，這些任務(wù)背后其實是同一件事：模型開始參與到一個完整流程里，而不是只負(fù)責(zé)某一個瞬間的輸出。
當(dāng)然，這一步還遠(yuǎn)遠(yuǎn)沒有到終點。你依然能看到它在復(fù)雜推理、長流程穩(wěn)定性上的邊界，也能看到一些細(xì)節(jié)上的不穩(wěn)定，比如工具調(diào)用格式錯誤、需要多輪修正才能收斂。這些問題在“單次對話”里可能不明顯，但放進(jìn)Agent這種長時間運行的框架里會被放大。
但有一點是比較直觀的：當(dāng)模型開始能在一個任務(wù)里自己往前推進(jìn)、自己發(fā)現(xiàn)問題、再自己修正的時候，整個使用體驗就變了。模型離“你問一句、它答一句”的形態(tài)越來越遠(yuǎn)，開始和你一起把一件事做完。
你的下一個生活、工作搭子，何必是人類？
快報
根據(jù)《網(wǎng)絡(luò)安全法》實名制要求，請綁定手機(jī)號后發(fā)表評論