是的，当大家都还在折腾龙虾时候，我关注的是MiniMax M2.7, 很多还没注意到一个事前，养龙虾的根部问题不是龙虾本身，而是喂的饲料，所以很多人都觉得不就是喂Token吗，花钱就是了，这就已经说到问题本质了 ，饲料怎么选很重要，如果从真实使用强度来看，MiniMax M2.5 在 OpenRouter 上的表现，已经不是“热门模型”，而是典型的“流量吞噬者”。2026年2月至3月，多项第三方统计与社区榜单均显示，其 token 调用量连续多周位居前列，并稳定处在“万亿级/周”的消耗区间。换句话说，在开发者生态里，M2.5 很可能是当下最典型的“喂token机器”。相比之下，无论是 Kimi 还是 DeepSeek，更偏向能力或场景优势；而 M2.5，则是在“成本 × 吞吐 × 可持续调用”这一维度上，把规模效应推到了极致。
所以需要来深度了解下，先把公司底子说清楚，避免大家云里雾里，MiniMax 全称 上海稀宇科技有限公司（部分报道也写成上海稀宇极智科技有限公司），总部位于上海徐汇区模速空间。创始人闫俊杰（曾参与商汤科技计算机视觉项目）带着团队2021-2023年间正式起航，主打“与所有人共创智能”。 早期靠 abab系列 + 多模态（视频Hailuo、语音Speech、音乐Music）出圈。2023年8月abab大模型通过国家首批备案，2024年推出abab 6.5系列，2025年发布Hailuo 02视频模型，估值一度破百亿港元，2026年1月已在港交所上市（股票代码00100.HK），市值最高冲到3000亿+港元。 但真正让MiniMax从“视频生成公司”变成Agent黑马的，是2025年开始的 M系列文本大模型。他们押注的不是单纯的聊天或生成，而是生产力+Agent+自我进化。M2.7就是这个战略的巅峰产物——官方直接说：“M2.7是我们第一个模型深度参与迭代自己的模型。”一句话总结公司定位：中国版“全栈Agent原生AI公司”。不像某些大厂只做聊天，它从底层架构到应用层（MiniMax Agent APP、开放平台）全闭环，目标是把AI变成每个打工人的“超级助手+团队”。
M2系列进化史：M2.7不是突然冒出来的，M2.7的诞生，也是一步一个脚印的“进化链”：
2025年初：MiniMax-Text-01（M系列祖先）——百万token长上下文，打基础。
2025年6月：M1——全球首个大规模混合注意力推理模型（MoE+Lightning Attention），正式开启Agent时代。
2025年10月：M2——Agent原生模型，230B参数，上下文优化，速度/性价比暴增，开源权重刷爆Hugging Face。
2025年12月：M2.1——多语言编程、响应速度+30%，办公场景加强。
2026年2月：M2.5——编程SWE-Bench Verified 80.2%，多Agent工具调用SOTA，引入大规模RL训练，速度再提37%。此时已能让公司内部30%任务自主完成。
2026年3月18日：M2.7——闭源旗舰（API+Agent平台调用），自我进化闭环正式上线。距离M2.5仅1个月，却完成质变。
官方原话：“在M2系列发布后的几个月，我们收到大量用户反馈……唯一途径就是开启模型和组织的自我进化。”于是，他们用早期M2搭建“Agent Harness”（智能体外层脚手架），让模型自己参与实验设计、日志分析、debug、调参、代码提交……循环100+轮，内部评测提升30%！M2.7参数约229B，上下文20万+ token，API定价亲民（highspeed版输入4.2元/百万token），现在已在 MiniMax Agent APP（iOS/Android/桌面版）和agent.minimaxi.com全量上线。
亮点1：多智能体组队干活，模型自己当“团队指挥”
M2.7 让模型智能体写作能力， 不是靠外部编排框架，而是自己带队干活，也会自我进化，MinMax内部做过个疯狂测试，让模型自己当架构师，仅靠一个人类，花了4天时间，0行人工代码，就搭出来一整套研发系统，它甚至自己跑去参加机器学习竞赛，一口气拿下了9枚金牌，过去需要一个团队协作的实验，现在M2.7自己就干掉了一半工作量，以前Agent协作靠外部框架（LangChain/CrewAI）硬堆，角色容易崩、沟通乱。M2.7直接原生内置Agent Teams：它自己定义角色边界、执行对抗式推理、遵守协议。
基准数据：GDPval-AA ELO 1495分（开源最高，仅次于Opus 4.6/Sonnet 4.6/GPT-5.4）。实测表现：一个Agent写代码、一个review、一个测试debug，互相challenge逻辑盲点。40+复杂技能（每个>2000 tokens）遵守率97%。
场景：写一个完整SaaS产品，它能拆成“产品经理Agent+前端Agent+后端Agent+测试Agent”，自主协作交付。官方说，这把开发效率提升到“范式级”。
亮点2：编程能力从“写代码”进化到“修生成事故”——SRE级别
以前模型只会生成代码，现在M2.7是生产环境全能战士。
收到线上告警后，它能：
关联监控日志 → 根因分析（调用链+数据库查询）
数据库调优（发现漏索引 → 非阻塞建索引止血）
代码修复+提MR+冒烟测试
故障决策（优先级+回滚方案）
基准：
SWE-Pro：56.22%（接近Claude Opus最佳，匹配GPT-5.3-Codex）
VIBE-Pro（端到端项目交付）：55.6%
Terminal Bench 2（复杂工程系统理解）：57.0%
真实案例：官方演示中，线上故障恢复时间缩短到3分钟，研究员介入率降到30-50%。它现在更像SRE（站点可靠性工程师）+ DevOps，而不是单纯coder。社区有人说：“以前写代码是基本功能，现在它直接帮我值夜班了。”
亮点3：数字化办公，拯救Excel恐惧症 + 高保真多轮编辑
这可能是最贴近打工人的杀手级能力，M2.7深度支持Office三件套：
Excel：金融建模、脏数据清洗、多轮修改（公式、透视表、图表自动生成）
Word：结构调整、语言润色、高保真修订
PPT：模板生成+交互编辑，直接输出可编辑文件
基准：GDPval-AA ELO 1495（专业知识+任务交付SOTA）。
实测：能读年报→比对竞品→建预测模型→出Excel图表+Word报告+PPT汇报。
多轮高保真：你改一句，它保持格式/公式/布局不变。
一句话：把“高级Office技能”变成了每个打工人的默认配置。财务/咨询/运营岗直接起飞。
亮点4：角色扮演 + 赛博养宠，人格化陪伴新高度
M2.7情商和身份保持能力大幅提升，支持10种语言跨语言人格统一 + 长期记忆框架。亮点在于：闲聊陪伴不OOC，互动小说/沉浸游戏，多角色群聊：多个Agent自主互动，“赛博养宠”：赋予持久身份、真实情感厚度（记住过去对话、情绪演变），因为Agent能力内化了长期一致性。社区已经有人用它建“虚拟伴侣”或“多角色故事宇宙”，反馈人格厚度完胜以前模型。
所以，回到最开始那句话。当所有人还在讨论“龙虾好不好养”“一只龙虾要喂多少Token”的时候，其实问题早就偏了。真正决定你能不能跑起来的，从来不是龙虾本身，而是你喂它什么饲料——是碎片化调用、一次性对话，还是持续、高强度、结构化的任务投喂。
你以为你在用模型，其实你只是在“偶尔喂一下”；而真正跑出规模效应的人，已经在把模型当成生产系统，甚至是组织的一部分。这也是为什么，像 MiniMax M2.5 会变成“流量吞噬者”。它不是最会说话的，但它是最能被“持续喂养”的。而 M2.7，更进一步——
它不只是吃饲料，它开始参与生产饲料，甚至开始优化自己的进食方式。这才是这波变化真正可怕的地方。很多人以为，这一轮AI竞争，是模型能力的竞争；但慢慢你会发现，它其实变成了：
谁能构建一个可以持续投喂、持续迭代、持续放大的系统。
小龙虾只是表象，Token只是成本，模型只是载体。同样一个复杂任务，不同模型的成本差距，并不体现在“每次调用贵不贵”，而在于“要走多少轮”。
有的模型需要反复试错、修正路径，兜兜转转消耗掉10万token；
而具备更强Agent能力的模型，能一次拆对任务、减少无效调用，把总消耗压缩到1万token级别。这不是简单的价格差异，而是“推理路径效率”的差异。
真正的分水岭，是你有没有意识到——你是在“用工具”，还是在“搭一个会自己长大的系统”。当这个认知出现之后，才是M2.7真正指向的方向，从某种程度上说，小龙虾的出线不光是卷了打工人我们普通老百姓，同样也是在卷上层，在高频调用和持续投喂的场景下，模型之间的差距被无限放大——成本、吞吐、稳定性，开始决定生死。这也是为什么，这一轮AI竞争，看起来是在比模型，实际上是在比谁更适合被长期运行。
