MiniMax M2.7 參數量多少？上下文、MoE 與部署需求

MiniMax M2.7 為 230B 總參數、10B 活躍參數的 MoE 模型，上下文長度 204,800 tokens。整理官方規格、API 價格與本地部署門檻。

發佈於： 2026-04-12 | 更新於： 2026-07-14

內容查核： 2026-07-14 來源查核： 2026-07-14

MiniMax M2.7 的參數量約為 230B，推理時每個 token 啟用約 10B 參數；上下文長度是 204,800 tokens。 這三個數字分別回答「模型多大」「每次計算多少」「一次能讀多長」，不能混在一起看。

最容易誤解的是 10B：這個數字只表示路由後參與單次推理的活躍參數。M2.7 是稀疏 MoE 模型，完整權重仍約 229B／230B。個人電腦若沒有足夠 GPU 與記憶體，實際上應優先用 MiniMax API 或託管服務，不要看到「10B」就當成一般消費級本地模型。

🔑 5 個關鍵重點

總參數約 230B，Hugging Face 顯示模型大小約 229B parameters。

活躍參數約 10B，代表 MoE 每個 token 實際使用的部分，不等於完整權重大小。

上下文 204,800 tokens，可直接從官方模型 config.json 的 max_position_embeddings 驗證。

官方 API 定價：標準版每百萬 input tokens $0.30、output tokens $1.20。

可自架但門檻高：官方建議 SGLang、vLLM、Transformers 或 NVIDIA NIM，個人使用通常 API 更實際。

先回答：MiniMax M2.7 參數量與上下文長度

搜尋問題	快速答案
MiniMax M2.7 參數量多少？	約 230B 總參數；Hugging Face 模型頁顯示約 229B，常見 230B 是四捨五入。
活躍參數是 10B 代表什麼？	每個 token 經 MoE 路由後約啟用 10B 參數，不代表只要載入 10B 權重。
上下文長度多大？	官方模型 config 為 204,800 tokens。實際可用長度仍受服務方案、推理框架與顯存影響。
可以接 Claude Code / Cursor 嗎？	可以透過相容 API 或代理層整合，主要吸引力是 coding 任務成本低。
為什麼說便宜？	API 定價約 $0.30/M 輸入、$1.20/M 輸出，遠低於 Opus 等高階閉源模型。

🏢 MiniMax 是誰？3 分鐘搞懂這家公司

MiniMax 由前商湯科技副總裁閆俊傑於 2021 年底在上海創立。投資人陣容豪華：米哈遊、阿里巴巴、騰訊、高瓴、紅杉中國、IDG。

2026 年 1 月，MiniMax 在香港上市，首日暴漲 109%，市值突破千億港元（約 128 億美元），是近四年香港唯一首日翻倍的科技 IPO。36 歲的閆俊傑身價飆升至 32 億美元。

這家公司的特色是：用最少的資源做出最接近頂級的模型。M2.7 是這個哲學的極致體現。

🧬 什麼是「自我進化」？為什麼這很重要

傳統模型訓練 vs. M2.7 的自我進化

傳統的 AI 模型訓練完全由人類研究員主導——設計實驗、跑 benchmark、分析結果、調參數，每一步都需要人工介入。

M2.7 不一樣。MiniMax 設計了一套內部流程，讓模型自己參與自己的訓練：

傳統流程由研究員閱讀 log、規劃修改、更新程式碼、啟動評估並決定是否保留結果。MiniMax 表示，M2.7 的內部版本能在受控流程中讀取失敗軌跡、修改 programming scaffold、跑評估，再自行保留或還原變更。官方公布這套流程執行超過 100 輪，取得 30% 改善。

在訓練過程中，M2.7 自主執行了超過 100 輪這樣的完整迭代循環，在內部評估上實現了 30% 的效能提升。

這代表什麼？

簡單說：AI 開始能幫自己變強了。M2.7 處理了 30-50% 的強化學習研究流程——包括文獻回顧、數據管線管理、實驗監控、除錯和 log 分析。

這不是「AI 覺醒」的科幻劇情。這是工程上的務實做法：讓 AI 處理訓練流程中重複性高、規則明確的部分，讓人類研究員專注在最需要創意和判斷力的決策上。

官方跑分怎麼看？先分清測試名稱

軟體工程能力

MiniMax 官方公布 M2.7 在 SWE-Pro 為 56.22%、VIBE-Pro 為 55.6%、Terminal Bench 2 為 57.0%，另外列出 SWE Multilingual 76.5 與 Multi SWE Bench 52.7。

重點解讀：MiniMax 官方資料公布 SWE-Pro、VIBE-Pro、Terminal Bench 2、SWE Multilingual 與 Multi SWE Bench 等結果，但沒有把「SWE-bench Verified 78%」列在目前 M2.7 官方 repo 的主要結果中。因此本文不再用該數字比較模型。所有官方跑分都應視為候選篩選訊號，導入前仍要用自己的 repo、測試與成本限制驗證。

辦公生產力與 Agent 能力

辦公與 Agent 評測方面，官方公布 GDPval-AA ELO 1495、40 多項複雜 skills 的遵循率 97%，以及 MM Claw 62.7%。這些數字來自開發者資料，適合用來挑候選模型，不適合當成你的流程成功率。

和其他開源模型比較時，先用自己的任務

做 AI Agent 時，不要用一張跨模型星等表直接下結論。至少拿同一組 repo 任務比較：修改成功率、測試通過率、工具呼叫格式、重試次數、輸入／輸出 tokens、延遲與人工審查時間。M2.7 的優勢是官方明確聚焦 agent harness、複雜 skills 與工具搜尋；是否勝過 Qwen、Gemma 或閉源模型，仍取決於你的工作流與推理服務。

機器學習競賽

官方 repo 表示，M2.7 在包含 22 場機器學習競賽的 MLE Bench Lite 取得 66.6% medal rate，排名僅次於 Opus 4.6 與 GPT-5.4。比較時應使用同一版本的榜單與評測設定。

⚡ 速度與成本：真正的殺手鐧

開放權重不等於可自由商用

先釐清一個重要限制：M2.7 權重可下載，但官方 LICENSE 是非商用授權，不是 Apache 2.0、MIT 這類可自由商用的標準開源授權。 個人自架、研究與非商用用途可依條款使用；商業用途需要事前取得 MiniMax 書面授權，且應直接閱讀最新版 M2.7 LICENSE。

MiniMax 同時提供託管 API，按 tokens 計費。API 使用條件與下載權重的授權不是同一件事；要放進商業產品或公司流程時，應分別確認 API 條款、資料政策與權重授權。

API 託管價格比較

MiniMax 官方 Pay as You Go 頁面目前列出 M2.7 標準版 input $0.30/M tokens、output $1.20/M tokens、cache read $0.06/M tokens、cache write $0.375/M tokens。Highspeed 版的 input／output 單價為標準版兩倍。其他供應商價格會變動，本文不再用不同日期的單價做倍數比較。

這張表只能做單價參考，不能直接推出「便宜幾倍就等於每個任務省幾倍」。模型如果需要更多 tokens、更多 retry 或更多人工修正，總任務成本會不同。自架也不是零成本，仍有 GPU、電力、維運、監控與工程時間。

兩個 API 版本

標準版適合一般開發與 Agent 任務；M2.7 Highspeed 提供較高吞吐，input／output 單價也較高。延遲敏感的產品先用實際 prompt 測兩者，再決定是否需要 Highspeed。

💡 自架 vs. API 怎麼選？ 230B 參數的完整模型需要多張高階 GPU（估計 4-8 張 A100 80GB 以上）。如果你只是個人開發者或中小團隊，直接用 API 最划算。如果你是有 GPU 叢集的企業、有資料合規需求、或推理量大到 API 費用不划算，才值得考慮自架。

🏗️ 架構解析：為什麼 10B 就夠用

M2.7 採用 Sparse Mixture-of-Experts（稀疏混合專家） 架構：

總參數：230B
活躍參數：每次推理僅啟用 10B（全部的 4.3%）
專家數量：256 個
層數：62 層
Hidden Size：3,072
上下文窗口：204,800 tokens（約 20 萬）

MoE 的核心概念：不是所有參數都參與每次計算。每個 token 只會「激活」最相關的幾個專家模組，其餘保持休眠。這讓模型擁有大模型的知識廣度，但只付出小模型的計算成本。

DeepSeek V4 也用了類似的 MoE 架構，這已經成為 2026 年高效能模型的主流設計範式。

開發者生態：API、工具與自架

M2.7 已經整合進主流開發工具鏈：

M2.7 可透過 MiniMax API、相容端點或代理層接進 Claude Code、Cursor、Kilo Code、Cline、Codex CLI、Roo Code 與 TRAE 等工具。每個工具的 model name、base URL、tool calling 與 reasoning parser 設定不同，應以當前整合文件為準。

Agent 能力亮點

MiniMax 官方把 Agent Teams 列為 M2.7 的原生能力，訓練與評測都涵蓋多 Agent 協作：

角色邊界維持 — 在多 Agent 場景中保持身份一致性
對抗推理 — 能挑戰隊友的錯誤判斷
協議遵循 — 原生支援 MCP 等 Agent 通訊協議
狀態機管理 — 在複雜的多步驟任務中自主決策

更多 Agent 生態系的全景，請看 Agentic AI 趨勢總覽。

🛠️ 實戰教學：怎麼開始用 M2.7

M2.7 有三種使用方式，從最簡單到最硬核排列：

方式一：用 API（最簡單，5 分鐘上手）

適合：個人開發者、想快速試用、不想管 GPU

Step 1：申請 API Key

到 MiniMax 開發者平台註冊帳號，進入 API Keys 頁面產生金鑰。複製後立刻存好——頁面關掉就看不到完整金鑰了。

Step 2：用 Python 呼叫

M2.7 的 API 相容 OpenAI 和 Anthropic SDK 格式，不需要學新的 SDK：

# 方法 A：用 Anthropic SDK（推薦）
from anthropic import Anthropic

client = Anthropic(
    base_url="https://api.minimax.io/anthropic",
    api_key="你的_MINIMAX_API_KEY"
)

response = client.messages.create(
    model="MiniMax-M2.7",
    max_tokens=1024,
    messages=[
        {"role": "user", "content": "用 Python 寫一個快速排序"}
    ]
)
print(response.content[0].text)

# 方法 B：用 OpenAI SDK
from openai import OpenAI

client = OpenAI(
    base_url="https://api.minimax.io/v1",
    api_key="你的_MINIMAX_API_KEY"
)

response = client.chat.completions.create(
    model="MiniMax-M2.7",
    messages=[
        {"role": "user", "content": "用 Python 寫一個快速排序"}
    ]
)
print(response.choices[0].message.content)

💡 已經在用 OpenAI 或 Anthropic SDK 的專案？只需要改 base_url 和 api_key，其他程式碼幾乎不用動。

方式二：接進你的開發工具（推薦開發者）

適合：日常用 Claude Code / Cursor / VS Code 寫程式的人

Claude Code 設定

編輯 ~/.claude/settings.json：

{
  "env": {
    "ANTHROPIC_BASE_URL": "https://api.minimax.io/anthropic",
    "ANTHROPIC_AUTH_TOKEN": "你的_MINIMAX_API_KEY",
    "ANTHROPIC_MODEL": "MiniMax-M2.7",
    "API_TIMEOUT_MS": "3000000"
  }
}

設定完重啟 Claude Code 就能用了。

Cursor 設定

打開 Settings → Models
啟用 Override OpenAI Base URL
Base URL 填 https://api.minimax.io/v1
API Key 填你的 MiniMax 金鑰
新增自訂模型 MiniMax-M2.7 並啟用

Kilo Code / Cline / Roo Code

這些 VS Code 擴充都支援自訂 API Provider：

在擴充設定中選 API Provider → MiniMax（或自訂 OpenAI Compatible）
Endpoint 填 https://api.minimax.io/v1
貼上 API Key
模型名稱填 MiniMax-M2.7

方式三：自架部署（進階，需要 GPU）

適合：企業、有資料合規需求、大量推理需求

硬體需求

這是重點：M2.7 雖然每個 token 約啟用 10B 參數，部署時仍要載入約 230B 的完整權重。光看權重，FP8 就約是 230GB 級別，實際還要預留 KV cache、runtime、batch 與通訊空間；BF16 權重需求則更高。所需 GPU 數量會隨量化格式、推理框架、上下文和併發改變，不能用一張固定配置表保證。

官方列出的自架路線包括 SGLang、vLLM、Transformers、ModelScope 與 NVIDIA NIM。正式部署前，請依所選框架的 M2.7 指南核對支援版本與顯存估算。一般單張 24GB 消費級顯卡無法直接載入官方完整權重；個人使用者通常先用 API，或另找社群量化版並自行承擔品質、相容性與授權檢查。

用 vLLM 部署（推薦）

# 4 卡部署
SAFETENSORS_FAST_GPU=1 vllm serve \
  MiniMaxAI/MiniMax-M2.7 --trust-remote-code \
  --tensor-parallel-size 4 \
  --enable-auto-tool-choice --tool-call-parser minimax_m2 \
  --reasoning-parser minimax_m2_append_think

# 8 卡部署（支援更長上下文）
SAFETENSORS_FAST_GPU=1 vllm serve \
  MiniMaxAI/MiniMax-M2.7 --trust-remote-code \
  --enable_expert_parallel --tensor-parallel-size 8 \
  --enable-auto-tool-choice --tool-call-parser minimax_m2 \
  --reasoning-parser minimax_m2_append_think

vLLM 會自動從 Hugging Face 下載模型權重並快取。首次啟動需要較長時間下載（模型檔案約 440GB）。

用 Ollama Cloud（折衷方案）

如果你不想管 GPU 但也不想直接用 MiniMax API，Ollama 提供了雲端方案：

ollama run minimax-m2.7:cloud

這本質上還是雲端推理，但透過 Ollama 的統一介面操作，方便在不同模型間切換。

三種方式總結

想快速試用，直接用 API 最簡單；日常 coding 可以再把同一個 API 接入開發工具。自架部署需要伺服器級 GPU、推理框架、監控與授權審查，適合已有基礎設施和明確資料需求的團隊。

🎯 我該用 M2.7 嗎？選擇指南

💡 選擇建議

預算有限但需要接近頂級的程式碼能力 → M2.7 是目前性價比最高的選擇

需要最高品質的推理和寫作 → Claude Opus 4.6 仍然是天花板

大量 Agent 任務、成本敏感 → 用同一批任務實測 tokens、重試與人工審查後，再估算 M2.7 是否較省

企業合規、資料不出境 → 可評估自架，但商業使用前必須先確認並取得符合 LICENSE 的授權

想先試試 → 直接用 MiniMax API，$0.30/M 的門檻幾乎等於免費

什麼時候不該選 M2.7

需要超長上下文（100 萬 Token）→ GPT-5.4 或 DeepSeek V4
需要最強的多模態能力（影像、音訊） → 目前 M2.7 主要專注文字和程式碼
需要最高的 AI Agent 編排穩定性 → Claude Managed Agents 提供全託管方案

完整模型比較請看 GPT vs Claude vs Gemini 終極比較。

🌊 產業衝擊：定價權之戰

M2.7 的出現有三層意義：

1. 開放權重模型進入更多 Agent 候選名單

M2.7 的官方跑分與價格讓它成為 agent 與 coding 工作流的候選模型，但「是否接近某個閉源模型、是否真的更省」要以同任務測試為準。最實用的驗證方式是固定十到二十個真實任務，記錄成功率、tokens、重試、延遲和人工修正時間。

2. MoE 架構成為新常態

DeepSeek V4、M2.7 都證明：用稀疏激活把大模型的成本壓到小模型的水準，是可行的。這會加速整個產業往 MoE 轉型。

3. 自我進化不再是論文概念

MiniMax 把 M2.7 描述為深度參與自身演進的模型，並公布內部版本自主優化 programming scaffold 超過 100 輪、取得 30% 改善。這是官方案例，仍需要更多外部資料才能判斷它對整體模型研發速度的實際影響。

⚠️ 跑分亮眼，但要帶著意識看

M2.7 的 benchmark 數字確實搶眼，但在照單全收之前，有幾個值得留意的背景脈絡：

Benchmark 灌水的產業通病

這不是中國模型獨有的問題——所有 AI 公司都有動機讓自家模型在 benchmark 上好看。常見的手法包括：在訓練資料中混入測試題（data contamination）、挑選對自己有利的 benchmark 組合、或是用特定 prompt 格式跑出最佳成績。OpenAI、Google 也曾被質疑過類似問題。

但客觀來說，中國 AI 模型在這方面受到的質疑更多，主要原因有三：

讀跑分時注意三件事。第一，多數首發 benchmark 由模型開發者自行公布，第三方驗證較晚。第二，開放權重不代表訓練資料與流程完全公開。第三，公司會優先展示有利測試，因此跨模型比較必須對齊版本、prompt、工具與評分方式。

第三方實測怎麼說

值得注意的是，M2.7 確實有一些非官方的獨立驗證：

Artificial Analysis 智力指數 v4.0：M2.7 得分 50，仍落後 Gemini 3.1 Pro 和 GPT-5.4（57）、Opus 4.6（53）、Sonnet 4.6（52）
PinchBench：86.2%，全球第五，距離 Opus 4.6 僅差 1.2 個百分點

Artificial Analysis 用統一標準測試不同模型，因此比各家自行公布的數字更適合橫向參考。依這組結果，M2.7 仍落後 Opus 與 GPT-5.4，優勢主要落在價格與開放權重可測性。

我的建議

跑分當參考，實測定生死。 如果你考慮在生產環境使用 M2.7，建議：

用你自己的真實任務測（不是跑公開 benchmark）
和你目前在用的模型做 A/B 比較
先在非關鍵任務上跑一陣子，觀察穩定度

M2.7 的權重可供個人與非商用測試，API 也能用小額任務開始驗證。正式使用前，請把任務品質、API 成本、GPU 成本與授權條件一起納入。

❓ FAQ

M2.7 的「自我進化」會不會失控？

不會。M2.7 的自我進化是在嚴格限制的框架內運作的——它只能在指定的訓練管線中執行預定義的操作（讀 log、調參數、跑測試）。它沒有能力修改自己的目標函數或突破框架限制。這更像是「自動化測試 + 自動化調參」，而非科幻片裡的自我意識覺醒。

10B 活躍參數真的夠用嗎？

10B 活躍參數能降低每個 token 的計算量，但不能單靠這個數字判斷任務品質。是否夠用要看你的 coding、工具呼叫、中文、長上下文與可靠度測試；同時別忘了完整權重仍約 230B。

M2.7 中文能力怎麼樣？

MiniMax 是中國公司，M2.7 的中文訓練資料比例較高。在中文辦公任務（Excel 公式、PPT 排版、Word 編輯）上，GDPval-AA 拿到開源模型最高的 ELO 1495 分。對需要中文處理能力的使用者來說，這是一個有力的選擇。

下載權重和 API 版有差別嗎？

API 由 MiniMax 管理推理環境、更新、額度與計費；下載權重則由你負責 GPU、推理框架、監控和資料安全。官方標準 API 目前為 input $0.30/M tokens、output $1.20/M tokens。下載權重採非商用授權，商業自架前要取得書面授權，不能只比較 GPU 與 API 單價。

M2.7 和其他 MoE 模型怎麼選？

先比四件事：你的任務成功率、可用上下文、每次任務總成本，以及授權是否符合用途。M2.7 的規格重點是約 230B 總參數、10B 活躍參數與 204.8K context；其他模型也要回到官方 model card 與 LICENSE 核對，不要只依參數量或單次跑分選擇。需要更廣的本地模型比較可看 DeepSeek 與開放權重模型指南。

№ · further reading