不看榜单跑分,我们直接让 M2.7 接管了查文献、修 bug、跑实验的科研流水线。
过去一年,业界大多把精力卷在了外部的 Agent Harness 上,任务编排与工具链越做越重。
但面对真实的复杂业务,外围脚手架搭得再精巧,一旦底层模型的指令遵循率掉链子、长上下文一断档,整个流水线往往在第四步、第五步就会全盘崩溃。
刚刚发布的 MiniMax M2.7,试图从底座层面强行破局。它原生具备多智能体协作能力,把复杂的 Harness 构建逻辑直接内化到了模型内部。
这让它在面对 40 个复杂 Skills 的极端测试时,依然稳稳踩住了 97% 的超高遵循率。
〓 在软件工程、专业办公及复杂 Agent 评测中,M2.7 综合表现稳居全球第一梯队
当然,在 benchmark 上刷出高分是一回事,能不能扛住真实的工程压力是完全另一回事。
这次我们直接上难度,让 M2.7 接管一套端到端的自动化科研工作流。
跑通自动化科研流水线
我们给 M2.7 设定了一个比较宽泛的研究方向:
探索离散扩散模型(Discrete Diffusion Models)在逻辑/算术推理任务中的应用,找出现有研究的痛点,并构思具体的验证实验、跑通基础代码。
挂载完复杂的 skills 后,模型立刻开始调度。在尝试原生 WebSearch 工具失败时,它迅速改用终端命令(curl + proxy)抓取 arXiv API。
它自主发散出多个研究方向,并在内部完成了科学量化的打分与排名。
在筛选 idea 期间,M2.7 调度了预置的 skills,自主拉起了一个第三方大模型,作为“审稿人”进行交叉验证。
它还附带了一个成熟的容错机制。如果人类未响应决策询问,它将默认推进评分最高的 idea。
整个科研流水线不会因为人类的离线而陷入无尽等待。
最终,它大浪淘沙精炼出了一份包含具体变量的实验路线图。
不仅敲定了研究痛点,连 GPU 耗时预估、判别成功的数学指标以及需要手写的脚本清单,都安排得明明白白。
▲ 向下滑动,查看完整实验方案
拿到方案后,M2.7 开始编写实验代码并向 GPU 发起部署。
发现底层 LLaDA-8B 模型下载耗时过长,它选择剥离 transformers 库的重度依赖,用原生 PyTorch 搓了一个极简的未经训练的 Transformer(mock 模型),提前验…