Beobachtetes Signal · 8. Juli 2026 · Technical Release · Quelle: DEV Community · Relevanz: 5/5 · Sentiment: Positiv
MiniMax M2.7: Open-Source-KI optimiert ihren eigenen Trainingscode
MiniMax hat M2.7 veröffentlicht, ein Mixture-of-Experts-Agentenmodell mit 230 Milliarden Parametern, dessen Gewichtungen auf Hugging Face verfügbar sind. M2.7 wirkte aktiv an seiner eigenen Entwicklung mit: Während des Trainings verfügte es über Schreibzugriff auf persistentes Speichergedächtnis, konnte aufrufbare Fähigkeiten erstellen und seinen Trainings-Harness modifizieren. Laut technischem Bericht von MiniMax führten diese Funktionen zu einer dokumentierten Verbesserung des RL-Experimentdurchsatzes um 30 Prozent im Vergleich zum Basis-Harness. MiniMax veröffentlichte Benchmark-Ergebnisse wie SWE-bench Pro mit 56,22 Prozent sowie Terminal Bench 2 mit 57,0 Prozent. Ursprünglich als Open-Source lizenziert, wurde die Hugging Face-Lizenz kurz nach Veröffentlichung geändert; nun ist für die kommerzielle Nutzung eine schriftliche Genehmigung erforderlich, während Forschung und internes Fine-Tuning weiterhin gestattet sind.
Die Veröffentlichung dokumentiert ein produktionsnahes Modell, das aktiv an seiner eigenen Trainingsschleife mitgewirkt und diese verbessert hat. Dies demonstriert ein Paradigma der Selbstoptimierung, welches die Modellentwicklung und Enterprise-Implementierungen nachhaltig beeinflussen könnte.
Marktsignale zu MiniMax in Echtzeit verfolgen
Polaris7 erfasst behördliche Registrierungen, Primärquellen, Führungswechsel und Deal-Aktivitäten rund um die Uhr. Erstellen Sie Ihren kostenlosen Explorer-Workspace, um automatisierte Executive Briefings zu erhalten.
Wichtigste Kernpunkte & Evidenz
- MiniMax hat das Modell M2.7 als Open-Source veröffentlicht und die Gewichtungen auf Hugging Face bereitgestellt (Veröffentlichungsdatum: 12. April 2026).
- M2.7 ist ein Mixture-of-Experts-Modell mit 230 Milliarden Parametern und rund 10 Milliarden aktiven Parametern pro Inferenzdurchlauf.
- Während des Trainings besaß M2.7 Schreibzugriff auf den eigenen Speicher, konnte Fähigkeiten entwickeln und Anpassungen am Trainings-Harness vornehmen, was zu einer Effizienzsteigerung des RL-Durchsatzes um 30 Prozent führte.
- MiniMax veröffentlichte Benchmark-Werte wie SWE-bench Pro mit 56,22 Prozent (auf dem Niveau von GPT-5.3-Codex) und Terminal Bench 2 mit 57,0 Prozent.
- Wenige Tage nach dem Release wurde die Lizenz auf Hugging Face geändert: Kommerzielle Nutzung erfordert nun eine schriftliche Genehmigung, Forschung und internes Fine-Tuning bleiben erlaubt.
Verknüpfte Unternehmen
7 verknüpfte Unternehmen“MiniMax, the Chinese AI lab best known for multimodal models and video generation, open-sourced M2.7 on April 12 — a 230-billion-parameter M...”
“It is a shipped model with weights on Hugging Face, a technical blog post documenting the process, and benchmark scores that match GPT-5.3-C...”
“The most interesting model released in April 2026 didn't come from OpenAI, Anthropic, or Google....”
“The most interesting model released in April 2026 didn't come from OpenAI, Anthropic, or Google....”
“The most interesting model released in April 2026 didn't come from OpenAI, Anthropic, or Google....”
“If you are evaluating open-weight frontier models for agent infrastructure, it belongs on your testing list alongside Llama 4 Scout and Gemm...”
“The recommended minimum configuration is four H100 GPUs with 96GB VRAM each... For developers who want to experiment with M2.7 without commi...”
Ontologie & Marktkonzepte
Verwandte Marktsignale & Trends
Aktuelle verifizierte Unternehmensentwicklungen und Deal-Aktivitäten in diesem Marktsegment.
MiniMax M2.7 erreicht GLM-5-Parität bei einem Drittel der Kosten
MiniMax hat MiniMax M2.7 veröffentlicht, ein Open-Model, das laut Unternehmensangaben als „selbstreifendes“ System Teile seines eigenen Entwicklungsworkflows automatisiert. M2.7 erzielt 56,22 % auf SWE-Pro, erreicht die Leistung von Sonnet 4.6 auf OpenClaw und soll 30 bis 50 % des Workflows abbilden. Analysen von Drittanbietern wie Artificial Analysis positionieren M2.7 an der Kosten-Leistungs-Grenze: Mit einem Intelligence Index von 50 (auf dem Niveau von GLM-5) und geschätzten Kosten von 176 US-Dollar für den Index-Durchlauf liegt das Modell bei unter einem Drittel der GLM-5-Kosten. Die Distribution erfolgte unmittelbar über diverse Inferenz- und Hosting-Endpunkte. Ergänzt wird die Entwicklung durch Ökosystem-Neuigkeiten wie Xiaomis API-First-Modell MiMo-V2-Pro, Cartesias Mamba-3 SSM sowie die Einführung von OpenRoom, einer Open-Source-Entertainment-Demo.
ModelBest veröffentlicht Edge-AI-Modell MiniCPM5-2B mit Agentic-Funktionen
Das chinesische KI-Startup ModelBest hat in Kooperation mit der Open-Source-Community OpenBMB das Sprachmodell MiniCPM5-2B vorgestellt. Das Open-Source-Modell mit zwei Milliarden Parametern wurde gezielt für Edge Devices entwickelt und unterstützt nativ Tool Calling, Deep Search, Code-Generierung sowie mehrstufiges Schlussfolgern (Multi-Step Reasoning). Damit bringt es vielseitige Agentic AI-Fähigkeiten direkt auf ressourcenbeschränkte Endgeräte. Laut Artificial Analysis belegt MiniCPM5-2B den ersten Platz im Intelligence Index unter den Open-Source-Modellen mit weniger als vier Milliarden Parametern und erreicht einen Wert von 20 auf dem Agentic Index. Um die Reproduzierbarkeit zu fördern, hat ModelBest den vollständigen technischen Stack inklusive Datensätzen, Trainingsrezepten und Reinforcement-Learning-Infrastruktur offengelegt. Ziel der Entwicklung ist es, fortschrittliche KI von zentralisierten Clouds auf Edge-Geräte zu verlagern, um Datenschutz zu verbessern, Latenzen zu minimieren und Cloud-API-Kosten signifikant zu senken. Die MiniCPM-Modellfamilie verzeichnet bereits über 50 Millionen Downloads.
JetBrains veröffentlicht Mellum2 12B Mixture-of-Experts-Entwicklermodell
JetBrains hat Mellum2 vorgestellt, ein Open-Source-Modell mit 12 Milliarden Parametern und einer Mixture-of-Experts-Architektur. Mellum2 aktiviert bei Inferenz nur rund 2,5 Milliarden Parameter, was laut dem Entwicklungsteam zu mehr als doppelt so hohen Inferenzgeschwindigkeiten im Vergleich zu gleichwertigen Modellen und zu geringeren Bereitstellungskosten führt. Das Modell ist speziell auf Text und Code optimiert und positioniert sich als fokussierte Lösung für Multi-Modell-Kollaborationssysteme bei Aufgaben wie Prompt-Klassifizierung, Tool-Auswahl, Kontextkomprimierung für RAG-Pipelines, Sub-Agenten-Planungsvalidierung sowie Code-Completion. Mellum2 unterliegt der Apache 2.0-Lizenz; ein technischer Bericht ist auf arXiv verfügbar und die Modellgewichte wurden auf HuggingFace veröffentlicht. Benchmarks zeigen eine wettbewerbsfähige Leistung im Vergleich zu Open-Source-Modellen ähnlicher Größenordnung.
Marktsignale & Strategische Shifts in Echtzeit verfolgen
Erstellen Sie benutzerdefinierte Watchlists, um automatisierte, evidenzbasierte Executive Briefings zu erhalten, sobald wesentliche Signale oder Marktverschiebungen auftreten.