MiniMax、コーディングAI「M2.7」をオープンソース公開　SWE-ProでSOTA記録

MiniMax M2.7は、複雑なソフトウェア開発と自律エージェント連携に特化したMoE（混合エキスパート）モデルであり、モデル重みがHugging Faceで一般公開された。マルチ言語でのコード修正や実運用のトラブルシューティング、エージェントワークフローの構築をオープンモデルで進めたい開発者にとって、最有力な選択肢が登場した形だ。

3月18日に先行発表されていた本モデルは、MiniMaxが公開したオープンソースモデルの中で最も高い性能を持つ。推論時に全パラメータの一部のみを呼び出すMoE構造を採用しているため、同等性能の密結合モデルと比べて動作が高速で、運用コストを低く抑えられる。

何ができるのか

M2.7は、プロフェッショナルなソフトウェアエンジニアリング、オフィス業務、そして「Agent Teams」と呼ばれるネイティブな複数エージェント協調を柱としている。ツールの動的検索や高度なスキル実行を自律的にこなす設計だ。

ベンチマークにおいて、M2.7は実務に近い多言語タスクを網羅するSWE-Proで56.22％をマークし、GPT-5.3-Codexと同水準に達した。さらにTerminal Bench 2で57.0％のSOTA記録を出し、NL2Repoでは39.8％を記録している。

リポジトリ単位の生成タスクを測るVIBE-Proでは55.6％とOpus 4.6に迫る数値を出し、Web、Android、iOSなどの実装タスクに対応できる。SWE Multilingualで76.5、Multi SWE Benchで52.7と、現場の複雑な開発課題でも高いスコアを残している。

また本番運用の障害対応テストでは、監視メトリクスとデプロイ履歴から原因を推論し、トレースログを分析してデータベースへ直接調査をかけ、インデックス作成の漏れを特定して復旧まで3分以内で完了させた事例も報告されている。

自己進化の仕組みと自律実験

M2.7の特徴は、自身の開発サイクルに直接関与している点にある。自律的な改善能力を検証するため、開発用スキャフォールドのコードをモデル自身に最適化させた。

失敗ログの分析からコード改修、テスト実行、判定までを完全に自律化し、100回以上の改善ループを回した。その過程で最適なサンプリングパラメータを発見し、バグ修正後に別ファイルの類似コードを自動走査するルールや無限ループ検知を自ら追加して、内部テストの性能を30％引き上げた。現在、社内の強化学習チームでは業務の3割から5割をM2.7が自律処理しているという。

A30 GPU単体で稼働するOpenAIの機械学習コンペ評価「MLE Bench Lite」では、短期記憶と自己反省のループを組み込むことで、24時間の評価中に金メダル9個、銀メダル5個、銅メダル1個を獲得した。平均メダル獲得率は66.6％で、Gemini-3.1と並び、Opus-4.6の75.7％やGPT-5.4の71.2％に続く成績を残した。

入手先と利用方法

M2.7の重みはHugging FaceのMiniMaxAIリポジトリからダウンロードできる。

自前のハードウェアでMoEモデルをホストするリソースがない場合は、MiniMaxの開発者向けプラットフォームからAPI経由で呼び出すことも可能だ。

なぜ重要か

自前のインフラで高度なコーディング支援やSRE自動化を構築したいエンジニアにとって、有力な実用解となる。SWE-Proやターミナル操作で商用の最先端モデルと渡り合える水準をオープン重みで実現した意義は大きい。

ただし、MoEモデルを自前で運用するには十分なGPUリソースと実行環境の整備が不可欠だ。ベンチマーク上の高い推論能力を安全な自律運用に落とし込むには、ツール実行のサンドボックスや権限制御の設計が鍵を握るだろう。