Model Releases
MiniMax M2.7: El Modelo de Autoevolución que Rivaliza con GPT-5
MiniMax presenta M2.7, un modelo de código abierto con 230B parámetros MoE que mejora su propio rendimiento sin intervención humana.
18 de marzo de 2026
Model ReleaseMiniMax M2.7
Introducción: El Hito de la Autoevolución en IA
MiniMax ha revolucionado el panorama de la inteligencia artificial con el lanzamiento de M2.7, una arquitectura diseñada específicamente para la ingeniería de software y la autonomía de agentes. Este modelo, lanzado el 18 de marzo de 2026, marca un punto de inflexión histórico al ser el primero capaz de participar activamente en su propio ciclo de desarrollo.
A diferencia de los modelos tradicionales que requieren un ciclo de retroalimentación manual constante por parte de ingenieros humanos, M2.7 es el primer modelo capaz de participar en su propio proceso de desarrollo. La compañía instruyó el desarrollo de un agente de investigación para una versión interna del modelo, que luego construyó la versión de producción, demostrando una capacidad de autoconciencia técnica sin precedentes.
Esta capacidad de autoevolución marca un hito significativo en la evolución hacia la IA autónoma, permitiendo que el sistema identifique áreas de refinamiento e implemente cambios iterativos sin intervención humana directa. Para los ingenieros de software, esto significa un salto cualitativo en la capacidad de los sistemas para mantenerse actualizados y optimizarse a sí mismos en tiempo real.
- Fecha de lanzamiento: 2026-03-18
- Categoría: Modelo de Código y Agentes
- Estado: Open Source (Pesos disponibles)
Características y Arquitectura Técnica
La arquitectura subyacente de MiniMax M2.7 se basa en una estructura de Mezcla de Expertos (MoE) masiva que combina eficiencia y potencia computacional para tareas complejas de programación. Esta estructura permite que el modelo rote dinámicamente los recursos computacionales hacia los expertos más relevantes para cada instrucción de código específica.
El modelo cuenta con un total de 230 mil millones de parámetros, de los cuales solo 10 mil millones son activos durante la inferencia, lo que reduce significativamente la carga computacional y los costos de ejecución. Además, ofrece una ventana de contexto de 200K tokens, permitiendo el análisis de bases de código completas, repositorios Git extensos y documentación técnica detallada en una sola sesión.
Los pesos del modelo están disponibles públicamente en HuggingFace bajo una licencia abierta, fomentando la investigación comunitaria y la auditoría de seguridad. Esta transparencia es crucial para la adopción empresarial, ya que permite a los desarrolladores verificar la integridad del modelo antes de integrarlo en sistemas críticos de producción.