MiniMax M2.7
MiniMax M2.7 est un LLM open-weights de MiniMax, publié le 18 mars 2026 sous licence MIT, avec usage commercial autorisé. Ses 10 milliards de paramètres actifs s’accompagnent d’une fenêtre de contexte de 204 800 tokens, adaptée au traitement de longs documents et de tâches en plusieurs…
MiniMax M2.7 est un LLM open-weights de MiniMax, publié le 18 mars 2026 sous licence MIT, avec usage commercial autorisé. Ses 10 milliards de paramètres actifs s’accompagnent d’une fenêtre de contexte de 204 800 tokens, adaptée au traitement de longs documents et de tâches en plusieurs étapes.
Le modèle se distingue par son orientation vers les systèmes d’agents, l’ingénierie logicielle et l’édition multi-tour de fichiers Word, Excel et PowerPoint. Son autre argument majeur est économique : sa tarification se situe 88% sous la moyenne des LLM similaires et environ 22.9 fois sous celle des modèles frontière.
Caractéristiques
| Caractéristique | Valeur |
|---|---|
| Type | Grand modèle de langage (LLM) |
| Éditeur | MiniMax |
| Poids | 🟢 Poids ouverts · usage commercial autorisé |
| Licence | MIT |
| Date de sortie | 18 mars 2026 |
| Multimodal | non |
| Paramètres actifs | 10 milliards |
| Fenêtre de contexte | 204 800 tokens |
| Modalités (entrée → sortie) | text → text |
Indices de synthèse
| Indice | Valeur | Rang (LLM) |
|---|---|---|
| Intelligence Index | 38.1 | 27ᵉ / 137 |
| Code Index | 52.6 | 29ᵉ / 74 |
| Agentic Index | 25.6 | 29ᵉ / 68 |
Indices Artificial Analysis. Le rang situe le modèle parmi tous les LLM du catalogue disposant de l'indice.
Performances (benchmarks)
| Benchmark | Score | Rang (LLM) | Source | Fiabilité |
|---|---|---|---|---|
| SWE-bench Multilingual | 76,5 % | 7ᵉ / 34 | llm-stats | Auto-déclaré |
| Terminal-Bench 2.0 | 57,0 % | 26ᵉ / 49 | llm-stats | Auto-déclaré |
| SWE-Bench Pro | 56,2 % | 26ᵉ / 41 | llm-stats | Auto-déclaré |
| Multi-SWE-Bench | 52,7 % | 1ᵉ / 6 | llm-stats | Auto-déclaré |
| Artificial Analysis | 50,0 % | 5ᵉ / 5 | llm-stats | Auto-déclaré |
| Toolathlon | 46,3 % | 19ᵉ / 30 | llm-stats | Auto-déclaré |
| NL2Repo | 39,8 % | 9ᵉ / 12 | llm-stats | Auto-déclaré |
| GDPval-AA | 39,3 % | 25ᵉ / 39 | llm-stats | n.d. |
| Finance Agent v2 | 27,9 % | 26ᵉ / 26 | llm-stats | n.d. |
« Auto-déclaré » : score communiqué par l'éditeur, non rejoué indépendamment. « Mesuré » : évalué par un tiers (Epoch AI, LiveBench). Le rang est calculé parmi les LLM évalués sur le même benchmark.
Comment se situe-t-il ?
Le modèle (en orange) comparé aux meilleurs modèles sur chaque dimension évaluée, et à ses voisins de classement.
Intelligence Index
Code Index
Classements Arena (Elo)
Arena Text · 200 modèles classés
| Rang | Modèle | Elo |
|---|---|---|
| 1ᵉ | Claude Fable 5 | 1507 |
| 2ᵉ | Claude Opus 4.6 | 1504 |
| 3ᵉ | Claude Opus 4.7 | 1503 |
| ⋯ | ⋯ | |
| 104ᵉ | Qwen3.5-122B-A10B | 1417 |
| 105ᵉ | deepseek-v3.1-thinking | 1417 |
| 106ᵉ | MiniMax M2.7 | 1417 |
| 107ᵉ | Mistral Large 3 | 1416 |
| 108ᵉ | Qwen3 VL 235B A22B Instruct | 1415 |
Arena Code · 99 modèles classés
| Rang | Modèle | Elo |
|---|---|---|
| 1ᵉ | Kimi K3 | 1679 |
| 2ᵉ | Claude Fable 5 | 1631 |
| 3ᵉ | GPT-5.6 Sol | 1618 |
| ⋯ | ⋯ | |
| 47ᵉ | GPT-5.4 mini | 1398 |
| 48ᵉ | Qwen3.5-397B-A17B | 1396 |
| 49ᵉ | MiniMax M2.7 | 1395 |
| 50ᵉ | GLM-5V-Turbo | 1395 |
| 51ᵉ | GPT-5 | 1395 |
Tarifs
| Fournisseur | Entrée / 1M | Sortie / 1M | Cache lecture / 1M |
|---|---|---|---|
| MARA | 0,24 $ | 0,96 $ | n.d. |
| fireworks | 0,3 $ | 1,2 $ | n.d. |
Prix en dollars US par million de tokens.
Sa tarification se situe 88 % en dessous de la moyenne des LLM similaires, et 22,9 fois moins cher que les modèles frontières (Claude Fable 5, GPT-5.6 Sol, Gemini 3.5 Flash).
Coût & vitesse agentiques
| Indicateur | Valeur |
|---|---|
| Coût par exécution agentique — PinchBench (147 tâches) | 3,11 $ |
| Durée d'exécution — PinchBench | 5 h 05 min |
| Indice valeur/coût — PinchBench | 40,68 |
| Coût moyen par benchmark — Benchable | 0,08 $ |
| Latence moyenne par benchmark — Benchable | 29 min 21 s |
Coûts et durées réels mesurés en exécutant le modèle comme agent. PinchBench = un run complet de 147 tâches (harness OpenClaw) ; Benchable = moyenne par benchmark. Sources : PinchBench, Benchable.ai.
Notre analyse
Forces. MiniMax M2.7 obtient sa meilleure position en General Knowledge, où il atteint la première place du classement Benchable. Email Classification figure également parmi ses résultats les plus solides. Ses scores élevés en Coding et Reasoning confirment une base polyvalente, tandis que l’Intelligence Index, le Code Index et l’Agentic Index le placent dans la partie supérieure de leurs classements respectifs, sans atteindre le groupe de tête. Ses fonctions couvrent la construction de harnais d’agents complexes, les Agent Teams, les Skills et la recherche dynamique d’outils. En ingénierie logicielle, il traite notamment les logs, les bugs, le refactoring, la sécurité du code, le machine learning, les traces et les décisions de type SRE.
Limites et points d'attention. Les classements Arena nuancent les résultats Benchable : MiniMax M2.7 se situe dans la seconde moitié en texte et près du milieu en code, avec un écart marqué face au premier modèle de chaque classement. Ethics, Hallucinations, Coding et Reasoning affichent des scores Baseline élevés, mais leurs rangs restent éloignés des meilleurs. Le modèle vise donc davantage un rapport coût-capacités favorable qu’une domination absolue. Il convient aux agents logiciels, aux workflows documentaires et aux déploiements économiques via MiniMax API, SGLang, vLLM ou Transformers, avec un usage interactif également proposé dans OpenRoom et MiniMax Agent.
Sources des données : LLM-Stats (llm-stats.com) · OpenRouter (openrouter.ai) · Artificial Analysis (artificialanalysis.ai) · Arena.ai (arena.ai) · PinchBench (pinchbench.com) · Benchable.ai (benchable.ai).