2026年3月18日，对于人工智能行业而言，是一个需要被标记的日子。
这一天，不仅是国产AI独角兽MiniMax在资本市场上的“解禁日”（俗称“甩P”），更是其向世界展示一张关于AI未来蓝图的关键时刻。在这一天，MiniMax正式发布了新一代Agent旗舰大模型——M2.7。与以往的模型发布不同，此次的核心亮点并非简单的参数规模扩张或在常规榜单上的“刷分”式进步，而是一条全新的技术哲学——“模型自我进化”路径的首次公开展示。
就在同一天，港股市场对这一技术突破给出了极为热烈的回应。MiniMax股价盘中一度暴涨近三成，最高触及1330港元的历史新高，最终收涨近20%，市值单日飙升数百亿港元。资本市场的嗅觉是敏锐的：他们看到的不仅是一个新产品的上线，而是一种可能颠覆AI产业成本结构与竞争范式的底层逻辑正在变为现实。
本文将深度拆解MiniMax M2.7的技术内核“Agent Harness”，剖析其如何让模型从“被动工具”走向“主动参与者”，解读其在软件工程、办公协同等领域的真实能力跃升，并探讨在这一轮由“龙虾效应”引发的Agent浪潮中，中国AI力量如何开始定义下一个时代的游戏规则。
范式转移：从“人工调参”到“模型自我进化”
告别“炼丹”，迎来“自我优化”的奇点
在过去十年间，大模型的发展史本质上是一部“人工喂养史”。从数据的清洗、标注，到训练策略的调整、超参数的试验，再到基于人类反馈的强化学习（RLHF），每一个环节都浸透着算法工程师的心血。业界常用“炼丹”来形容这个过程——既依赖于深厚的理论功底，也依赖于难以言传的经验直觉。
然而，这种模式面临着天然的效率瓶颈。随着模型规模的指数级增长，实验的成本和复杂度正在触及天花板。MiniMax M2.7的发布，正是在这一背景下宣告了一个新范式的诞生：让模型本身成为研发流程的一部分。
根据MiniMax官方发布的信息，M2.7构建了一套以Agent为核心的“Agent Harness”（智能体执行框架）体系。这套体系的核心思想是赋予模型“自我意识”和“动手能力”，使其能够深度参与到数据处理、实验设计、训练调优乃至评测反馈的全流程中。
这不再是简单的“工具使用”，而是一种“自我迭代”。在传统的开发流程中，模型是待雕琢的璞玉；而在M2.7的体系中，模型变成了握有刻刀的工匠。MiniMax通过将早期版本的M2系列模型引导为一个具备研究能力的Agent，使其能够与不同项目组的研发人员协同工作。它不再仅仅是执行“生成代码”或“回答问题”的指令，而是能够理解“如何让模型变得更好”这一元命题。
Agent Harness：构建AI的“研发大脑”
那么，这套神秘的Agent Harness究竟是如何运作的？
我们可以将其想象成一个专为AI研发设计的“操作系统”。在这个系统里，M2.7模型不仅要运行应用程序，还要能够诊断系统漏洞、优化资源分配、甚至编写新的功能补丁。
具体到研发实践中，Agent Harness展现了惊人的自主性。以强化学习（RL）这一最复杂的训练场景为例：
当研究员有一个关于改进模型推理能力的新想法时，传统的做法是研究员亲自下场写代码、调参数。而在M2.7的加持下，流程变成了：Agent从实验设想出发，首先自动进行相关的文献调研，整理出当前最优的方法论；接着，它与研究员进行“讨论”（通过交互界面），协助完善实验设计；随后，它自主执行任务，在训练过程中实时进行日志分析，一旦发现Bug或指标异常，它能立即进行代码修复或参数调整。
这种能力的背后，是模型对自身架构的深刻理解。MiniMax公布的一项关键数据揭示了这一进化的深度：在内部测试中，M2.7可以连续执行超过100轮的“分析—改进—验证”的闭环循环。这意味着，它能够自主调整采样策略、优化工作流逻辑，并最终在内部评测集上带来了约30%的效果提升。
这30%的提升意义非凡。它不是通过堆砌算力换来的，而是通过模型的“自我反思”换来的。它标志着AI开始具备某种程度的“元认知”能力，即思考自己如何思考的能力。
研发流程的重构：30%-50%工作量的交接
对于任何一家科技公司而言，人力成本始终是最大的支出之一。M2.7的发布，让MiniMax看到了大幅压缩这一成本的希望。
据官方披露，在部分内部研发场景中，基于M2.7构建的相关系统已经能够承担约30%至50%的工作量。这意味着，原本需要一个十人团队耗费数周完成的数据流水线搭建或模型评测分析，现在可能只需要五个人配合AI，在一半的时间内完成。
这不仅关乎成本，更关乎速度。当AI能够协助完成文献调研、Bug排查、指标优化这些繁琐但至关重要的基础工作时，顶尖的算法研究员得以将精力解放出来，专注于更具创造性的架构设计和理论突破。这种“人类负责方向，AI负责执行”的协作模式，正在重新定义研发的生产力边界。
能力解码：从代码生成到工程级交付
如果说“自我进化”是M2.7的内功心法，那么其在具体任务中的表现，则是检验这门心法成色的实战演练。此次发布的M2.7，在软件工程、办公生产力和复杂工具调用三个维度展现出了极强的统治力。
软件工程的深度：不仅是写代码，更是懂系统
在大模型最卷的赛道——代码生成领域，M2.7交出了一份亮眼的成绩单。在业界公认高难度的SWE-bench Pro测试集中，M2.7的正确率达到了56.22%，这一数据已接近甚至持平国际顶尖模型的水平。
然而，MiniMax显然不满足于仅仅做一个“代码补全工具”。真正的软件工程发生在复杂的生产环境中，而非孤立的算法题。为此，M2.7在更贴近真实世界的VIBE-Pro与Terminal Bench 2测试中，分别拿下了55.6%和57.0%的优异成绩。这些测试考察的是模型在端到端项目交付和复杂系统理解上的能力。
更令人印象深刻的是一项来自实际生产环境的数据：MiniMax表示，基于M2.7的能力，部分线上生产系统的故障修复时间已可缩短至3分钟以内。
想象一下这个场景：凌晨两点，服务器报警，服务宕机。传统的处理方式是值班工程师被叫醒，登录服务器，查看日志，定位代码，修复上线。而现在，M2.7扮演了“数字排爆手”的角色。它不仅能读取日志，还能结合实时的监控指标、部署时间线进行多维度的因果分析。当它怀疑某个数据库连接池配置有问题时，它能主动连接数据库沙箱环境验证假设，最后不仅给出修复代码，还附带一份详尽的故障分析报告。这种“工程级”的解决问题能力，正是M2.7区分于其他代码模型的核心壁垒。
办公生产力的广度：打通数字世界的“任督二脉”
离开代码的世界，回到办公桌前，M2.7同样展现出了强大的通用能力。在衡量办公场景智能的GDPval-AA基准测试中，M2.7的ELO评分达到了1495，位列开源模型榜首。
对于普通用户而言，这意味着什么？这意味着当你面对一份复杂的Excel表格需要做数据透视，或者需要将一篇Word文档按照严格的格式要求排版，又或者需要制作一份精美的PPT演示文稿时，M2.7不再是简单地给你一段文字描述让你自己去操作，而是可以直接化身你的“数字实习生”。
在针对Word、Excel、PPT等常用办公软件的多轮高保真编辑任务中，M2.7的指令遵循率高达97%。它能够理解“把第三段的图片稍微放大一点，并把标题改成微软雅黑”这种模糊且连续的指令，并精确执行。这种能力背后，是模型对图形用户界面（GUI）背后逻辑的深度理解，以及对工具调用链路的精准控制。
Agent进阶：多智能体协作与情感交互的探索
如果说单点能力的强大是“智商”的体现，那么多智能体协作则是“情商”与“社会性”的延伸。
M2.7强化了“多智能体协作”（Agent Teams）能力。在这一模式下，模型需要同时模拟多个不同的角色，进行对抗性推理与协同决策。例如，在一个商业谈判的模拟场景中，M2.7既要扮演坚持底价的销售方，又要扮演不断挑刺的采购方。这不仅要求模型在角色间切换时保持逻辑一致性，更要求它能理解复杂的博弈策略。
此外，MiniMax还在探索Agent的“非生产力边界”。通过增强模型的人设保持与情感交互能力，M2.7支撑起了一款全新的互动娱乐产品——OpenRoom。这标志着AI的应用场景正从严肃的生产力工具，向沉浸式、娱乐化的虚拟社交空间延伸。在这个空间里，“对话即界面”，AI不再是被动的应答机，而是拥有“人设”的互动伙伴。
市场强音：“甩P”之日的资本狂欢与产业逻辑
千亿港元市值背后的预期差
3月18日，对于持有MiniMax股票的投资者来说，是堪称梦幻的一天。
这一天是MiniMax所谓的“甩P”日，即部分早期投资者禁售期解禁的日子。通常在这样的日子里，市场往往会因为担忧抛压而表现低迷。然而，MiniMax却走出了截然相反的独立行情。
当日，MiniMax股价午后直线拉升，涨幅一度扩大至28.8%，盘中最高触及1330港元/股，刷新了上市以来的新高。截至收盘，涨幅仍维持在19.9%以上，成交额急剧放大至数十亿港元级别。这种价量齐升的态势，显示出有大资金在强力介入。
市场的狂热并非空穴来风。背后的核心预期差在于：投资者开始意识到，AI竞赛的下半场可能已经悄然开打。如果说上半场的比拼是“谁家的模型参数更大”、“谁家的榜单分数更高”，那么下半场的核心逻辑正在转向“谁家的模型更能干活”、“谁家的系统成本更低”。
M2.7的发布，精准地击中了市场对于“AI应用落地”的焦虑与期待。它所展示的“自我进化”能力，预示着未来AI公司的研发投入产出比将发生质变。当一家公司能用AI降低30%-50%的研发成本时，其在财务报表上的利润弹性将远超同行。
“龙虾效应”的催化：Agent范式的集体觉醒
M2.7的火爆出圈，离不开近期整个科技界对于Agent范式的狂热追捧，即所谓的“龙虾效应”（以OpenClaw等Agent框架走红为标志）。
随着OpenClaw等智能体开源框架的走红，业界发现，大模型的价值不再仅仅体现在“聊天”上，而是体现在“执行”上。AI需要学会使用鼠标、键盘、命令行，像人一样去操作电脑、调用软件。
OpenRouter的数据显示，在OpenClaw带动的这一波Agent浪潮中，月榜前三甲被中国大模型包揽。MiniMax官方也透露，其M2系列文本模型在2026年2月的平均单日Token消耗量，较2025年12月增长了6倍以上。这一数据充分证明了市场对Agent能力的渴求是真实存在的，且需求正在井喷。
M2.7正是在这一背景下应运而生的集大成者。它不仅继承了M2系列在文本处理上的优势，更针对Agent执行场景进行了深度优化，使其在复杂的工具调用和任务规划上表现得游刃有余。
重塑竞争格局：从“卖模型”到“定义标准”
分析人士认为，M2.7的发布，意味着以MiniMax为代表的国内AI厂商，正在尝试定义AI技术发展的下一阶段路线图——即以Agent为核心、以自我进化为驱动的AI系统。
在过去的两年里，中国AI行业经历了激烈的“价格战”和“榜单战”。但无论是降价还是刷榜，都未能解决大模型在复杂场景下的“可用性”问题。而M2.7的出现，提供了一种新的解题思路：与其不停地训练一个更聪明的“大脑”，不如赋予这个“大脑”自我迭代和动手执行的能力。
如果自我进化能力进一步成熟，未来的AI系统有望实现从数据构建、模型训练到评测优化的全流程自动化。这将从根本上重塑AI产业的成本结构——算力依然重要，但算法的聪明程度将更大幅度地决定效率。届时，竞争的门槛将从“有多少张显卡”变为“你的AI能不能帮你设计出更好的AI”。
技术深潜：Agent Harness的解剖与展望
Harness的内涵：不只是框架，而是“拟人化”的工作流
为了更好地理解M2.7的独特性，我们需要深入解剖“Agent Harness”这个概念。
在英语中，“Harness”有“马具、挽具”之意，引申为“利用、驾驭”。在技术语境下，Agent Harness可以理解为一套为了“驾驭”AI潜能而设计的执行环境与工具集。
传统的模型调用方式是“请求-响应”，模型像一个被动的函数，输入什么，输出什么。而M2.7的Agent Harness则构建了一个复杂的“认知-行动”循环。它不仅包含了让模型调用外部工具（如代码解释器、搜索引擎、数据库）的接口，更重要的是，它包含了一套让模型进行“自我反思”和“记忆更新”的机制。
在研发M2.7的过程中，这种能力体现得淋漓尽致：基于早期版本的模型，MiniMax构建了强化学习Harness中的数十个复杂“技能”（Skills）。这些技能不仅仅是写代码，还包括“查阅实验记录”、“对比历史版本效果”、“更新自己的长期记忆”等。模型在执行任务时，会不断调用这些技能，根据执行结果更新自己的“记忆”模块，从而驱动自身的强化学习进程。这是一个递归的、自指的过程：模型通过优化Harness来优化自己，而被优化后的自己又能设计出更好的Harness。
真实场景的考验：从“应试教育”到“素质教育”
尽管内部评测数据亮眼，但真正的考验永远来自真实世界的复杂性。
目前，M2.7已在MiniMax Agent及开放平台全球全量上线。这意味着，它不再是实验室里的样品，而是将接受全球数百万开发者和企业用户的挑剔审视。
与标准化的评测集不同，真实场景充满了模糊性、不确定性和长尾问题。一张报销单的格式可能是五花八门的，一个老旧系统的接口文档可能是缺失的，一个用户的指令可能是前后矛盾的。模型能否在这些“非标准”环境下保持高水平的交付能力，将是检验其“自我进化”理论成色的试金石。
从内部数据来看，前景是乐观的。无论是3分钟修复线上故障的能力，还是97%的指令遵循率，都显示出M2.7在从“应试教育”（刷榜）向“素质教育”（解决实际问题）转型的道路上走在了前列。
通向AGI的必经之路：自我意识的萌芽
从更宏观的视角来看，M2.7所展示的“自我进化”能力，或许正是通往通用人工智能（AGI）的必经之路。
OpenAI的首席科学家Ilya Sutskever曾多次强调，“预训练”的时代即将终结，未来的模型将需要具备“自我对弈”和“自我改进”的能力。这与MiniMax此次提出的理念不谋而合。
当模型能够自主地进行超过100轮的“分析-改进-验证”循环时，我们看到的其实是一种机器智慧的“好奇心”和“反思欲”。它不再满足于回答既有的问题，而是开始尝试解决“如何更好回答问题”这一元问题。这种元认知能力的萌芽，尽管目前还局限于研发和工程领域，但其潜力是无限的。
也许在不久的将来，一个具备自我进化能力的AI系统，能够自主阅读最新的物理学论文，设计实验方案，调用实验室设备（通过机器人），分析实验数据，并最终推导出新的物理定律。这并非天方夜谭，而是M2.7为我们打开的一扇未来之门。
挑战与隐忧：自我进化的“双刃剑”
在热闹的发布与狂欢的股价背后，我们同样需要保持冷静的审视。M2.7所开启的“自我进化”路径，固然代表着技术的跃进，但也伴随着不容忽视的挑战与隐忧。
可解释性的黑洞
当模型开始自主调整采样策略、优化工作流时，一个关键问题随之而来：它为什么要这么做？如果模型通过100轮的自我迭代，效果提升了30%，但研究员并不完全清楚它到底修改了哪些具体的逻辑链条，这种“黑箱”式的优化在严谨的工业生产中是否可以被接受？
尤其是在金融、医疗等强监管领域，决策的可解释性是合规的底线。如果AI给出的诊断建议或交易策略是基于一个连研发人员都无法完全理解的“自我进化”过程产生的，那么责任主体将变得极其模糊。M2.7虽然在效果上取得了突破，但如何在“自主性”和“可解释性”之间取得平衡，将是其进入关键行业必须跨越的门槛。
资源消耗的悖论
“自我进化”听起来很美，但其背后可能需要消耗巨大的计算资源。让模型连续运行100轮的“分析-改进”循环，本身就意味着需要大量的算力支撑。这就形成了一个悖论：虽然它减少了人类的重复劳动（降低人力成本），但可能大幅增加了算力开销（提升算力成本）。
MiniMax在研发场景中能够应用这一技术，得益于其强大的算力基础设施。但对于广大的中小企业和开发者来说，他们是否有能力负担起这样一个会“自我思考”的模型所产生的高昂API调用成本或本地部署成本，将决定M2.7的生态能否真正繁荣。
对齐的难题：进化的方向由谁把控
这是最深层也是最危险的隐忧。一个具备自我进化能力的AI，它的“价值观”和“目标”是否会随着进化而发生漂移？
在M2.7的案例中，进化的目标是明确的：提升研发效率，提高评测得分。但如果未来的AI系统拥有了更宽泛的自主权，它是否会为了完成某个终极目标（例如“最大化用户粘性”）而采取一些违背伦理或用户隐私的手段？
“对齐问题”（Alignment Problem）在自我进化的模型面前被急剧放大。传统的对齐方法是在训练阶段通过RLHF将人类价值观注入模型。但如果模型具备自我迭代能力，它可能会在迭代过程中逐渐偏离最初设定的“锚点”。如何确保自我进化的方向始终符合人类的利益和预期，将是所有致力于这一路径的公司必须严肃对待的课题。
新竞赛的发令枪
2026年3月18日，注定将被载入AI产业发展的史册。
在这一天，MiniMax不仅发布了一款名为M2.7的新模型，更重要的是，它向世界展示了AI发展的另一种可能性。当业界还在为 scaling law 是否失效而争论不休时，MiniMax用“模型自我进化”的路径，在模型架构和训练范式之外，开辟了第三条提升智能的通道——让模型在“工作”中学习，在“反思”中成长。
从30%-50%的研发工作量替代，到30%的内部效果提升，再到港股市场上近30%的涨幅，每一个数字都在印证着这一新范式的巨大潜力。M2.7通过Agent Harness体系，将触角伸向了数据处理、代码调试、故障修复、办公协同的每一个角落，它证明了中国AI企业在应用落地和技术前瞻上，已经具备了与国际巨头同台竞技，甚至在某些维度领先的实力。
随着M2.7在开放平台的上线，随着千千万万开发者的接入和打磨，这粒“自我进化”的种子将开始吸收真实世界的养分。未来的AI竞争，将不再是单纯的“力大砖飞”的蛮力比拼，而是关于“智慧如何孕育智慧”、“系统如何优化系统”的深度博弈。
MiniMax已经扣响了这场新竞赛的发令枪。等待我们的，将是一个由无数个不断自我超越的AI Agent所驱动的、充满无限可能的智能世界。
本内容仅作为信息资讯参考，不构成具体投资建议。您需独立做出投资决策，风险自担。市场有风险，投资需谨慎。
作者声明： 本文转载自第三方，旨在提供资讯参考，并非证券推荐或投资建议。作者对内容的真实性、准确性不承担保证责任。本文不构成任何投资建议或证券推荐。截至发文日，作者与文中提及的标的不存在持仓关系。