可能是国内最好的编程养虾利器，自我进化模型 MiniMax M2.7 来了

自从入了 Vibe Coding 和养龙虾的坑，我就成了 Token 消耗大户，但我一点不慌，因为我的 Claude Code 和 OpenClaw 都用了 MiniMax M2.5，“Coding Plan 年度会员”为我提供了编程养虾利器，Token 基本上敞开用，五小时回一次血，我从来没用完过。

上周 MiniMax 的同学告诉我，M2.7 已经来了，池老师先用为快呗，白名单开起来。于是我把 Claude Code 和 OpenClaw 都改成 M2.7 极速版，继续燃烧 Token，完成我的任务。

对了，这次我把 M 家的 Skills 都装了，MiniMax 全家桶和 Claud 全家桶，大概几十个 Skill，M2.7 调度起来游刃有余。这次 M2.7 的核心能力之一就是加强指令遵循、Skills 调用和复杂任务拆解能力，加装上这些 Skill，对于用户来说可谓是如虎添翼，用起来十分方便。

Skills 是开源的，地址在这里：

https://github.com/MiniMax-AI/skills

安装方式也很简单：

claude plugin marketplace add https://github.com/MiniMax-AI/skillsclaude plugin install minimax-skills

我记得上次开白测试 M2.5 还是在 2 月初，时隔一个多月 M2.7 就发出来了，速度不可谓不快，那么这次 M2.7 要解决的问题是什么呢？我觉得核心就是增强了模型的工具属性和多 Agent 能力，能够很好的实现 Agent Teams 研发模式，让工具找到工具，工具调用工具，实现 Agent 之间的原生写作，完成高度复杂的生产力任务。

这几天用下来，感觉 MiniMax M2.7 开始从一个强模型向工程级别的生产系统进化了。

1

我们先来看看 M2.7 的工程能力。

新模型到手，正好用来分析和构建我之前的 Vibe 项目：RSS-Reader。这个项目是我之前基于 M2.5 做的一个 Vibe 项目，一行代码没写过，最多编辑一下配置文件，从零开始完成了一个可以用的多媒体阅读器，我现在每天都在用，大概长这样：

左侧是我日常订阅的信息员：包括 Blog、播客、视频和推特作者的内容等等，中间是文章或推文列表，右侧是文章或播客主题。Rss-Reader 目前可以记录文章和音频的播放位置，已读未读状态，如果播客里有带时间轴的 shownotes，会自动展示。侧边栏可以收起，有阅读器，主题，支持沉浸式阅读。所有项目都是基于 MiniMax M2.5 + Claude Code 完成，中途用 Codex 做了些交叉验证。

后面这个项目还有很多规划中的特性要做，不过我现在打算让 M2.7 先给我诊断一下这个项目，我告诉它：分析和检查一下 @rss-reader/ 项目，看看有什么问题，如何继续完善技术和产品特性，把分析报告做成 Solarized light 主题风格的网页。结果就是，我得到了一份详尽的项目分析报告：

最神奇的是，M2.7 不仅给出了技术栈分析、主要代码问题、技术债务，还包括我缺失的功能——或者说我后续想做的部分功能——总结了一份“产品功能缺失”，最后直接给出了 P0、P1、和 P2 三个修复建议，这个工程能力就有点逆天了。

看完这份报告，我有一种错觉：不是我在使用 M2.7，而是它要带着我把这个玩具项目，迭代成真正的产品。

2

好，现在我们来试试 M2.7 的 Agent Harness（调度框架） 能力，能不能完美实现 Agent Teams 研发模式。

我们通过 Claude Code 创建一个 Agent Team 进行多 Agent 协作开发，这应该就是 M2.7 的强项：

现在我就有了一个 Leader Agent，三个模块 Agent，开始协作开发：

然后我把 accept edits 设置成 on，四个小伙伴就自己商量着干活去了：

当一个 Agent 的工作完成之后，Leader 会自动重新分配任务。另外，如果你额外分配一些任务 Leader 会直接接手开始干活，而不是打断其他 Agent 的工作。

好，以前的技术债和风险基本都搞定了，我们现在开发一个新功能：点开一个订阅源的时候，在文章列表的顶部增加一个全部已读的功能，再加一个手动刷新的功能。手动刷新可以主动拉取订阅源的最新内容。这个功能不复杂，Agent 很快就完活儿了：

效果如下：

后面我又随手加了一个阅读列表，把喜欢或者待看的文章扔进去，也轻松完成了。全程使用了 accept edits on 模式，我只需要提出修改意见的时候和 Agent 沟通就好了，这是成品：

这是我订阅的 AK 大神的推特列表：

整体用下来我的感觉是，M2.7 不仅工程能力大大增强，多 Agent 协作不会乱，速度也非常快。尤其是完成一个单点功能，几分钟就搞定了，当然这也得益于我开通了 Coding Plan 极速版的原因。

在多 Agent Team 的使用上，我倾向于让多 Agent 做并行开发独立的功能点，效率高也不容易出错。目前 M2.7 的编程能力、工程能力、设计和审美都很强，基本上一个 Agent 一个功能模块，并行做，速度贼快。只要规划得好，只有你想不到，没有它做不到的。

3

编程厉害，养虾自然不在话下。我家里 Mac mini 上的模型也上了 M2.7：

用起来一样得心应手。有用户咨询我开源项目 PaddleOCR 的用法，我把问题直接丢给龙虾，让它出了一份墨问笔记：

然后直接给我保存了一份墨问笔记，我用预览的方式发给了用户，照着做去了：

早上用户在墨问群里聊天，我有点摸不着头脑（夫妻双方的名字都写错了）。丢给龙虾问是咋回事：

龙虾给了准确的解读和纠错，并且默默把正确的名字加粗了。给 M2.7 点个赞 😂

如果你也养虾，推荐你试试 MiniMax M2.7，就我的体感，真的是非常能打，Token 足，聪明，速度快，还有自我进化能力。

4

对，这次 M2.7 最吸引我的一点，是它展示了模型真正的自我进化路径。

第一步，它可以在给定的 Agent Harness 调度框架下，把一条完整的研发流水线跑起来。比如在一个 RL 实验里，从启动实验、监控状态，到自动看日志、排查问题、看指标、改代码、提 merge request、做冒烟测试——大量原本需要多团队配合的活——都可以交给 Agent 做，人类研究员只在关键节点做决定即可。

第二步，它不只是用 harness，还会“改造工具箱”本身。看 MiniMax 的技术报告，M2.7 在内部 scaffold 上优化模型的软件工程过程里，会自己跑一个循环：分析失败原因 → 规划修改 → 改 scaffold 代码 → 评测 → 对比结果 → 决定保留还是回退。这个循环自动跑了一百多轮，最后在评测集上的效果提升了 30%。

第三步，也是最有想象力的一步：它开始直接优化别的机器学习模型。在 MLE Lite 的 22 道高难度竞赛题上，M2.7 通过 Agent 连续迭代，每一轮都会写一份短时记忆 md 文件，总结本轮得失，再给下一轮提供改进方向。就这样滚动下去，最好的一次拿到了 9 金 5 银 1 铜，整体得牌率 66.6%，已经逼近当下顶级模型，只比 Opus-4.6 和 GPT-5.4 略逊一筹，与 Gemini-3.1 打成平手。

这样的进化持续进行，未来的路线就比较清晰了：模型不再只是“被训练”，而是能在相对封闭、安全的环境里，自己搭建数据、调整训练、改推理架构、设计评测，用一整套自动化流水线，逐步把自己打磨得更好。

5

每次有国产模型发新品我都特开心，尤其是自己常用的模型，因为真切感觉到中国大模型正变得越来越好，进而成为能融入日常工作流的 AI 生产力系统。

这次 M2.7 给我的感觉，就是从“一个聪明的大模型”，走向了“一个可以交付具体工程任务的生产力工具”。它能帮你分析项目、建团队，拆解任务、带着多 Agent 一起协作开发，甚至在一个相对封闭的环境里，自己迭代代码、优化模型。过去很多需要人盯着干的活，现在可以放心交给它试一试。

如果你也在 Vibe Coding 和养虾，挺推荐试试 MiniMax 的 Coding Plan 计划。我这半年一直用它做 Vibe Coding，春节后开始养龙虾也不在话下，最大的感受就是两个字：省心。

模型够快够聪明、额度够用，不用天天算着 Token 过日子，才能把 AI 工具用到极致。

毕竟，未来个人和组织比拼的，都是谁有想象力和创造力，谁能把 AI 用得更好～～

感兴趣的朋友可以体验下，通过我的邀请码，咱都有 Token Plan 的福利。