MiniMax M2.7: Das Open-Source-Modell für agentische Workflows
MiniMax M2.7 ist ein Open-Source-Modell, das für agentische Workflows und echte Softwareentwicklung optimiert wurde. Die verifizierten Fakten, die Benchmark-Zahlen (mit Vorbehalten) und wie man es ganz ohne Einrichtung ausführt.
Ich werde den Artikel direkt ins Deutsche übersetzen, wobei ich die Markdown-Struktur, Links, Code und Markennamen unverändert lasse.
MiniMax behauptet, dass sein M2.7-Modell das bestbewertete Open-Source-Modell in seinem wichtigsten Benchmark ist – eine kühne Aussage über ein Modell, das jeder herunterladen und ausführen kann. M2.7 ist MiniMaxs neueste Open-Source-Veröffentlichung, die speziell für agentische Workflows und reale Software-Engineering-Aufgaben entwickelt wurde – nicht für Chats. Dieser Leitfaden trennt die verifizierten Fakten vom Marketing, geht die Zahlen durch (mit den Einschränkungen, die sie verdienen) und zeigt den schnellsten Weg, M2.7 tatsächlich einzusetzen.
Was ist MiniMax M2.7?
MiniMax M2.7 ist das neueste Textmodell in MiniMaxs M-Serie, veröffentlicht als Open-Source-Modell – MiniMax positioniert es als das beste Open-Source-Modell in seinem wichtigsten Benchmark, und es wird zur Nutzung und Weiterentwicklung durch andere verbreitet. Während manche Modelle als allgemeine Chatbots vermarktet werden, zielt M2.7 explizit darauf ab, Arbeit zu erledigen: agentische Workflows, End-to-End-Softwareprojekte und sogar Aufgaben mit Office-Dokumenten.
MiniMax hebt eine konkrete Reihe von Ziel-Anwendungsfällen hervor:
- Reales Software-Engineering – nicht nur Codeschnipsel, sondern die End-to-End-Lieferung von Projekten.
- Log-Analyse und Fehlersuche, Code-Sicherheit und Machine-Learning-Aufgaben.
- Office-Suite-Arbeit – Bearbeiten von Excel-, PowerPoint- und Word-Dokumenten.
- Agentische Workflows – Agieren als autonomer, werkzeugnutzender Agent über mehrstufige Aufgaben hinweg.
Es gibt zwei Varianten – das Standard-MiniMax-M2.7 und M2.7-highspeed (MiniMax sagt, die Ergebnisse seien identisch, nur schneller) – und es ist dafür konzipiert, sich in die Agenten-Tools einzufügen, die Entwickler bereits verwenden, darunter Claude Code, Codex CLI, Cline und Cursor.
Die von MiniMax berichteten Zahlen
M2.7 sticht teilweise deshalb hervor, weil MiniMax konkrete Benchmark-Zahlen veröffentlicht hat statt vager Behauptungen. Dies sind vom Anbieter gemeldete Zahlen – nützlich als Signal dafür, wo das Modell stark ist, aber immer einen Wert, sie an der eigenen Arbeitslast zu überprüfen – und sie zeichnen ein klares Bild eines agentischen, auf Coding fokussierten Modells:
| Benchmark | Von MiniMax gemeldetes Ergebnis | Was es misst |
|---|---|---|
| GDPval-AA | ELO 1495 – höchster Wert unter Open-Source-Modellen | Breiter, realer Aufgabenwert |
| SWE-Pro | 56,22 % – „nahezu auf Höhe von Opus' Bestwert" | Reale Software-Engineering-Aufgaben |
| VIBE-Pro | 55,6 % | Coding-/agentische Fähigkeit |
| Terminal Bench 2 | 57,0 % | Terminal-/Agenten-Aufgabenerfüllung |
| Skill-Befolgung (40 komplexe Skills, >2000 Tokens) | 97 % | Befolgung mehrstufiger Anweisungen |
Die von MiniMax gemeldeten Zahlen für M2.7 – stark bei Software-Engineering- und agentischen Aufgaben (vom Anbieter gemeldet; an eigenen Aufgaben überprüfen).
Eine Behauptung verdient eine besondere Kennzeichnung: MiniMax stellt den SWE-Pro-Wert als „nahezu auf Höhe von Opus' Bestwert" dar, sagt aber nicht, welche Opus-Version gemeint ist. Diesen speziellen Vergleich sollte man also als Marketing behandeln, bis er unabhängig verifiziert wurde. Die ehrliche Einschätzung: Selbst wenn man berücksichtigt, dass dies die eigenen Benchmarks des Herstellers sind, ist das Muster konsistent – M2.7 ist auf agentische und Software-Engineering-Arbeit abgestimmt, und ein Wert von 97 % Skill-Befolgung bei langen, komplexen Anweisungen ist genau die Eigenschaft, die einen Agenten verlässlich statt unzuverlässig macht.
Wofür MiniMax M2.7 tatsächlich gedacht ist
Lässt man die Benchmarks beiseite, wird der Anwendungsfall klar: M2.7 ist darauf ausgelegt, zu handeln, nicht nur zu antworten. Die herausragenden Stärken passen zu autonomer Arbeit – ein Softwareprojekt End-to-End abzuschließen, Fehler durch Logs zu jagen, echte Office-Dokumente zu bearbeiten und langen, mehrstufigen Skill-Ketten zu folgen, ohne abzudriften. Der letzte Punkt zählt für Agenten am meisten: Ein Modell, das eine 97%ige Skill-Befolgungsrate über 40 komplexe Skills hinweg hält, ist eines, dem man zutrauen kann, bei einer langen Aufgabe auf Kurs zu bleiben.
Wenn Ihr Bedarf „Schreib mir einen Absatz" lautet, kann das fast jedes Modell. Wenn es „Arbeite diese mehrstufige Aufgabe durch und schließe sie tatsächlich ab" heißt, ist das genau die Nische, für die M2.7 gebaut wurde.
Wie MiniMax M2.7 im Vergleich abschneidet
Eine kurze, ehrliche Einordnung gegenüber den Modellen, mit denen es am häufigsten verglichen wird:
| Wenn Sie wollen… | Erwägen Sie |
|---|---|
| Open Source + Fokus auf agentische Workflows & Office | MiniMax M2.7 |
| Open Source + Fokus auf Coding/Agent-Schwärme | Kimi K2.6 |
| Einen verwalteten, geschlossenen Coding-Agenten | Claude (z. B. via Claude Code) |
| Maximales geschlossenes Frontier-Reasoning | Ein Top-GPT-/Claude-/Gemini-Modell |
M2.7 und Kimi K2.6 sind die beiden Open-Source-Schwergewichte in diesem Vergleich; M2.7 tendiert zu End-to-End-agentischen Workflows und Office-Aufgaben, während Kimi K2.6 zu Coding und Agent-Schwärmen tendiert. Beide lohnt es sich, an der eigenen Arbeit zu testen – was viel einfacher ist, wenn man sie nebeneinander laufen lassen kann (mehr dazu weiter unten).
Offene Gewichte: Warum das für M2.7 wichtig ist
Dass M2.7 Open Source ist, ist nicht nur ein Werbeargument – für ein agentisches, arbeitsverrichtendes Modell ist es tatsächlich nützlich:
- Führen Sie es dort aus, wo die Arbeit stattfindet. Hosten Sie M2.7 selbst neben Ihren Daten und Systemen, statt sensiblen Code oder Dokumente über eine API eines Drittanbieters zu leiten – wichtig für sicherheitsbewusste Teams, die echte Software- oder Geschäftsdateien verarbeiten.
- Prüfen und anpassen. Offene Gewichte können untersucht und für Ihre Domäne feinabgestimmt werden, sodass das Modell an Ihren Stack angepasst statt unverändert übernommen werden kann.
- Keine Bindung auf Modellebene. Sie sind nicht an den Endpunkt eines einzigen Anbieters gebunden; wenn ein stärkeres offenes Modell erscheint, können Sie es austauschen.
Der Haken ist derselbe wie bei jedem offenen Modell: Ein leistungsfähiges Modell selbst zu hosten bedeutet, die GPUs und den Serving-Stack selbst zu besitzen. Die praktische Frage für die meisten Menschen lautet also nicht „offen vs. geschlossen" – sondern „betreibe ich den Betrieb selbst, oder nutze ich einen verwalteten Host, der es bereits bereitstellt?"
Ein realistischer M2.7-Workflow
Hier zahlt sich das Profil von M2.7 aus. Angenommen, Sie geben ihm die Aufgabe: „Untersuche die Logs dieses Dienstes auf die Ursache sporadischer 500er-Fehler, schlage eine Lösung vor und entwirf ein Zusammenfassungsdokument für das Team." Ein auf agentische Workflows abgestimmtes Modell arbeitet das als Sequenz ab – die Logs abrufen und durchsuchen, die Fehler mit einem Code-Pfad korrelieren, eine Lösung vorschlagen und anwenden, eine Prüfung durchführen und dann eine Word- oder PowerPoint-Zusammenfassung dessen erstellen, was gefunden und geändert wurde. Diese eine Aufgabe berührt drei der genannten Stärken von M2.7 – Log-Analyse/Fehlersuche, End-to-End-Software-Arbeit und Office-Dokumentenausgabe – genau die Art von mehrstufiger Aufgabe, die sein 97%iger Skill-Befolgungswert vorhersagen soll. Ein rein generatives Modell würde bei jedem einzelnen Teil helfen, wenn man es fünfmal aufforderte; ein agentisches Modell wie M2.7 ist darauf ausgelegt, die gesamte Kette zu tragen.
Eine M2.7-Aufgabe, End-to-End verkettet – Log-Analyse, eine Code-Korrektur und ein erstelltes Zusammenfassungsdokument.
So führen Sie MiniMax M2.7 aus
Drei Wege, vom aufwändigsten bis zum einfachsten:
- MiniMaxs API – rufen Sie es direkt über MiniMaxs Endpunkt auf (Standard oder Highspeed), oder binden Sie es in Agenten-Tools wie Claude Code, Cursor oder Codex CLI ein. Am besten geeignet, wenn Sie als Entwickler mit der Verwaltung von Keys vertraut sind.
- Selbst hosten – da es Open Source ist, können Sie es auf Ihrer eigenen Infrastruktur ausführen, mit voller Kontrolle, auf Kosten des Besitzes von Setup und Rechenleistung.
- Eine verwaltete Multi-Modell-Plattform – nutzen Sie es über einen Dienst, der es bereits hostet, ohne etwas installieren zu müssen. Geringster Aufwand, und die richtige Wahl, wenn Sie einfach nur die Ausgabe des Modells wollen.
Führen Sie Ihren gesamten Workflow in einem einzigen Tab aus
Erinnern Sie sich an den Workflow von vorhin – die Logs scannen, den Fehler zurückverfolgen, eine Korrektur anwenden und dann ein Zusammenfassungsdokument erstellen? Diese gesamte Kette läuft End-to-End in Happycapy, ohne dass Sie irgendetwas konfigurieren müssen. M2.7 ist eines der Modelle, die Sie in Happycapy auswählen können, einem agenten-nativen Computer in Ihrem Browser, und es wird in einer Cloud-Sandbox ausgeführt, die bereits über das Dateisystem, das Terminal und die Dokumenten-Tools verfügt, die dieser Workflow benötigt – genau die Umgebung, die ein agentisches Modell braucht, um zu liefern, nicht nur zu beschreiben.
Das ist die eigentliche Freischaltung für ein Modell, dessen Stärke darin liegt, mehrstufige Aufgaben abzuschließen: Ein Benchmark-Wert bedeutet nichts, wenn das Modell nirgendwo handeln kann, und Happycapy gibt ihm den Ort dafür. Sie beobachten, wie es auf einem visuellen Desktop arbeitet, und greifen ein, wann Sie möchten. Und da Happycapy auch Kimi K2.6, Claude und über 150 weitere Modelle hostet, können Sie Ihre Aufgabe mit M2.7 und einem Konkurrenten im selben Tab ausführen und das bessere Ergebnis behalten – ohne zusätzliche Anbieterkonten.
Kostenlos starten auf happycapy.ai, wählen Sie MiniMax M2.7 aus und geben Sie ihm genau diese Art von mehrstufiger Aufgabe – der schnellste Weg, um zu sehen, ob seine Benchmark-Zahlen bei Ihrer Arbeit standhalten.
Die ehrlichen Vorbehalte
Ein klarer Blick auf M2.7, bevor Sie sich festlegen:
- Die Zahlen sind vom Anbieter gemeldet. MiniMaxs Benchmark-Zahlen sind wirklich konkret (was gut ist), aber es sind die eigenen Zahlen des Herstellers. „Nahezu auf Höhe von Opus" und „bestes Open-Source-Modell" sind Behauptungen, die an Ihrer Arbeitslast zu überprüfen sind, keine feststehenden Tatsachen.
- Benchmark ≠ Ihre Arbeit. Ein Wert von 57 % im Terminal Bench oder 56 % im SWE-Pro sagt Ihnen, dass das Modell in diesen Suiten wettbewerbsfähig ist, nicht, wie es mit Ihrer Codebasis, Ihrem Stack und Ihren Konventionen umgeht. Der fünfzehnminütige Test an einer echten Aufgabe von Ihnen ist mehr wert als jeder Wert.
- Es braucht ein Gerüst, um zu handeln. Die Schlagzeile von M2.7 lautet agentische Workflows – aber ein agentisches Modell ist nur so nützlich wie die Schleife, die Tools und die Sandbox um es herum. Für sich allein ist es ein leistungsfähiges Modell; um tatsächlich End-to-End-Arbeit zu liefern, braucht es eine Umgebung, die ihm das Handeln ermöglicht.
- Offen auf Modellebene, Betrieb liegt bei Ihnen beim Selbst-Hosting. Offene Gewichte geben Kontrolle, aber ein Modell dieser Klasse selbst zu betreiben ist echte Infrastrukturarbeit. Der verwaltete Weg tauscht das ein.
- Nicht automatisch das beste geschlossene Frontier-Modell. Für die absolute Obergrenze beim allgemeinen Reasoning setzen die führenden geschlossenen Modelle weiterhin den Maßstab; das Argument für M2.7 ist Open-Source-agentische Stärke, nicht „schlägt alles".
Gehen Sie mit der Erwartung eines starken, offenen agentischen Modells hinein – und bestätigen Sie die Teile, die Ihnen wichtig sind, an Ihren eigenen Aufgaben.
Für wen ist MiniMax M2.7 geeignet?
- Entwickler agentischer Workflows, die ein Open-Source-Modell wollen, das sich bei mehrstufigen, werkzeugnutzenden Aufgaben bewährt hat.
- Entwickler, die reales Software-Engineering betreiben und starke SWE-Leistung ohne ein rein geschlossenes Modell wollen.
- Teams, die Open Source benötigen für Kontrolle, Self-Hosting oder um Bindung zu vermeiden.
- Alle, die zwischen offenen Modellen wählen und M2.7 an ihren eigenen Aufgaben gegen Kimi K2.6 benchmarken möchten.
Häufig gestellte Fragen
F: Ist MiniMax M2.7 Open Source?
Ja – MiniMax hat M2.7 als Open-Source-Modell veröffentlicht und meldet es als das bestbewertete Open-Source-Modell im GDPval-AA-Benchmark. Das bedeutet, Sie können es nutzen und selbst hosten, nicht nur eine geschlossene API aufrufen.
F: Worin ist MiniMax M2.7 am besten?
Agentische Workflows und reales Software-Engineering – End-to-End-Projektlieferung, Fehlersuche durch Logs, Code-Sicherheit, ML-Aufgaben und sogar die Bearbeitung von Office-Dokumenten. Es ist darauf abgestimmt, mehrstufige Arbeit abzuschließen, nicht nur Fragen zu beantworten.
F: Wie gut ist MiniMax M2.7 wirklich?
MiniMax meldet starke Zahlen – eine ELO von 1495 im GDPval-AA (bestes Open-Source-Modell), 56,22 % im SWE-Pro, 57,0 % im Terminal Bench 2 und 97 % Skill-Befolgung bei komplexen Anweisungen. Diese sind vom Anbieter gemeldet, behandeln Sie sie also als starkes Signal für seinen Fokus und überprüfen Sie sie an Ihren eigenen Aufgaben.
F: Was ist der Unterschied zwischen MiniMax-M2.7 und M2.7-highspeed?
MiniMax beschreibt sie als identische Ergebnisse liefernd, wobei die Highspeed-Variante einfach schneller läuft (und automatische Cache-Unterstützung bietet). Wählen Sie Highspeed, wenn Latenz wichtig ist.
F: Wie kann ich MiniMax M2.7 ohne Einrichtung nutzen?
Führen Sie es in Happycapy aus, das M2.7 in einer fertigen Cloud-Sandbox bereitstellt – inklusive Dateisystem, Terminal und Dokumenten-Tools. Sie wählen es im Browser aus und geben ihm eine mehrstufige Aufgabe; die Umgebung, die es braucht, um die Arbeit zu erledigen, ist bereits vorhanden, sodass nichts zu installieren oder verwalten ist.
F: Funktioniert MiniMax M2.7 mit Coding-Tools wie Cursor und Claude Code?
Ja – MiniMax listet M2.7 als kompatibel mit einer Reihe von Agenten-Tools auf, darunter Claude Code, Codex CLI, Cline und Cursor, sodass Sie es in den Workflow einbinden können, den Sie bereits verwenden. Oder führen Sie es über eine verwaltete Plattform aus, wenn Sie die Einrichtung lieber ganz überspringen möchten.
F: Ist MiniMax M2.7 kostenlos nutzbar?
Die Gewichte sind offen, sodass Self-Hosting keine Lizenzgebühr mit sich bringt (Sie zahlen für Rechenleistung), und MiniMax bietet einen tokenbasierten Plan für seine API. Verwaltete Plattformen bündeln den Zugriff in ihrer eigenen Preisgestaltung – Sie können zum Beispiel M2.7 in Happycapy neben über 150 weiteren Modellen ausführen, ohne ein separates MiniMax-Konto.
F: MiniMax M2.7 vs. Kimi K2.6 – was sollte ich wählen?
Beide sind führende Open-Source-agentische Modelle. M2.7 tendiert zu End-to-End-agentischen Workflows und Office-Aufgaben; Kimi K2.6 tendiert zu Coding und Agent-Schwärmen. Der zuverlässige Weg zur Entscheidung besteht darin, dieselbe Aufgabe durch beide laufen zu lassen – einfach auf einer Plattform, die beide hostet, wie Happycapy.
