MiniMax M2.7 (229B MoE для кодинга)

Разверните MiniMax M2.7 (229B MoE) на Clore.ai — open-weight релиз с самостоятельным хостингом, лежащий в основе продвижения coding-агентов MiniMax, с развёртыванием FP8 на одном узле на H100/H200

Статус (апрель 2026): MiniMax M2.7 был опубликован на HuggingFace 9 апреля 2026 года MiniMaxAI и достиг 496 тыс. загрузок за три недели — по уровню принятия это крупнейший релиз с открытыми весами в нашем апрельском обновлении. Весы доступны по адресу huggingface.co/MiniMaxAI/MiniMax-M2.7 по пользовательской лицензии MiniMax (лицензия: другая). Это не Apache/MIT — прочитайте LICENSE перед любым коммерческим развёртыванием.

Исправление: В более ранних версиях нашего индекса моделей M2.7 был указан как проприетарная модель только для API. Это было неверно по состоянию на 9 апреля 2026 года — веса общедоступны. Это руководство заменяет ту запись.

MiniMax M2.7 — это смесь экспертов с 229 миллиардами параметров (256 экспертов, 8 активных на токен) и последняя версия семейства M2 от MiniMax — линейки, построенной вокруг самоэволюционирующего / управляемого RL постобучения и агентного кодинга задач. Релиз 2.7 — это общедоступный, пригодный для самостоятельного хостинга аналог хостируемого кодирующего агента MiniMax, и MiniMax позиционирует его как конкурентоспособный с Claude Sonnet 4.5 в агентных бенчмарках, а по некоторым из них — приближающийся к уровню Claude Opus 4.6.

Интересная архитектурная деталь — это перемежающееся мышление (введено в M2.1 и доработано в 2.5/2.7): модель чередует <think> блоки рассуждений с обычной генерацией в рамках многоходовых вызовов инструментов, так что цепочка мыслей сохраняется между возвратами по функции, а не сбрасывается на каждом шаге. Именно это делает её интересной для долгосрочных агентов — трасса рассуждений не обнуляется каждый раз, когда вы достигаете границы tool_use .

Для пользователей Clore.ai практическая новость в том, что M2.7 поставляется с контрольной точкой FP8 (float8_e4m3fn) в официальном репозитории. Это делает возможным развёртывание на одном узле на 4× H100 80GB или 2× H200 141GB — без октетов H200 или стоек на 16 GPU. Если вы уже запускали GLM-5.1 и хотите второй open-weight-модель в своём агентном стеке с другим профилем смещения, это та модель, которую стоит к нему добавить.

Ключевые характеристики

Параметр	Значение
Общее число параметров	229B (MoE, 256 экспертов)
Экспертов на токен	8 из 256
Активные параметры	Официально не опубликовано — см. карточку модели. Исторически в семействе M2 было около 10B активных параметров; перед публичным цитированием проверьте.
Скрытый размер / слои	3,072 / 62
Внимание	48 голов, 8 KV (GQA)
Окно контекста	204 800 токенов (200K)
Типы тензоров	F32, BF16, F8_E4M3
MTP	Предсказание нескольких токенов включено (3 модуля MTP)
Лицензия	Пользовательская лицензия MiniMax — по умолчанию некоммерческая
Дата выпуска	9 апреля 2026 года
Загрузки с HF (3 недели)	~496K
Рекомендуемая выборка	temperature=1.0, top_p=0.95, top_k=40
Основные инструменты	vLLM, SGLang, Transformers, KTransformers, MLX-LM

Почему MiniMax M2.7?

• Открытые веса в 229B — крупнейшая «реальная» модель для кодинга с открытыми весами, которая всё ещё помещается на одном узле 4×H100 в FP8

• перемежающееся мышление — <think> блоки сохраняются между ходами tool-call, что действительно полезно для агентов в стиле SWE

• Фокус на многоязычном кодинге — MiniMax заявляет о сильной производительности на Rust, Go, Java, Kotlin, Swift и TypeScript, а не только на Python

• Сигнал принятия — 496 тыс. загрузок за три недели — это самый сильный отклик сообщества среди всех релизов с открытыми весами за апрель 2026 года, которые мы отслеживали

• Поддержка MTP — спекулятивное декодирование через модули Multi-Token Prediction встроено, что даёт реальный прирост пропускной способности на H100/H200

• Резервный хостинг — если ваша нагрузка перерастёт один узел, у MiniMax есть хостируемая конечная точка; на этапе архитектуры вам не нужно выбирать жёстко

---

Требования

Многопроцессорные конфигурации с GPU класса 80GB не представлены на маркетплейсе Clore.ai. Самые крупные доступные сейчас машины — это 4× RTX PRO 6000 Blackwell (по 96GB, всего 380GB) и 8–11× RTX 5090 (по 32GB). Ёмкость A100 / H200 / B200 продаётся как голое железо по запросу. Проверьте Цены и доступность GPU перед выбором размера развёртывания.

229B — это всё ещё 229B. Весы BF16 занимают ~460 ГБ. Контрольная точка FP8 — примерно вдвое меньше, ~230 ГБ, именно поэтому развертывание на одном узле становится реальным. Комьюнити-кванты INT4 укладываются ниже ~120 ГБ, но официально не поддерживаются.

Компонент	Для хобби (INT4 GGUF, выгрузка)	Рекомендуется (FP8 на одном узле)	Полный BF16
VRAM GPU	GPU 24–48 ГБ + выгрузка в RAM 128 ГБ+	4× H100 80GB или 2× H200 141GB	8× H100 80GB / 4× H200 141GB
Общий объём VRAM	~48 ГБ GPU + выгрузка	320 ГБ / 282 ГБ	640 ГБ / 564 ГБ
ОЗУ	128 ГБ	256GB	512GB
Диск	200 ГБ NVMe	400 ГБ NVMe	600 ГБ NVMe
CUDA	12.8+	12.8+	12.8+

Выбор Clore.ai: Контрольная точка FP8 на 2× H200 — самый чистый вариант развёртывания: минимальное число разбиений tensor-parallel, меньше переходов NCCL, и математика для контекста 200K просто работает. 4× H100 — более дешёвая альтернатива, если H200 в дефиците.

---

Вариант A — Ollama / GGUF (квантованная)

Только комьюнити-кванты. MiniMax не публикует официальные GGUF-веса для M2.7. Сборки сообщества Q4/Q5 обычно появляются через 1–2 недели после релиза — ищите huggingface.co/models?search=minimax-m2.7+gguf и проверяйте загрузившего. Качество у MoE-квантов ниже Q4 сильно варьируется.

# Когда появится комьюнити-сборка Q4_K_M (сначала проверьте HuggingFace)
docker exec ollama ollama pull minimax-m2.7:q4_K_M
docker exec ollama ollama run minimax-m2.7:q4_K_M

# Или напрямую через llama.cpp на скачанном GGUF
docker run --gpus all -it --rm -p 8080:8080 \\
  -v $(pwd)/models:/models \\
  ghcr.io/ggerganov/llama.cpp:server-cuda \\
  -m /models/minimax-m2.7-q4_k_m.gguf \
  --n-gpu-layers 80 --ctx-size 32768 \
  --temp 1.0 --top-p 0.95 --top-k 40 \
  --port 8080 --host 0.0.0.0

Только для хобби. Для реальных нагрузок используйте vLLM или SGLang с FP8-контрольной точкой.

---

Вариант B — vLLM (продакшен API, рекомендуется)

vLLM — первоочередная цель для обслуживания. Официальная контрольная точка FP8 — та, которую стоит загружать: такое же качество, как у BF16, но примерно с половиной потребления VRAM.

docker-compose.yml — 4× H100 80GB

version: "3.8"
services:
  vllm:
    image: vllm/vllm-openai:latest
    ports:
      - "8000:8000"
    volumes:
      - hf_cache:/root/.cache/huggingface
    command: >
      --model MiniMaxAI/MiniMax-M2.7
      --quantization fp8
      --tensor-parallel-size 4
      --max-model-len 65536
      --gpu-memory-utilization 0.88
      --enable-auto-tool-choice
      --tool-call-parser hermes
      --served-model-name minimax-m2.7
      --trust-remote-code
    deploy:
      resources:
        reservations:
          devices:
            - driver: nvidia
              count: all
              capabilities: [gpu]
    shm_size: "16gb"

volumes:
  hf_cache:

docker-compose.yml — 2× H200 141GB

Уменьшите --tensor-parallel-size до 2 и увеличьте --max-model-len чтобы использовать запас по памяти:

    command: >
      --model MiniMaxAI/MiniMax-M2.7
      --quantization fp8
      --tensor-parallel-size 2
      --max-model-len 131072
      --gpu-memory-utilization 0.90
      --enable-auto-tool-choice
      --tool-call-parser hermes
      --enable-chunked-prefill
      --served-model-name minimax-m2.7
      --trust-remote-code

Проверка работоспособности

curl http://localhost:8000/v1/chat/completions \\
  -H "Content-Type: application/json" \\
  -d '{
    "model": "minimax-m2.7",
    "messages": [
      {"role": "system", "content": "Вы — старший инженер. Используйте перемежающееся мышление при рассуждении в рамках вызовов инструментов."},
      {"role": "user", "content": "Проверь этот async-хэндлер на Rust на безопасность при отмене в tokio: ..."}
    ],
    "max_tokens": 4096,
    "temperature": 1.0,
    "top_p": 0.95
  }'

Не снижайте temperature ниже 1.0. Рекомендуемая MiniMax схема выборки — это T=1.0, top_p=0.95, top_k=40. Жадное декодирование незаметно ломает <think> перемежение в многоходовых вызовах инструментов.

---

Вариант C — SGLang

Планировщик MoE в SGLang конкурентоспособен с vLLM на Hopper и часто выигрывает на длинных кодинговых завершениях благодаря спекулятивному декодированию EAGLE, работающему в связке с модулями MTP у M2.7.

docker pull lmsysorg/sglang:latest

python3 -m sglang.launch_server \
  --model-path MiniMaxAI/MiniMax-M2.7 \
  --quantization fp8 \\
  --tp-size 4 \
  --mem-fraction-static 0.88 \
  --context-length 65536 \
  --enable-mixed-chunk \
  --speculative-algorithm EAGLE \
  --speculative-num-steps 3 \
  --speculative-eagle-topk 1 \
  --speculative-num-draft-tokens 4 \
  --served-model-name minimax-m2.7 \
  --trust-remote-code

Ожидайте прирост пропускной способности примерно в 1.5–2× по сравнению с обычным vLLM на длинных агентных трассах. Снизьте --tp-size до 2 на H200.

---

Рекомендации по GPU для Clore.ai

Конфигурация	VRAM	Ожидаемая производительность	Стоимость на Clore.ai
1× RTX 4090 24GB + выгрузка в RAM	24 ГБ + 128 ГБ	INT4 для хобби, ~5–10 ток/с	$0.14–0.42/ч
4× A100 80GB	320GB	шардированный BF16, ~15–25 ток/с	голое железо
4× H100 80GB (FP8)	320GB	FP8 для продакшена, ~40–60 ток/с	~$4.16/ч
2× H200 141GB (FP8)	282 ГБ	FP8 для продакшена, ~50–70 ток/с, полный контекст 200K	голое железо
8× H100 80GB	640GB	Полный BF16, ~80+ ток/с	~$8.32/ч

Лучшее соотношение цены и качества: 2× H200 с FP8-контрольной точкой. Та же класс пропускной способности, что и у 4× H100, но вдвое меньше переходов tensor-parallel, зачастую дешевле в день на маркетплейсе, и у вас остаётся достаточно запаса VRAM для полного контекста 200K.

Арендовать машины здесь:

• H200 как bare metal — рекомендуется для развёртывания 2× H200 FP8

• Арендовать GPU H100 — для развёртывания 4× H100 FP8

• A100 80GB как bare metal — резервный вариант BF16 с несколькими GPU

• Арендовать RTX 4090 — только для INT4-хобби

• Маркетплейс — весь инвентарь, по запросу и спотовые ставки

---

Сценарии использования

• Многоязычные SWE-агенты — Rust, Go, Java, Kotlin, Swift и TypeScript получают первоклассную поддержку, а не только Python/JS

• Долгие циклы вызова инструментов — перемежающееся мышление сохраняет трассу рассуждений на протяжении сотен границы tool_use обменов туда-обратно

• Аудит кодовой базы — контекст 200K помещает средний сервис вместе с тестами в один промпт

• Пайплайны рефакторинга — устойчивое качество на множестве правок файлов благодаря модулям MTP

• Оркестрация агентов из агентов — используйте M2.7 как планировщик, а меньшую модель (Qwen3.5, GLM-4.7-Flash) как исполнителя

• Самостоятельно размещаемая альтернатива Claude Sonnet/Opus для некоммерческих исследований кодинга — но сначала прочитайте лицензию

---

Бенчмарки

Утверждения вендора — проверяйте независимо. Ниже приведённые числа взяты из релиз-нот MiniMax от 9 апреля 2026 года. Независимые воспроизведения всё ещё продолжают появляться.

Бенчмарк	MiniMax M2.7	Claude Sonnet 4.5 (справка вендора)	Claude Opus 4.6 (справка вендора)	GPT-5.3-Codex
SWE-Pro	56.22%	~55%	~57.3%	56.2%
VIBE-Pro	55.6%	—	~57%	—
Terminal Bench 2	57.0%	—	—	—
GDPval-AA (ELO)	1495	—	—	—

Формулировка MiniMax: M2.7 сопоставим с Claude Sonnet 4.5 или превосходит его в наборе агентного кодинга, который для них важен, и находится в пределах нескольких баллов от Claude Opus 4.6 на SWE-Pro / VIBE-Pro. Рассматривайте это как ориентир, а не как окончательный рейтинг — разрыв до закрытых frontier-моделей сокращается с каждым релизом.

---

Семейство MiniMax M2

Версия	Выпущено	Архитектурный фокус	Рекомендуется для
M2	Окт 2025	Первоначальный релиз MoE 229B, RL-настроенный кодинг	Справочный / исторический
M2.1	Дек 2025	перемежающееся мышление представлена	Самая ранняя версия, которую стоит запускать для агентов
M2.5	Фев 2026	Самоэволюционирующее RL-постобучение, более длинный контекст	Неплохая модель для кодинга, если ограничен диск
M2.7	9 апр 2026	Доработанный многоязычный кодинг, MTP, официальный FP8	Выбор по умолчанию — используйте это

Если вы начинаете с нуля, пропустите более ранние версии и сразу переходите к M2.7. Архитектурные изменения накапливаются, а эргономика FP8 заметно лучше.

---

Устранение неполадок

Проблема	Решение
OutOfMemoryError при загрузке FP8	Требуется около 230 ГБ VRAM. Используйте 4× H100 80GB или 2× H200 141GB. Снизьте --max-model-len сначала до 32768.
Медленная загрузка с HuggingFace	huggingface-cli download MiniMaxAI/MiniMax-M2.7 --local-dir ./weights --resume-download. Ожидайте ~230 ГБ FP8 / ~460 ГБ BF16.
Вызовы инструментов тихо отбрасываются	Установите --enable-auto-tool-choice --tool-call-parser hermes в vLLM. M2.7 использует теги инструментов в стиле Hermes.
<think> блоки пустые или искажённые	Сэмплинг должен быть temperature=1.0, top_p=0.95, top_k=40. Жадное декодирование ломает Interleaved Thinking.
Ошибки MTP / несовпадение форм	Обновите vLLM до последней стабильной версии; поддержка MTP появилась поздно, и в старых сборках модули отсутствуют.
Контекст 200K вызывает OOM на H100	Используйте --enable-chunked-prefill и начинайте с --max-model-len 65536. Полные 200K реалистично требуют H200.
Путаница с лицензией	По умолчанию = некоммерческая. Напишите [e-mail] с темой "M2.7 licensing" перед любым использованием в платном продукте.

---

Дальнейшие шаги

• Аудио-родственная модель: MiniMax Speech — тот же вендор, генерация аудио/голоса

• Альтернатива с открытой лицензией: GLM-5.1 — 744B / 40B активных, лицензия MIT, топовый SWE-Bench Pro

• Альтернатива с огромным контекстом: DeepSeek V4 — контекст 1M, мультимодальная

• Более дешёвый агентный вариант: GLM-4.7 Flash — помещается на одном H100, MIT

• Маркетплейс Clore.ai: clore.ai/marketplace — H100/H200/A100 со спотового рынка

Ссылки

• MiniMax M2.7 на HuggingFace

• ЛИЦЕНЗИЯ MiniMax M2.7 — прочитайте перед коммерческим использованием

• платформа MiniMax

• Документация vLLM

• Репозиторий SGLang

• KTransformers