A meno di due mesi dalla quotazione in borsa, la startup cinese MiniMax rilascia M2.7, un modello proprietario che raggiunge le stesse prestazioni di GLM-5 di Z.ai ma a un costo di esecuzione inferiore di oltre due terzi. Una mossa che conferma come la corsa ai modelli migliori non si giochi soltanto sulla potenza, ma sempre di più sul rapporto tra prestazioni e risorse necessarie per ottenerle.
Secondo i dati pubblicati da Artificial Analysis, M2.7 raggiunge un punteggio di 50 sul loro Intelligence Index, pareggiando con GLM-5 nella variante dedicata al ragionamento. La differenza sta nei costi: eseguire l’intero indice di valutazione con M2.7 richiede circa 176 dollari, con un prezzo di 0,30 e 1,20 dollari per milione di token in ingresso e in uscita rispettivamente, cifre che rappresentano meno di un terzo rispetto a quanto necessario per GLM-5. In termini di qualità, il modello segna un punteggio Elo di 1494 sulla scala GDPval-AA, superando concorrenti come MiMo-V2-Pro di Xiaomi e Kimi K2.5, e mostrando una riduzione marcata delle allucinazioni rispetto al predecessore M2.5. I benchmark più tradizionali lo collocano in area di parità con Sonnet 4.6 su OpenClaw e a quota 56,22 percento su SWE-Pro.
L’aspetto forse più intrigante di M2.7 riguarda quello che MiniMax definisce “primi echi di auto-evoluzione”. Il team descrive il modello come il primo a partecipare in profondità al proprio processo di sviluppo, capace di gestire autonomamente tra il 30 e il 50 percento del flusso di lavoro legato alla ricerca sul reinforcement learning. In pratica, M2.7 analizza i propri percorsi di errore, pianifica modifiche, interviene sul codice e valuta i risultati, ottenendo un miglioramento del 30 percento sulle valutazioni interne. A tutto ciò si aggiungono funzionalità di collaborazione multi-agente e il lancio di OpenRoom, una demo open source pensata per applicazioni nel settore dell’intrattenimento. La distribuzione è stata immediata su numerose piattaforme, da Ollama a OpenRouter, passando per Vercel e altre.
Va osservato che la community ha accolto i risultati con un misto di entusiasmo e cautela. Su Reddit diversi utenti hanno sottolineato il divario che spesso separa le prestazioni eccellenti sui benchmark dalla reale utilizzabilità quotidiana, soprattutto su compiti che si discostano dalla distribuzione di addestramento. Anche la resistenza alla quantizzazione, già problematica con M2.5, resta un punto di attenzione.
La direzione indicata da MiniMax con il rilascio di M2.7 merita attenzione ben oltre il singolo modello. Il settore sta entrando in una fase in cui la differenziazione non passa più dalla semplice dimensione dei parametri o dal punteggio su una classifica, ma dalla capacità di rendere i modelli accessibili, economici e capaci di migliorarsi con intervento umano ridotto. Il concetto di auto-evoluzione, per quanto ancora embrionale, prefigura un futuro in cui lo sviluppo dei modelli diventa parzialmente ricorsivo. Se la tendenza si consolida, il vantaggio competitivo si sposterà verso chi saprà costruire non solo modelli potenti, ma ecosistemi in cui quei modelli contribuiscono attivamente al proprio perfezionamento.
Per approfondire: link all’articolo originale
