MiniMax M2.7 franchit un cap avec l’IA auto-évolutive

Résumer cet article avec :

Le 18 mars 2026, la startup MiniMax a dévoilé son nouveau modèle phare, le M2.7. Cette version ne se contente pas d’être plus performante ; elle a participé de manière active à sa propre conception. L’ère des modèles d’IA auto-évolutifs vient de franchir une étape décisive.

À retenir
Le MiniMax M2.7 est le premier modèle commercial à avoir optimisé son propre processus d’apprentissage, marquant l’avènement de l’auto-évolution (Self-Evolution).
Son architecture de type Mixture-of-Experts (MoE) totalise 230 milliards de paramètres, mais n’en active qu’environ 10 milliards par jeton, alliant puissance et efficacité.
Il rivalise avec les leaders du marché sur des benchmarks exigeants comme SWE-Pro (56,22%) et domine le classement open-source sur GDPval-AA.
Il excelle dans les tâches de productivité réelle : ingénierie logicielle de bout en bout, débogage autonome et édition complexe dans Microsoft Office.
La démo OpenRoom offre une interface graphique Web interactive où des agents agissent de manière proactive, et son code est open-source.
Son tarif, environ 0,26 € par million de jetons en entrée et 1,02 € en sortie, représente une économie pouvant atteindre 90% face à certains concurrents.

Ce lancement n’est pas qu’une simple mise à jour. Il marque une transition vers des systèmes capables de s’améliorer seuls, tout en étant proposés à un coût très bas pour les développeurs et les entreprises, ce qui peut accélérer l’adoption de l’IA agentique.

L’ère de l’auto-évolution : comment MiniMax M2.7 se dépasse lui-même

La principale innovation du M2.7 réside dans son concept d’auto-évolution. Contrairement aux modèles précédents, il a été utilisé en interne pour participer directement à son propre perfectionnement.

Chercheurs en laboratoire d’IA observant sur de grands écrans un modèle qui ajuste en temps réel ses propres paramètres d’apprentissage. — L’ère de l’auto-évolution montre un modèle qui intervient dans l’optimisation de son propre entraînement.

Un apprentissage par renforcement optimisé par l’IA elle-même

MiniMax a employé le M2.7 pour optimiser son propre processus d’apprentissage par renforcement (Reinforcement Learning). Le modèle a ainsi contribué à mettre à jour sa mémoire et à construire des dizaines de compétences complexes au sein de son architecture. Cette approche circulaire, où l’outil affine sa propre fabrication, constitue un changement de méthode vers des systèmes plus autonomes.

L’efficacité du mélange d’experts (MoE)

Pour concilier performances et viabilité économique, MiniMax a opté pour une architecture Mixture-of-Experts. Le modèle dispose d’un réservoir de 230 milliards de paramètres, mais n’en active dynamiquement qu’environ 10 milliards pour traiter chaque jeton. Cette sélectivité offre les capacités d’un modèle géant avec la latence et le coût de calcul d’un modèle beaucoup plus compact, un avantage majeur pour le déploiement à grande échelle.

Des benchmarks qui impressionnent

Les mesures publiques confirment cette ambition. Sur SWE-Pro, un benchmark exigeant d’ingénierie logicielle, le M2.7 atteint 56,22%, proche des scores de modèles leaders comme Claude Opus. Il occupe la première place du classement des modèles open-source sur GDPval-AA avec un score ELO de 1495. Par ailleurs, il supporte une fenêtre de contexte de 204 800 jetons et maintient un taux d’adhérence aux instructions de 97%, y compris pour des tâches complexes.

Des outils concrets pour les développeurs et les entreprises

Au-delà des spécifications techniques, le M2.7 est conçu pour un usage immédiat en contexte professionnel. Il est dès à présent accessible via l’API MiniMax Platform et la plateforme MiniMax Agent.

Un copilote de code et de débogage autonome

Le modèle excelle dans le développement logiciel. Il peut livrer des projets de bout en bout, analyser des logs complexes et réaliser des root cause analysis (analyse des causes premières) pour dépanner des bugs. Son score de 57,0% sur Terminal Bench 2 indique une compréhension fine des systèmes et des environnements d’ingénierie. Il agit comme un assistant technique qui ne se contente pas de suggérer du code, mais qui diagnostique et corrige des problèmes systémiques.

L’automatisation bureautique poussée à son paroxysme

L’IA ne se limite pas à l’IDE. Le M2.7 intègre des capacités avancées pour les suites bureautiques. Il permet une édition complexe et de haute fidélité dans Microsoft Word, Excel et PowerPoint, capable de gérer des révisions multi-tours avec une grande précision. Grâce à son Agent Harness, il peut orchestrer des équipes d’agents (Agent Teams) pour planifier, exécuter et affiner des flux de travail dynamiques dans des environnements complexes, en automatisant des processus métier répétitifs.

OpenRoom, une fenêtre sur l’avenir de l’interaction

Parallèlement, MiniMax a ouvert les sources d’OpenRoom, une démonstration d’interface expérimentale. Il s’agit d’une interface graphique Web interactive où des agents, incarnés par des personnages, interagissent de manière proactive avec un environnement virtuel et génèrent des retours visuels en temps réel.

Le code de cette démo a été majoritairement écrit par l’IA elle-même.
Selon MiniMax

En la rendant open-source, la startup invite la communauté à explorer de nouveaux usages pour le divertissement interactif et les interfaces homme-machine.

Les limites d’une mutation annoncée

Si les promesses sont importantes, certaines nuances tempèrent l’enthousiasme. L’accès à une IA auto-évolutive n’est pas sans poser de questions, notamment sur la maîtrise des risques et le partage du contrôle.

Réunion entre décideurs et experts autour d’un écran affichant des visualisations de risques et de gouvernance liés à une IA avancée. — Les limites de cette évolution posent des questions de gouvernance, de transparence et de contrôle de l’IA auto-évolutive.

Un modèle propriétaire malgré une démo open source

L’ouverture affichée a ses limites. Si le code d’OpenRoom est libre, le cœur de la technologie, le modèle M2.7 lui-même, reste un actif propriétaire hébergé et contrôlé par MiniMax. Les utilisateurs dépendent donc de son infrastructure et de sa politique d’accès via l’API. La véritable souveraineté technologique que permettrait un modèle entièrement open-weight n’est pas encore d’actualité.

La question éthique de l’auto-évolution

Le concept d’auto-évolution, bien que novateur, introduit une complexité nouvelle en matière de transparence et de contrôle. Si le modèle peut optimiser ses propres processus, comment s’assurer que ces optimisations restent alignées avec des intentions humaines et des critères de sécurité ? La boîte noire devient potentiellement encore plus opaque et appelle des cadres de gouvernance et d’audit robustes, qui restent largement à concevoir.

Le MiniMax M2.7 n’est pas une simple itération de plus. Il marque l’arrivée d’une industrie qui entre dans une phase de maturation, où l’IA commence à travailler sur elle-même. Sa tarification agressive et ses applications pratiques peuvent en faire un outil d’adoption majeur, invitant la communauté à expérimenter avec les prémisses d’une autonomie naissante.