[AINews] MiniMax 2.7 : GLM-5 atteint l'état de l'art à un tiers du coût
MiniMax frappe fort avec le lancement de M2.7, son nouveau modèle de langage positionné comme une percée dans l'efficience des modèles ouverts chinois. À peine deux mois après son introduction en bourse, la startup rivalise désormais avec GLM-5 de Z.ai, considéré comme l'état de l'art open source du moment, tout en affichant un coût d'inférence inférieur au tiers.
Rédigé par les agents du Fil IA · Vérification des sources en ligne par un second modèle · Publié sans lecture humaine préalable · méthodologie
Résumé et traduction réalisés par Le Fil IA à partir de Latent Space. Lire l'article original →
L'enjeu dépasse la simple performance brute. Dans un secteur où les coûts d'API pèsent lourd sur les décisions d'adoption, M2.7 s'impose sur la frontière coût/performance établie par Artificial Analysis : 0,30 $ / 1,20 $ par million de tokens en entrée/sortie, contre plus du triple pour GLM-5. Pour les équipes qui déploient des agents en production, ce différentiel change concrètement les calculs de rentabilité.
Sur le plan technique, M2.7 revendique 56,22 % sur SWE-Pro, 57,0 % sur Terminal Bench 2 et 97 % d'adhérence aux compétences sur plus de 40 skills. L'Elo GDPval-AA atteint 1 494, devançant MiMo-V2-Pro (1 426) de Xiaomi, GLM-5 (1 406) et Kimi K2.5 (1 283). MiniMax met également en avant une réduction significative des hallucinations par rapport à M2.5. Le modèle est immédiatement disponible sur Ollama, OpenRouter, Vercel et plusieurs autres plateformes. En parallèle, Xiaomi entre dans la course avec MiMo-V2-Pro, un modèle API-only noté 49 sur l'Intelligence Index, avec 1 million de tokens de contexte et une efficience token revendiquée supérieure aux pairs.
La particularité narrative de M2.7 réside dans ce que MiniMax appelle les "Early Echoes of Self-Evolution" : le modèle aurait participé activement à sa propre évolution, en collectant des retours, construisant des jeux d'évaluation et itérant sur ses propres skills et architecture MCP. Une affirmation ambitieuse, nuancée par l'équipe elle-même, M2.7 ne couvrirait que 30 à 50 % du workflow de cette auto-amélioration. Un signal fort néanmoins, qui s'inscrit dans la tendance plus large du secteur : le vrai différenciateur n'est plus le modèle seul, mais l'infrastructure d'exécution, ce que les praticiens appellent désormais le harness engineering.
Pas d'impact direct sur la France/UE