서론

2026년 4월 12일, 중국의 AI 스타트업 MiniMax가 MiniMax M2.7을 오픈 웨이트(Open-weight)로 공개했습니다. M2.7은 동사의 첫 번째 "자기 진화형(Self-Evolving)" AI로, 100라운드를 넘는 자율적인 최적화 루프를 통해 스스로의 개발에 참여하여 코딩 성능을 30% 향상시킨 기록을 보유하고 있습니다.

실제 소프트웨어 엔지니어링 능력을 측정하는 SWE-bench Pro(통칭: SWE-Pro) 벤치마크에서는 **56.22%**를 달성했습니다. 이는 OpenAI의 GPT-5.3-Codex(56.8~57.0%)에 육박하는 수준입니다. 본 기사에서는 공개된 정보를 바탕으로 MiniMax M2.7의 아키텍처, 성능, API 사용법을 해설합니다.

이 기사에서 배울 수 있는 것

• MiniMax M2.7의 "자기 진화"란 무엇인가
• MoE 아키텍처를 통한 고효율 추론의 메커니즘
• 벤치마크 성능 비교 (SWE-Pro, Terminal Bench 2)
• MiniMax API를 사용한 Python 구현
• Hugging Face / Ollama를 이용한 로컬 실행 방법
• 라이선스 및 상업적 이용 시 주의사항

대상 독자

• 최신 오픈 웨이트 LLM을 업무나 연구에 활용하고자 하는 엔지니어
• AI 에이전트 개발에 힘쓰고 있는 분
• GPT/Claude 이외의 모델을 평가 및 비교하고 싶은 분

전제 환경

• Python 3.10 이상
• MiniMax API 키 (platform.minimax.io에서 취득)

TL;DR

• MiniMax M2.7은 229B 파라미터 (MoE) 모델로, 추론 시에는 10B만 활성화되는 고효율 모델입니다. - SWE-bench Pro 56.22%, Terminal-Bench 2.0 **57.0%**를 달성 (GPT-5.3-Codex에 육박하는 수준) - API 요금은 $0.30/M 입력 · $1.20/M 출력으로 비용 우위 - 비상업적 이용은 자유로우나, 상업적 이용은 MiniMax에 신청이 필요합니다. - Hugging Face · Ollama로 로컬 실행도 가능 (457GB / 양자화 버전 108GB)

MiniMax M2.7 개요

자기 진화 (Self-Evolving)란

MiniMax M2.7은 모델이 단독으로 다음 사이클을 반복함으로써 스스로를 개선하는 설계입니다:

• 로그 읽기 (Log Reading): 실행 로그로부터 실패 패턴을 분석
• 자기 피드백 (Self-Feedback): 개선점을 특정하여 플랜을 입안
• 자기 최적화 (Self-Optimization): 스캐폴드(Scaffold) 코드를 수정하여 재실행

공식 블로그에 따르면, M2.7은 이 루프를 100라운드 이상 자율 실행하여 프로그래밍 성능을 30% 향상시켰습니다. 내부 강화학습 (RL) 팀의 워크플로우를 30~50% 자동화했다는 보고도 있습니다.

자기 진화의 핵심 컴포넌트는 3가지입니다:

스펙 목록

벤치마크 성능

SWE-bench Pro와 Terminal-Bench 2.0

기존의 SWE-bench는 "패치를 적용하면 수정 완료"라는 단순한 평가였습니다. SWE-bench Pro(통칭: SWE-Pro)는 보다 복잡한 실무 수준의 태스크를 상정한 상위 버전 벤치마크입니다. Terminal-Bench 2.0은 터미널 조작을 동반하는 장기적인 태스크 수행 능력을 평가합니다.

MarkTechPost의 보고에 따르면:

에이전트 스킬의 안정성

에이전트 스킬의 안정성

MiniMax 공식에 따르면, M2.7은 2,000 토큰을 초과하는 복잡한 스킬 40개 이상에 걸쳐 **97%의 스킬 준수율 (Skill Adherence Rate)**을 유지합니다. Agent Teams에서의 역할 경계도 안정적이어서, 멀티 에이전트 (Multi-agent) 구성에서의 실용성이 높다고 평가됩니다.

API 이용 방법

환경 준비

pip install requests

MiniMax API 키는 platform.minimax.io에서 취득합니다.

export MINIMAX_API_KEY="your_api_key_here"

기본적인 채팅 보완 (Chat Completion)

MiniMax API 레퍼런스에 기반한 구현 예시입니다.

import os
import requests
API_KEY = os.environ["MINIMAX_API_KEY"]
...

Anthropic SDK와의 호환 엔드포인트 (Compatible Endpoint)

MiniMax는 Anthropic SDK와 호환되는 엔드포인트도 제공합니다:

import anthropic
import os
client = anthropic.Anthropic(
...

API 요금

platform.minimax.io/docs/guides/pricing-paygo 기준 (2026년 4월 시점):

MiniMax-M2.7-highspeed는 동일한 요금이지만, 더 빠른 응답 속도를 제공합니다.

로컬 실행 (Hugging Face / Ollama)

Hugging Face로부터 다운로드

# 모델 카드 확인
# https://huggingface.co/MiniMaxAI/MiniMax-M2.7
# SGLang을 이용한 추론 (권장)
...

스토리지 요구 사항

Ollama에서 실행

# Ollama가 설치되어 있는 경우
ollama pull minimax-m2.7
ollama run minimax-m2.7

추론 권장 파라미터는 temperature=1.0, top_p=0.95, top_k=40입니다 [1].

라이선스와 상업적 이용

비상업적 이용

개인 프로젝트, 연구, 파인튜닝 (Fine-tuning, 프라이빗 배포)은 별도의 신청 없이 자유롭게 이용할 수 있습니다.

상업적 이용

MiniMax M2.7 라이선스에 따르면, 상업적 이용 (제품 및 서비스에 포함, API의 상업적 제공 등)에는 MiniMax 측에 대한 사전 서면 신청이 필요합니다.

• 신청처 이메일: api@minimax.io
• 제목: M2.7 licensing
• 상업적 제품 표기 의무: Built with MiniMax M2.7 명기

MiniMax는 "신청 프로세스는 신속하고 합리적으로 대응할 것"이라고 밝혔습니다.

타 모델과의 비교

비용 측면에서 MiniMax M2.7은 GPT-5.3-Codex의 약 1/6, Claude Opus 4.7의 약 1/17 수준으로 우위를 점하고 있습니다.

요약

• MiniMax M2.7은 229B 파라미터 MoE (Mixture-of-Experts) 모델로, 추론 시에는 10B만 활성화됩니다. - 자기 진화 (Self-evolution) 기능을 통해 SWE-bench Pro에서 **56.22%**를 달성했습니다 (GPT-5.3-Codex의 56.8~57.0%에 육박하는 수준). - API 요금은 $0.30/M 토큰으로 비용 경쟁력이 높습니다. - 비상업적 이용은 신청이 필요 없으나, 상업적 이용은 api@minimax.io로 신청해야 합니다. - SGLang 및 vLLM을 통한 로컬 실행도 가능합니다 (단, 108GB 이상의 메모리 필요).

코딩 에이전트 (Coding Agent) 구축에 GPT 또는 Claude를 사용하고 있다면, MiniMax M2.7은 비용 절감을 위한 강력한 대안이 될 것입니다.

참고 링크

• MiniMax M2.7 공식 페이지 — 모델 사양 및 기능 개요

• MiniMax M2.7 공식 블로그 — 자기 진화 상세 내용 및 실험 결과

• MiniMax API 레퍼런스 — 텍스트 API 레퍼런스

• Hugging Face 모델 카드 — 모델 가중치 (Weights) 및 라이선스

• MarkTechPost: MiniMax M2.7 해설 — 벤치마크 상세 내용

Unsloth MiniMax-M2.7 문서 (2026년 4월 기준) ↩︎

Discussion