La startup cinese di intelligenza artificiale MiniMax ha rilasciato il suo ultimo modello di linguaggio di grandi dimensioni (LLM), M2.7, segnando una nuova fase nello sviluppo dell’intelligenza artificiale: auto-miglioramento ricorsivo. A differenza dei modelli tradizionali che si basano sulla messa a punto umana, M2.7 è progettato per ottimizzare in modo indipendente i propri processi di ricerca e sviluppo. Questa mossa segnala uno spostamento verso sistemi di intelligenza artificiale che non sono solo prodotti dell’ingegneria umana ma architetti attivi del proprio progresso.
Spiegazione del ciclo di autoevoluzione
MiniMax ha integrato M2.7 nei suoi sistemi di apprendimento per rinforzo, consentendo al modello di gestire il 30-50% del proprio flusso di lavoro di sviluppo. Ciò include debug autonomo, analisi metrica e modifica del codice su cicli iterativi. Il modello non si limita ad automatizzare compiti semplici; sta migliorando attivamente le proprie prestazioni di programmazione analizzando le traiettorie di errore e pianificando le modifiche al codice.
Secondo Skyler Miao, responsabile tecnico di MiniMax, il modello è “intenzionalmente addestrato per essere migliore nella pianificazione e nel chiarire i requisiti con l’utente”. Il passo successivo prevede simulatori utente più complessi per spingere ulteriormente questa capacità. Nelle competizioni di machine learning, M2.7 ha ottenuto un tasso di medaglie del 66,6%, eguagliando Gemini 3.1 di Google e avvicinandosi ai benchmark stabiliti da Claude Opus 4.6 di Anthropic.
Cambio strategico: dall’Open Source ai modelli proprietari
Il passaggio di MiniMax verso modelli proprietari segue una tendenza tra le startup cinesi di intelligenza artificiale. Per gran parte dell’ultimo anno, queste aziende sono state leader nella frontiera dell’intelligenza artificiale open source, offrendo soluzioni convenienti e personalizzabili. Tuttavia, come i leader statunitensi come OpenAI, Google e Anthropic, MiniMax si sta ora concentrando sullo sviluppo e sul rilascio di LLM esclusivi e all’avanguardia.
Questo cambiamento è evidente nelle versioni recenti: GLM-5 Turbo di z.ai e le voci secondo cui anche il team Qwen di Alibaba persegue uno sviluppo proprietario. Ciò significa un accesso meno aperto, ma un’innovazione potenzialmente più rapida e un maggiore controllo sulle capacità avanzate dell’intelligenza artificiale.
Miglioramenti prestazionali: M2.7 contro M2.5
M2.7 dimostra miglioramenti significativi rispetto al suo predecessore, M2.5, in particolare nelle attività di ingegneria del mondo reale. Ecco una ripartizione dei parametri chiave:
- Ingegneria del software: M2.7 ha ottenuto un punteggio del 56,22% sul benchmark SWE-Pro, corrispondente al Codex GPT-5.3.
- Produttività in ufficio: ottenuto un punteggio Elo di 1495 su GDPval-AA, superando i concorrenti open source.
- Riduzione delle allucinazioni: Tasso di allucinazioni ridotto al 34%, inferiore a quello di Claude Sonnet 4.6 (46%) e Gemini 3.1 Pro Preview (50%).
- Comprensione del sistema: Ha ottenuto un punteggio del 57,0% sul Terminal Bench 2, indicando una comprensione più profonda della logica operativa.
L’intelligenza complessiva del modello è migliorata di 8 punti nell’Indice dell’Analisi Artificiale dell’Intelligenza in un solo mese, posizionandolo all’ottavo posto a livello globale. Tuttavia, ha funzionato peggio di M2.5 nelle attività di “codifica delle vibrazioni” in BridgeBench, dimostrando che la specializzazione è importante.
Prezzi e integrazione
MiniMax M2.7 è disponibile attraverso le piattaforme MiniMax API e Agent a prezzi competitivi: 0,30 dollari per 1 milione di token di input e 1,20 dollari per 1 milione di token di output. Ciò lo rende uno dei modelli AI di frontiera più convenienti disponibili, più economico della maggior parte dei concorrenti, tra cui Grok 4.1 Fast, Gemini 3 Flash e Claude Haiku 4.5.
Il modello si integra perfettamente con i principali strumenti di sviluppo come Claude Code, Cursor e Zed, nonché con gli SDK Anthropic. Ciò garantisce una facile adozione per gli sviluppatori che utilizzano i flussi di lavoro esistenti.
Implicazioni strategiche per le imprese
La versione M2.7 suggerisce che l’intelligenza artificiale agentica è ora pronta per la produzione, in grado di ridurre significativamente i tempi di ripristino per gli incidenti di produzione live (meno di tre minuti). Ciò ha importanti implicazioni per i team SRE e DevOps.
Le imprese devono decidere se accontentarsi dell’intelligenza artificiale come assistente o essere pronte a integrare team autonomi in grado di fornire progetti end-to-end. L’efficienza in termini di costi di M2.7 – meno di un terzo del costo di GLM-5 per intelligence equivalente – lo rende un’opzione interessante per le organizzazioni focalizzate sull’efficienza e sui flussi di lavoro documentali professionali.
Tuttavia, le origini cinesi del modello e la mancanza di accesso offline possono rappresentare una sfida per le imprese statunitensi e occidentali, in particolare quelle dei settori regolamentati. In definitiva, lo spostamento verso modelli in autoevoluzione significa che il ROI dipenderà sempre più dai guadagni ricorsivi del sistema stesso. Le organizzazioni che adottano tali modelli possono accelerare i propri cicli di iterazione rispetto a quelle che si affidano a un perfezionamento statico e riservato esclusivamente agli esseri umani.
