我正在开发 DocFlow，它是一个完整的 AI 全栈协同文档平台。该项目融合了多个技术栈，包括基于
Tiptap的富文本编辑器、NestJs后端服务、AI集成功能和实时协作。在开发过程中，我积累了丰富的实战经验，涵盖了Tiptap的深度定制、性能优化和协作功能的实现等核心难点。
如果你对 AI 全栈开发、Tiptap 富文本编辑器定制或 DocFlow 项目的完整技术方案感兴趣，欢迎加我微信 yunmz777 进行私聊咨询，获取详细的技术分享和最佳实践。
如果你对 AI全栈 感兴趣，也欢迎添加我微信，我拉你进交流群
3月18日，MiniMax 发布新一代 Agent 旗舰大模型 M2.7。如果只看表面，这像是一次常规的模型升级。但从公开信息来看，M2.7 真正值得关注的，不只是分数更高、能力更强，而是它首次对外展示了一条更具代表性的技术路线，也就是"模型自我进化"。
根据 3 月 18 日公开报道，M2.7 通过构建 Agent Harness 体系，让模型深度参与自身训练与优化流程。在部分研发场景中，这套机制已经可以承担 30% 到 50% 的工作量，并在内部评测集上带来约 30% 的效果提升。这个表述背后释放出的信号很明确，AI 正在从"回答问题的模型"迈向"能够参与迭代自身能力的系统"。
这次发布最重要的，不只是性能提升
过去很长一段时间，行业讨论大模型，重点往往集中在参数规模、训练成本、推理速度以及 benchmark 排名上。但 Agent 时代的竞争逻辑已经开始变化。真正决定模型价值的，越来越不是单点能力，而是它能不能进入真实工作流，承担连续任务，并在执行过程中形成可积累、可复用、可优化的闭环。
M2.7 这次最大的不同，就在于它不再只是研发流程中的被优化对象，而开始成为研发流程中的参与者。
所谓 Agent Harness，可以把它理解为围绕 Agent 构建的一整套执行、反馈、优化机制。模型不只是完成任务，还会进入任务分解、流程回放、错误暴露、策略修正和样本反馈等环节。这样做的意义不在于概念新，而在于它把模型能力提升从"一次性训练结果"推进到了"持续演化过程"。
换句话说，过去我们更熟悉的是"训练一个更强的模型"，而 M2.7 想展示的是"让模型参与把自己变得更强"。
工程能力，已经开始逼近一线水位
从公开成绩来看，M2.7 在工程场景上的表现是这次发布的另一大看点。
根据当日披露数据，M2.7 在 SWE-bench Pro 上取得了 56.22% 的成绩。这个指标之所以重要，是因为它衡量的不是简单补全代码，而是真实软件工程环境中的问题理解、代码修改、上下文追踪和任务闭环能力。能在这个测试里打出有竞争力的成绩，说明模型已经不只是"会写代码"，而是更接近"能参与工程"。
与此同时，M2.7 在 VIBE-Pro、Terminal Bench 2 等更接近真实研发流程的测试中也有突出表现。公开说法中提到，它已经能够支持端到端项目交付与复杂系统理解。这一点比单个 benchmark 分数更值得重视，因为真实企业环境看重的从来不是一道题做对，而是模型能否在复杂上下文里持续完成任务。
从研发团队视角看，这意味着 Agent 的角色正在发生变化。它不再只是辅助写一段函数、解释一条报错，而是开始承担更完整的工作单元，比如理解项目结构、分析系统依赖、处理跨文件修改，甚至在终端和工程环境中完成连续操作。
如果这个趋势持续下去，开发团队对 AI 的期待也会随之改变。未来最有价值的模型，不一定是最会答题的那个，而是最能稳定交付结果的那个。
办公场景，开始成为另一条主战线
除了工程能力，M2.7 在办公场景上的提升也非常值得注意。
公开信息显示，它在 GDPval-AA 上取得了 1495 的 ELO 得分，并被描述为开源最高。同时，模型在 Office 文档处理、多轮编辑、复杂内容整理等任务上的表现也有明显增强。
这背后其实说明了一件事，MiniMax 对 M2.7 的定位，并不是单纯的代码模型，而是更偏向通用生产力 Agent。它既要能进入开发流程，也要能进入知识工作和协作流程。因为在真实企业场景里，研发、产品、运营、文档、汇报、分析并不是割裂存在的，大家需要的是一个能够跨场景接手任务的系统，而不是一个只能在单点场景里亮眼的模型。
从这个角度看，办公能力的提升并不是"附加项"，而是 Agent 真正走向大规模落地的必要条件。
为什么“自我进化”这四个字值得单独拎出来看
这次发布里，最值得继续观察的，仍然是"模型自我进化"这条路线。
过去行业谈 Agent，经常会关注几个关键词，比如工具调用、长任务拆解、环境感知、记忆能力、多智能体协作。这些能力当然都很重要，但如果只停留在"会不会调用工具"这一层，Agent 的上限其实并不高。
更深的问题在于，当模型已经能完成任务之后，它能不能利用任务执行过程反过来优化自己。
如果答案是可以，那么大模型的发展路径就会发生结构性变化。未来领先的，不只是训练出一个更强基础模型的公司，而是能建立一套完整演化系统的公司。模型做任务，任务产反馈，反馈进入优化，优化再反哺下一轮任务执行。这样的闭环一旦跑顺，AI 的进步速度就不再完全依赖人工标注和传统训练流程，而会更多来自系统自身在真实世界里的持续学习能力。
这也是 M2.7 这次发布最有想象空间的地方。它传递的已经不是简单的"又一个更强模型来了"，而是 Agent 正在从工具形态向系统形态迁移。
这次发布意味着什么
M2.7 目前已经在 MiniMax Agent 与开放平台上线。对开发者来说，这意味着相关能力不再只是实验室概念，而是已经开始进入可调用、可接入、可验证的产品阶段。对行业来说，这次发布的意义可能也不止于一次模型升级。
它更像一个明确信号，AI 竞争正在从"谁的模型更会说"进入"谁的系统更会做"。而在"会做"之后，下一个更关键的问题就是，谁能最先构建出真正有效的自我演化闭环。
如果说过去的大模型更像工具，那么 M2.7 想证明的是，Agent 正在变成系统。再往前一步，它甚至可能变成一种具备持续自我改进能力的数字生产力基础设施。
这或许才是 3 月 18 日这场发布最值得被记住的地方。
