这两天刷新闻看到 MiniMax 市值超百度了，两天暴涨 51%，3826 亿港币。说实话第一反应是——这也太魔幻了，一个年营收不到 6 亿的公司，市值比千亿营收的百度还高？
不过作为开发者，市值什么的跟我关系不大，我更关心的是：M2.7 这个新模型到底好不好用？正好 MiniMax 在送 $30 的 API 额度（4 月 3 号过期），索性拿来测一把。
先说结论
| 维度 | M2.7 表现 | 同级对比 |
|---|---|---|
| 文本生成 | 91.7 分，第一 | 超过 GPT-5.4（90.2）和 Opus 4.6（88.5） |
| 编程能力 | Multi-SWE Bench 全球第一 | SWE Bench Pro 仅落后 Opus/GPT 约 1% |
| Agent 任务 | PinchBench 全球第四 | 比 M2.5 平均分从 8.07→9.60 |
| 数学/逻辑 | 拉胯，高难度掉 18+ 分 | 明显弱于 Opus 4.6 |
| 价格 | 同 M2.5，同级 1/10~1/20 | 性价比极高 |
一句话总结：文本和编程真的强，数学推理是短板，适合做内容生成和 Agent 场景，不适合搞竞赛题。
领 $30 免费额度
MiniMax 官方在做推广，新用户注册就送 $30 API 额度，有效期到 2026-04-03。步骤很简单：
- 去 platform.minimaxi.com 注册
- 进控制台，API Key 已经自动创建好了
- 余额里能看到 $30 的赠金
拿到 Key 之后就可以开搞了。
方式一：兼容 OpenAI 协议直接调
M2.7 最香的地方是完全兼容 OpenAI 的 SDK，改个 base_url 就行，迁移成本约等于零。
from openai import OpenAI
client = OpenAI(
api_key="你的MiniMax API Key",
base_url="https://api.minimaxi.com/v1"
)
response = client.chat.completions.create(
model="MiniMax-M2.7",
messages=[
{"role": "system", "content": "你是一个资深 Python 开发者"},
{"role": "user", "content": "写一个带重试和超时的 HTTP 请求封装，要求支持指数退避"}
],
temperature=0.7,
max_tokens=2000
)
print(response.choices[0].message.content)
跑了一下，编程任务的输出质量确实不错，代码结构清晰、注释到位，还主动加了 typing 和 logging。速度也很快，M2.7-highspeed 版本体感跟 Sonnet 差不多。
方式二：用聚合平台一个 Key 测多个模型
测模型最烦的就是每家注册一遍、换一堆 Key。我后来发现用 ofox.ai 这种聚合接口更省事，一个 API Key 能调 MiniMax、GPT、Claude 等 50 多个模型，对比测试的时候只需要换 model 参数就行：
from openai import OpenAI
# 一个 base_url 搞定所有模型
client = OpenAI(
api_key="你的聚合平台Key",
base_url="https://api.ofox.ai/v1"
)
# 同一个 prompt，换模型对比
models = ["MiniMax-M2.7", "gpt-5.3-chat", "claude-sonnet-4.6"]
prompt = "用 Python 实现一个简单的 LRU Cache，要求线程安全"
for model in models:
resp = client.chat.completions.create(
model=model,
messages=[{"role": "user", "content": prompt}],
temperature=0.3
)
print(f"\n{'='*50}")
print(f"模型: {model}")
print(f"{'='*50}")
print(resp.choices[0].message.content[:500])
这样对比下来就很直观了——M2.7 在写代码这块真的不虚 GPT-5.3，甚至在注释和代码结构上更规范。
方式三：Agent 场景实测（OpenClaw 加持）
MiniMax 之所以股价暴涨，很大一部分原因是 OpenClaw。M2.7 在 OpenClaw 生态里表现很猛，官方还专门出了 MaxClaw。
我简单测了下 M2.7 做 Agent 的表现，用 Function Calling：
import json
from openai import OpenAI
client = OpenAI(
api_key="你的Key",
base_url="https://api.minimaxi.com/v1"
)
tools = [
{
"type": "function",
"function": {
"name": "search_code",
"description": "在代码仓库中搜索指定模式的代码",
"parameters": {
"type": "object",
"properties": {
"pattern": {"type": "string", "description": "搜索模式，支持正则"},
"file_type": {"type": "string", "description": "文件类型过滤"}
},
"required": ["pattern"]
}
}
},
{
"type": "function",
"function": {
"name": "run_test",
"description": "运行指定的测试文件",
"parameters": {
"type": "object",
"properties": {
"test_file": {"type": "string", "description": "测试文件路径"},
"verbose": {"type": "boolean", "description": "是否输出详细日志"}
},
"required": ["test_file"]
}
}
}
]
response = client.chat.completions.create(
model="MiniMax-M2.7",
messages=[
{"role": "user", "content": "帮我找到所有使用了 deprecated API 的 Python 文件，然后跑一下对应的测试"}
],
tools=tools,
tool_choice="auto"
)
# M2.7 的 tool calling 能力
for choice in response.choices:
msg = choice.message
if msg.tool_calls:
for tc in msg.tool_calls:
print(f"调用: {tc.function.name}")
print(f"参数: {tc.function.arguments}")
实测 M2.7 的 Function Calling 准确率挺高，参数解析基本没翻车过。最让我惊喜的是它能自动拆分多步骤任务——一个 prompt 里说「找文件+跑测试」，它会正确地先调 search_code 再调 run_test，顺序逻辑没问题。
踩坑记录
坑 1：highspeed 版本有坑
M2.7 有普通版和 highspeed 版，官方说结果一致，但我在长文本生成（>3000 字）的场景下发现 highspeed 偶尔会截断。建议长文本生成还是用普通版。
坑 2：temperature 敏感
M2.7 对 temperature 比较敏感，同样是 0.7：
- GPT 系列输出稳定
- M2.7 波动明显
建议编程类任务 temperature 设 0.1~0.3，创意类再往上调。
坑 3：数学题别用它
这个得实话实说。让它做高中数学综合题，10 道错了 4 道。同样的题 GPT-5.3 只错 1 道。如果你的场景涉及数值计算或逻辑推理，M2.7 不是最优选。
小结
MiniMax 市值超百度这件事，从市场角度看可能有泡沫，但从产品角度看，M2.7 确实是一个值得认真对待的模型。文本生成和编程是真的强，价格还便宜——同级别模型 1/10 到 1/20 的价格，搞 Agent 和内容生成场景简直是白嫖。
但数学推理是硬伤，高难度任务稳定性也有待提升。不过对于大多数开发者日常使用来说，这些短板影响不大。
趁着 $30 免费额度还在，建议去试试。API 兼容 OpenAI 协议，改个 base_url 就能跑，五分钟上手。
以上数据基于 XSCT Arena、SWE Bench Pro、PinchBench 等公开评测，代码示例均实测可跑。如果你也在用 M2.7，欢迎评论区交流踩坑经验。
