Una startup china de generación de video acaba de superar silenciosamente a Claude Opus en programación

Mientras el mundo de la IA seguía observando a OpenAI y Anthropic, un laboratorio chino lanzó silenciosamente un modelo que cumple con el alto estándar para la ingeniería de software automatizada. MiniMax, conocido hasta hace poco por sus modelos de generación de video, lanzó M2.7, un modelo de lenguaje que obtiene un 56,22% en el benchmark SWE-Pro. La empresa afirma que ese resultado está cerca de la familia Opus de Claude. minimax-launches-m27-model-with-strong-software-engineering-and-office-productivity-skills

SWE-Pro evalúa qué tan bien un modelo maneja tareas de ingeniería de software del mundo real: corregir errores, escribir parches, navegar por bases de código. Solo un puñado de modelos ha superado el 50% en este benchmark, y la mayoría pertenece a laboratorios con presupuestos mucho mayores. MiniMax, una startup fundada por ex investigadores destacados de Huawei y Microsoft, ahora juega en esa liga. cognitions-swe-17-pushes-coding-agent-cost-performance-further-with-42-benchmark-score

Pero M2.7 no se trata solo de código. La hoja de benchmarks está repleta de afirmaciones que abarcan varios dominios: entrega de proyectos de principio a fin en VIBE-Pro (55,6%), comprensión profunda de sistemas en Terminal Bench 2 (57,0%) y una puntuación máxima en productividad ofimática. En GDPval-AA, que mide la competencia en edición de documentos en Excel, PowerPoint y Word, M2.7 alcanzó un Elo de 1495, el más alto entre los modelos abiertos, según MiniMax.

Adherencia a habilidades a escala

Uno de los números más reveladores en el material de marketing de MiniMax es una tasa de adherencia a habilidades del 97% en lo que la empresa llama 'habilidades complejas', tareas que requieren más de 2000 tokens de instrucciones. En un mundo donde a los LLM se les asignan cada vez más flujos de trabajo multi-paso aumentados con herramientas, la capacidad de seguir instrucciones largas e intrincadas sin alucinaciones ni desviaciones podría ser más valiosa que una puntuación alta en un benchmark estático de matemáticas. why-your-ai-agent-might-ace-the-task-but-flunk-the-process-enter-skillcoach

MiniMax también destacó el rendimiento en el benchmark MMClaw, que evalúa modelos dentro del marco agéntico OpenClaw, un campo de pruebas cada vez más popular para evaluar cómo los modelos interactúan con herramientas de software. En ese benchmark, M2.7 se acerca al rendimiento de Sonnet 4.6, uno de los modelos más recientes de Anthropic.

La empresa también impulsa una narrativa en torno a la autoevolución y la colaboración multiagente, dos palabras de moda que, en la práctica, se refieren a la capacidad del modelo para arquitecturar su propio Agent Harness y coordinar subtareas a través de múltiples llamadas de inferencia. MiniMax afirma que M2.7 puede construir de forma autónoma Agent Harnesses complejos para completar tareas de productividad de principio a fin. Si es cierto, esto reduciría la necesidad de que los ingenieros creen manualmente andamios para cada nuevo pipeline de automatización. recursivemas-scaling-multi-agent-collaboration-through-latent-space-recursion

Dos niveles, mismo resultado

MiniMax lanza M2.7 en dos niveles de inferencia: el modelo estándar y una variante de alta velocidad denominada M2.7-highspeed. La empresa promete una calidad de salida idéntica en ambos, y la edición Highspeed intercambia latencia por rendimiento. Ambos niveles son accesibles a través de la API de MiniMax y admiten almacenamiento en caché automático, una función que puede reducir drásticamente los costos para indicaciones repetidas.

El modelo también está disponible a través de la propia plataforma de agentes de MiniMax, lo que elimina la necesidad de programar para experimentar con el modelo. Para los equipos que ya utilizan herramientas de programación con IA como Cursor o Windsurf, MiniMax ofrece integración directa.

El precio se mantiene sin cambios con respecto a los modelos anteriores de MiniMax, lo que posiciona a M2.7 como una opción potencial para equipos que desean generación de código casi de última generación sin el costo por token de los laboratorios occidentales de primer nivel. minimax-launches-m25-a-coding-and-agentic-ai-model-with-state-of-the-art-performance

Un tipo de carrera más silenciosa

El lanzamiento de M2.7 se produce en un momento en que la carrera de los LLM se ha dividido en dos direcciones. Por un lado, laboratorios como OpenAI y Anthropic compiten en inteligencia general, capacidad multimodal y profundidad en la cadena de razonamiento. Por otro lado, un número creciente de aspirantes, DeepSeek, Qwen, Mistral y ahora MiniMax, se centran en nichos específicos y de alto valor del mercado donde una puntuación ligeramente más baja en un benchmark amplio se compensa con un rendimiento superior en tareas específicas, un costo menor o una mejor integración de herramientas.

La comparación explícita con Claude Opus y Sonnet es una elección táctica. Al nombrar nombres y citar benchmarks, MiniMax le dice al mercado: no es necesario pagar por el modelo fronterizo más caro para obtener un rendimiento casi fronterizo en las tareas que importan para su equipo de ingeniería. a-94x-kernel-speedup-and-a-12-hour-paper-replication-what-minimax-m3-reveals-about-chinas-frontier-ai-strategy

Existe, como siempre, una cuestión de letra pequeña. MiniMax no ha publicado la metodología de evaluación completa para sus benchmarks internos, y la verificación independiente llevará tiempo. Pero los números, si son replicables, representan un paso significativo para un modelo abierto de un laboratorio que, hasta esta semana, se asociaba principalmente con video generativo en lugar de generación de código.

Trabajo de oficina y preservación de identidad

Más allá de la ingeniería, el sólido rendimiento de M2.7 en productividad ofimática es digno de mención. La puntuación Elo de 1495 en GDPval-AA lo sitúa por delante de muchos modelos de propósito general en edición de documentos, un dominio que, aunque menos glamoroso que la generación de código, representa un mercado enorme. Las empresas que dependen en gran medida de la generación automatizada de informes, la manipulación de hojas de cálculo y el diseño de presentaciones pueden encontrar M2.7 particularmente útil.

MiniMax también destaca las capacidades de 'preservación de identidad' del modelo, una afirmación de que el modelo mantiene un carácter y tono consistentes en conversaciones extendidas, lo que la empresa dice que abre posibilidades para el entretenimiento interactivo y los chatbots orientados al cliente que requieren coherencia a largo plazo. the-ai-agent-that-remembers-you-why-vitabench-20-reveals-a-chasm-between-good-chatbots-and-good-collaborators

El conjunto, en su totalidad, es un modelo que MiniMax claramente pretende que sirva como base de agente de propósito general, no solo como una herramienta de generación de código. La combinación de altas puntuaciones en benchmarks de código, productividad ofimática y capacidad agéntica con una adherencia casi perfecta a las instrucciones sugiere que el laboratorio ve su ventaja competitiva no en la inteligencia bruta sino en la confiabilidad y la amplitud del uso de herramientas.