Dieser Inhalt präsentiert Benchmark-Ergebnisse für das MiniMax-M2.7 LLM, das NVFP4-Quantisierung auf einem Dual-NVIDIA RTX PRO 6000 Blackwell GPU-Setup verwendet. Er detailliert den Dekodierdurchsatz bei verschiedenen Parallelitätsstufen und die Vorfüllleistung über unterschiedliche Kontextgrößen hinweg.
Eine Untersuchung von MiniMax-M2.7 GGUF ergab, dass Perplexity-NaNs 21-38% der GGUFs auf Hugging Face betreffen. Das Problem wurde auf einen Überlauf in llama.cpp zurückgeführt, speziell in `blk.61.ffn_down_exps` für Q5_K- und Q4_K-Quantisierungen, und das Team hat ihren Fehler behoben.
Das Modell MiniMax M2.7 steht in der Kritik, da es offene Gewichte, aber eine restriktive Lizenz besitzt, die kommerzielle und militärische Nutzung verbietet. Dieser Ansatz frustriert die KI-Gemeinschaft, die einen besorgniserregenden Trend von „offenen Gewichten, geschlossener Lizenz“ sieht.
MiniMax M2.7 ist ein wettbewerbsfähiges 230-Milliarden-Parameter-KI-Modell im Mixture-of-Experts-Format, das im März 2026 veröffentlicht wurde. Es wurde für „agentische“ Workflows entwickelt und bietet Fähigkeiten, die proprietären Konkurrenten nahekommen. Das Modell ermöglicht deutlich niedrigere Betriebskosten für Organisationen, die agentenbasierte Systeme implementieren.
Offene Modelle wie GLM-5 und MiniMax M2.7 haben eine Schwelle überschritten und erreichen bei zentralen Agentenaufgaben die Leistung geschlossener Spitzenmodelle. Sie bieten vergleichbare Leistung bei Dateivorgängen, Werkzeugnutzung und der Befolgung von Anweisungen, jedoch zu einem Bruchteil der Kosten und Latenz.
