The MiniMax-M2 Series: Mini Activations Unleashing Max Real-World Intelligence

We introduce the MiniMax-M2 series, a family of Mixture-of-Experts language models built around the principle that mini activations can unleash maximum real-world intelligence. The flagship M2 contains 229.9B total parameters with only 9.8B activated per token. Designed end-to-end for agentic deployment, the M2 series rests on three components: (i) agent-driven data pipelines producing large-scale, verifiable trajectories across agentic coding and agentic cowork, each grounded in an executable workspace and an artifact-aligned reward; (ii) Forge, a scalable agent-native RL system that adapts to long-horizon agent trajectories, paired with windowed-FIFO scheduling, prefix-tree merging, inference optimization, and a clean training-inference-agent decoupling that supports both white-box and black-box agents; (iii) the latest M2.7 checkpoint takes an early step toward self-evolution -- autonomously debugging training runs and modifying its own scaffold. Across M2 through M2.7, this combination translates a mini-activation footprint into frontier-tier performance on agentic coding, deep search, office-task, and reasoning benchmarks.

📋 한 줄 요약

**[MoE 에이전트 LM / Self-Evolution]** MiniMax-M2 시리즈가 229.9B 총 파라미터·9.8B 활성의 MoE로 agentic 배포 end-to-end 설계 — agent-driven 데이터 파이프라인·Forge RL 시스템·M2.7의 self-debugging까지 진화, mini activation으로 frontier 성능 달성.

🎯 핵심 기여도

MiniMax-M2 시리즈 도입 — "mini activations can unleash maximum real-world intelligence" 원칙 기반 MoE LM 패밀리. Flagship M2는 229.9B 총 파라미터, token당 9.8B만 활성.
Agentic 배포를 위한 end-to-end 설계, 3 컴포넌트에 기반.
(i) Agent-driven 데이터 파이프라인 — agentic coding·agentic cowork의 large-scale verifiable trajectory 생성, 각각 executable workspace와 artifact-aligned reward에 grounded.
(ii) Forge — scalable agent-native RL 시스템으로 long-horizon agent trajectory에 적응, windowed-FIFO 스케줄링·prefix-tree merging·inference 최적화·training-inference-agent의 clean decoupling으로 white-box·black-box agent 양쪽 지원.
(iii) M2.7 checkpoint — self-evolution의 early step으로 autonomously 학습 run debugging과 자기 scaffold 수정.

💡 핵심 아이디어

Frontier-tier 에이전트 지능은 거대 활성이 아닌 mini activation의 MoE에서도, agent-driven verifiable trajectory + agent-native RL + self-evolution이라는 3축 협업으로 달성 가능하다 — agentic coding·deep search·office task·reasoning 전반에서 입증.

🔬 기술적 접근법

**방법론**: MiniMax-M2 MoE + Forge RL + self-evolving M2.7.
**핵심 기법**: (1) MoE 229.9B 총 / 9.8B 활성으로 mini-activation footprint, (2) Agent-driven 데이터 파이프라인 — executable workspace 기반 verifiable trajectory + artifact-aligned reward, (3) Forge agent-native RL — windowed-FIFO 스케줄링·prefix-tree merging·inference 최적화, (4) Training-inference-agent decoupling으로 white-box·black-box agent 통합, (5) M2.7의 self-debugging·scaffold modification으로 self-evolution 시동.

📊 주요 결과

229.9B 총 / 9.8B 활성 MoE의 mini-activation footprint로 frontier-tier 성능.
Agentic coding·deep search·office task·reasoning 벤치마크 모두에서 강력한 성능.
M2.7이 학습 run을 자율적으로 debugging하고 자기 scaffold를 수정하는 self-evolution 시연.

💭 의의 및 한계

**의의**: Agentic LM의 mini-activation 가능성 입증, agent-native RL(Forge)이라는 새 인프라 공개, self-evolution의 초기 단계로 자기 개선 LM 시동, white-box·black-box agent 통합 지원으로 generality. **한계**: 구체 정량 수치는 abstract 미명시, MoE 9.8B 활성의 inference latency·메모리 trade-off, self-evolution의 안전성·통제 가능성 우려, agent-driven 데이터의 비용·재현성 의문.

🚀 실용적 활용

코딩·오피스·검색 자동화 에이전트.
Agentic LLM의 RL 인프라 표준.
Self-evolving 모델 연구 시작점.