MiniMax M2.7 实测降智？我深挖了下找到了真相

MiniMax M2.7 号称 2300 亿参数，SWE-Pro 56.22%，Terminal Bench 2.0 拿了 57.0%，榜单成绩看着不错。

但是不少开发者（包括我）在实际使用中有个强烈感受：它不如预期，有些场景明显"降智"。尤其是我在Hermes Agent中使用Minimax M2.7进行修改公众号草稿箱里的文章时，多次修改总达不到预期，但是我之前使用GLM 5.1的时候不是这样的。

我一直对此疑惑不解，直到我在让Hermes帮我查询对比Deepseek v4和Minimax M2.7 词元性价比的时候，它“不小心”告诉我，Minimax 的模型参数只有10B，也就是激活参数只有10亿。

大模型总参数，可以理解为脑容量，激活参数可以理解为解决当前问题使用的脑力。

这里的MiniMax Lite就是Starter套餐。于是我为了弄清楚是否如上所说，花了时间深挖了开源权重、官方文档和社区评测，找到了一个很多评测文章都没说清楚的关键事实：

M2.7 每 token 只激活 100 亿参数，实际推理能力等同于一个 10B 的 dense 模型。

这篇文章把调查过程和结论完整写出来，帮你搞清楚：M2.7 到底值不值得用，以及什么时候该换别的模型。

一、230B 总参数 ≠ 230B 算力

M2.7 采用的是稀疏 MoE（混合专家）架构。原理不复杂：

1. 模型内部有 256 个"专家"子网络

2. 每处理一个 token，路由器只挑选其中 8 个专家激活

3. 其他 248 个专家处于"休眠"状态，不参与计算

所以虽然总参数确实有 230B，但每个 token 实际激活的参数只有约 10B。

这不是猜测，是开源权重的 config.json 白纸黑字写的。我从 HuggingFace 上的 MiniMaxAI/MiniMax-M2.7 仓库直接读出来的关键参数：

10B 激活参数是什么概念？我把我手上使用的大模型做个对比就清楚了：

看到了吗？同为 MoE 架构，GLM-5.1 每次推理激活 40B 参数，是 M2.7 的 4 倍。这就是"降智"的根本原因——不是模型不行，是激活参数确实少。

激活参数对比（每 token 实际计算量） MiniMax M2.7 ~10B GLM-5.1 ~40B（4倍） M2.7 柱状条宽度

这一点，我在另外一篇文章智谱GLM5.1 Coding 是真的强 里已经证实了MiniMax M2.7在编程上不足。

二、不同套餐用的是同一个模型吗？

这是很多人的疑问：是不是贵的套餐会用到更强版本的模型？

答案：不是。

我查了 MiniMax 官方文档和社区实测，MiniMax Token Plan 三个档位（Starter / Plus / Max）用的是同一个 M2.7 模型，区别仅在请求配额和附加模态权限：

也就是说，花 119 元买的 Max 套餐，推理能力和 29 元的 Starter 完全一样，只是能调更多次、多了语音和图像生成能力。

三、M2.7 擅长什么，不擅长什么？

说完数据，聊聊实际体感。M2.7 不是"差"，而是窄——在特定方向做了极致优化，但通用能力确实被 10B 激活参数的天花板卡住了。

✅ 擅长的场景：

· 单文件 bug 修复——SWE-Pro 56.22% 不是白拿的

· 终端命令操作——Terminal Bench 2.0 得分 57.0%

· 40+ 技能工具调用——97% 遵循率

· 快速响应——highspeed 版 100+ TPS

❌ 不擅长的场景：

· 跨文件重构——复杂上下文理解能力不足

· 深度推理——长链逻辑推导容易断

· 通用知识问答——10B 激活的知识密度有限

· 中文长文生成——容易出现重复和跑题

Reddit 上有一个精准评价：M2.7 是个 "test maxer, not a general purpose AI model"——专项刷分选手，不是通用型选手。

和 GLM-5.1 正面对比，这个差距更明显：

四、10B 激活参数的工程含义

把技术视角转成开发者视角，10B 激活参数意味着什么？

第一，推理成本低。这是 MiniMax 的核心卖点。10B 激活意味着推理成本接近一个 10B dense 模型，比 40B 激活的 GLM-5.1 便宜约 4 倍。Starter 套餐 29 元/月就能用，是有道理的。

第二，但通用能力被锁死了。MoE 的"知识容量"靠总参数，"推理能力"靠激活参数。230B 总参数让 M2.7 能"记住"很多东西，但 10B 激活意味着它每次推理的"思考带宽"只有 GLM-5.1 的 1/4。这就解释了为什么简单任务它表现得很好，复杂任务就掉链子。

第三，M2.7 的真实定位是"低成本 coding 专用模型"。MiniMax 的自进化训练（Self-Evolution Training）把有限的参数预算全砸在了 coding 和 agentic 场景上。SWE-Pro 56.22% 对于一个 10B 激活模型来说已经很强了——但这是用通用能力换的。

五、给你的选型建议

搞清楚了 M2.7 的真实规格，选型思路就很清晰了：

认知层面：M2.7 的"降智"不是 bug，是 MoE 架构的取舍结果。230B 总参数是营销数字，10B激活参数才是你每次对话真实感受到的"智力上限"。不同套餐不会改变这个上限。

能力层面：如果你的主要场景是写脚本、修 bug、跑终端命令，M2.7 的 Starter 套餐（29 元/月）性价比不错。但如果你需要深度推理、跨文件重构、长文生成，建议直接上 GLM-5.1 或其他更大激活参数的模型。

判断层面：看到"230B 参数"这种宣传数字时，先问一个问题——激活参数是多少？MoE 模型的激活参数才是实际体验的真实指标。总参数决定知识容量，激活参数决定推理能力。两者缺一不可，但后者对用户体验的影响更直接。

最后一句话总结：MiniMax M2.7 是一把薄刃快刀，不是瑞士军刀。用对了场景，29 元/月很值；用错了场景，10B 激活的天花板会让你抓狂。