Asien

MiniMax påstår att M2.7-modellen delvis utvecklar sig själv

Autonoma optimeringsloopar flyttar arbetet från ingenjörer till interna agenter, Kina bygger berättelsen om egen kapacitet medan exportkontroller och standardstrider tornar upp sig

Bilder

Image description Image description the-decoder.com
MiniMax M2.7 compared with Sonnet 4.6, Opus 4.6, Gemini 3.1 Pro, and GPT-5.4 across eight benchmarks. M2.7 scores close to the leading proprietary models in most tests. | Image: MiniMax MiniMax M2.7 compared with Sonnet 4.6, Opus 4.6, Gemini 3.1 Pro, and GPT-5.4 across eight benchmarks. M2.7 scores close to the leading proprietary models in most tests. | Image: MiniMax MiniMax
How M2.7 develops itself: researchers set goals and guidelines, then the AI agent takes over large parts of the development process on its own. The example workflow below shows how experiment planning, code changes, and evaluation feed into each other. | Image: MiniMax How M2.7 develops itself: researchers set goals and guidelines, then the AI agent takes over large parts of the development process on its own. The example workflow below shows how experiment planning, code changes, and evaluation feed into each other. | Image: MiniMax MiniMax

Kinesiska MiniMax påstår att deras nya språkmodell M2.7 i stor utsträckning ”hjälpte till att utveckla sig själv”. Poängen är inte att en maskin plötsligt blivit magisk, utan att arbetet flyttas: från ingenjörer som handskruvar parametrar till interna programagenter som kör återkommande optimeringsvarv, testar, väljer och förbättrar. Det är en berättelse som passar Peking väl – kapprustning i förmåga, och en signal till omvärlden att Kina kan fortsätta öka takten även när tillgången till avancerade halvledare stryps.

Enligt MiniMax bygger upplägget på autonoma optimeringsloopar där modellen och kringliggande agenter producerar förslag, skriver om instruktioner, skapar träningsdata och utvärderar resultat mot uppsatta mål. Ingenjörernas roll blir mer att konstruera spelplanen – mått, spärrar och belöningsfunktioner – än att själva utföra varje förbättring. Det kan sänka kostnaden per iteration och göra utvecklingen mer skalbar, men flyttar också makten till den som kontrollerar infrastrukturen: beräkningsresurserna, datatillgången och de interna regler som avgör vad som räknas som ”bättre”.

Det finns starka incitament att överdriva graden av ”självutveckling”. I en värld där investerare, myndigheter och kunder jagar nästa steg i kapacitet blir berättelsen om autonoma system ett konkurrensmedel i sig. Samtidigt är riktningen tydlig: när optimeringen automatiseras blir flaskhalsen mindre enskilda experter och mer tillgång till beräkningskraft, el, kylning och robusta dataflöden. Det gynnar stora aktörer och stater som kan subventionera uppskalning, och missgynnar mindre företag som måste bära hela risken själva.

För Kina fyller sådana utspel en dubbel funktion. Dels stärker de bilden av att inhemska bolag kan kringgå amerikanska exportbegränsningar genom effektivare metoder snarare än genom att köpa den senaste utrustningen. Dels används de i den internationella dragkampen om standarder: vem sätter måtten för säkerhet, kompatibilitet och ”ansvarsfull” användning? Den som får andra att anpassa sig efter ens tekniska och administrativa ramverk får ett långsiktigt övertag, oavsett vem som just nu har den starkaste modellen.

Samtidigt tornar hårdare kontrollåtgärder upp sig. USA:s exportregler pressar Kina att hitta alternativa leveranskedjor och att maximera nyttan av de kretsar man redan har. Nästa konfliktlinje handlar därför inte bara om chip, utan om hela ekosystemet: molntjänster, verktygskedjor, testmetoder och formella standarder. Europa hamnar som vanligt i kläm mellan amerikansk maktpolitik och kinesiska industristrategier, med risk att bli regelmakare utan egen industriell bas.

För svenska läsare är det värt att notera hur ”autonomi” i praktiken ofta betyder centralisering. När utveckling och kvalitetssäkring flyttas in i slutna optimeringssystem blir insynen sämre, beroendet av leverantören större och möjligheten att byta spår dyrare. Det är en institutionell fråga lika mycket som en teknisk: vem bär kostnaden när systemen gör fel, och vem har råd att bygga de kontrollmekanismer som krävs? I en statligt präglad kapplöpning blir svaret ofta: skattebetalarna, direkt eller indirekt.