M2.7 MiniMax: AI 모델의 자가 진화

미니맥스 M2.7: AI 모델이 스스로 아키텍처의 공동 저자로 거듭난 방법

미니맥스가 세계 최초로 자체 하드웨어, 메모리 및 RL 파라미터를 폐쇄 루프 에이전트 사이클을 통해 재귀적으로 최적화할 수 있는 언어 모델인 M2.7을 공개했습니다. 이는 단순히 벤치마크 업데이트만을 위한 발표가 아니라, 패러다임의 전환입니다: 이제 모델 자체가 학습하고 과제를 수행하는 데 사용되는 도구들을 설계하는 데 참여하게 된 것입니다. 그 결과 SWE-Pro에서 56.22% 점수, GDPval-AA에서 1495 ELO, 그리고 40여 개의 복잡한 스킬을 동시에 실행할 때 97%의 준수율을 기록했습니다. 무엇보다 중요한 점은 이러한 모든 성과가 수동으로 아키텍처를 재작성하지 않고도 달성되었다는 것입니다—일부 조정은 모델 내부에서 자율적으로 이루어졌습니다.

자기 진화 아키텍처: 모델이 스스로 엔지니어링 스택을 관리하다

기존의 ML 주기(데이터 수집 → 재훈련 → 배포)는 M2.7이 연구의 공동 파일럿 역할을 하는 재귀 워크플로우로 대체되었습니다. 모델은 단순히 코드를 생성하는 것에 그치지 않고, 가설을 설정하고 문헌 리뷰를 진행하며 데이터셋을 준비하고 실험을 수행하고 이상 현상을 해석합니다. 인간은 여전히 핵심 결정의 최종 판단자로 남아 있지만, 일상적인 작업의 30~50%는 자동화되어 있습니다.

핵심 구성 요소는 M2.7이 스스로 수정할 수 있는 내부 하드웨어입니다. 여기에는 다음과 같은 기능들이 포함됩니다:

• 로그, MR 및 테스트 결과로부터 자율적인 피드백 수집;
• 특정 작업에 맞춘 평가 세트의 동적 생성;
• MCP(Model Capability Protocol)에 따라 메모리 메커니즘과 스킬 구현을 반복적으로 정교화;
• 루핑 여부를 자체 점검하고 온도/주파수 페널티를 적응형으로 조정.

한 실험에서는 모델이 ‘실패 분석 → 변경 계획 → 수정 → 평가 → 비교’의 과정을 100회 이상 반복하여 내부 벤치마크에서 성능이 30% 상승했습니다. 특히 이러한 변화는 가중치뿐만 아니라 오케스트레이션 로직에도 영향을 미쳤는데, 예를 들어 한 문제를 해결한 후 관련 파일들에서 버그를 탐지하는 패턴을 추가하는 방식이 포함되었습니다.

저자원 환경에서의 자기 최적화: 단일 A30 GPU에서의 진화

자율성의 한계를 시험하기 위해 팀은 MLE Bench Lite—오픈AI의 22개 ML 경쟁—에서 단일 A30 GPU로 실행하는 실험을 진행했습니다. 목표는 모델이 엄격한 컴퓨팅 및 메모리 제약 아래에서도 의미 있는 자기 최적화를 이룰 수 있는지 확인하는 것이었습니다.

이 시나리오의 에이전트 아키텍처는 다음과 같습니다:

• 반복의 마크다운 로그를 기반으로 한 단기 기억;
• 매 라운드마다 교정 조치를 생성하는 자기 비판 메커니즘;
• 축적된 경험을 활용한 재귀적 학습 체인(품질 필터링을 통한 경험 재생).

24시간의 운용 후(세 번의 독립 실행), 모델은 9 🥇, 5 🥈, 1 🥉을 획득하며 평균 보상 점유율 66.6%를 기록했습니다. 이는 제미니-3.1과 동등한 수준이며, GPT-5.4(71.2%)와 오푸스-4.6(75.7%)에는 약간 못 미칩니다. 저자원 환경에서도 안정적인 결과를 얻었다는 사실은 자기 최적화가 인프라 규모에 의존하지 않으며, 아키텍처 로직에 내재되어 있음을 입증합니다.

프로덕션 디버깅: 알림부터 MR까지 3분 이내

M2.7은 코드 생성을 넘어선 시스템적 사고를 보여줍니다. 프로덕션 디버깅 접근법은 다음과 같은 엄격한 순서를 따릅니다:

모니터링에서 알림 발생
↓
메트릭 상관관계(지연, 오류율, 배포 타임스탬프)
↓
트레이스의 통계적 분석 → 근본 원인 가설
↓
가설 검증을 위한 자동 데이터베이스 연결
↓
누락된 인덱스 마이그레이션 파일 검색
↓
비차단 CREATE INDEX 생성 및 위험 설명
↓
유닛 테스트와 롤백 계획을 포함한 MR 작성

이 파이프라인은 실시간으로 작동하며 사전 프롬프트가 필요 없습니다. 모델은 내부 상태 머신을 이용해 컨텍스트를 관리하며, 로그, DB 스키마 및 배포 이력을 참조합니다. 실제 효과는 MTTR(Mean Time to Recovery)를 180초 이하로 줄이는 것으로, 완전한 자율성을 유지하면서도 이를 달성할 수 있음을 보여줍니다.

에이전트 팀: 멀티에이전트 기능이 기본 내장

M2.7은 외부 오케스트레이션(예: LangChain)을 통해 에이전트 팀을 구현하는 것이 아니라, 아키텍처의 기본 기능으로 내장되어 있습니다. 팀 내 각 에이전트는 명확히 정의된 역할과 고유한 메모리 도메인, 그리고 고유한 상호작용 규칙을 갖추고 있습니다. 주요 특징은 다음과 같습니다:

• 대립적 검증: 한 에이전트가 솔루션을 생성하면 다른 에이전트가 내부 신뢰성과 안전 기준에 따라 이를 비판합니다;
• 프로토콜 기반 상호작용: 에이전트 간 메시지는 서명과 TTL이 적용된 표준화된 직렬 형식을 통해 전달됩니다;
• 상태 머신 기반 복구: 한 에이전트가 실패하면 시스템이 컨텍스트를 잃지 않은 채로 작업을 재배포합니다.

이를 통해 요구사항 분석부터 CI/CD 구성과 문서화까지의 풀스택 개발을 위한 가상의 미니팀을 만들 수 있습니다.

무엇이 중요한가

• M2.7은 RL 파라미터와 메모리 메커니즘을 포함한 자체 하드웨어를 재귀적으로 수정할 수 있는 최초의 모델입니다.
• 저자원 환경(단일 A30 GPU)에서도 MLE Bench Lite에서 평균 보상 점유율 66.6%를 달성했으며, 이는 제미니-3.1과 동등한 수준입니다.
• 프로덕션 디버깅은 수동 개입 없이 알림부터 MR까지 3분 이내에 완료되는 통합 파이프라인으로 운영됩니다.
• 에이전트 팀은 외부 오케스트레이션이 아닌 기본 내장 기능으로 구현되며, 대립적 검증과 프로토콜 기반 상호작용이 특징입니다.
• 모델은 40여 개의 복잡한 스킬을 동시에 실행하며 97%의 준수율을 보여주며, 레거시 코드 처리와 다층 문서화까지 지원합니다.

통합 및 실용적 응용

M2.7은 이미 세 가지 형태로 제공됩니다: 클라우드 에이전트(agent.minimax.io), API 플랫폼(platform.minimax.io), 그리고 개발자를 위한 구독 서비스인 코딩 플랜(Coding Plan). 주요 사용 사례는 다음과 같습니다:

• 프로덕션 서비스의 자율적 디버깅;
• CI/CD와 문서화를 포함한 ‘턴키’ 풀스택 프로젝트 생성;
• 금융 분석(TSMC 사례: 연례 보고서 읽기부터 PPT 및 Word 보고서 작성까지);
• OpenRoom에서 대화가 시각 및 스크립트 변화를 유발하는 대화형 캐릭터 생성.

OpenRoom의 주목할 만한 특징은 데모 코드의 상당 부분이 M2.7 자체에 의해 작성되었다는 점으로, 도구에서 공동 저자로의 전환을 강조합니다.

— Editorial Team