MiniMax · 2026-04 · 스파스 MoE

MiniMax-M2.7

MiniMax-M2.7은(는) MiniMax가 2026-04에 공개한 그룹화 쿼리 어텐션(GQA) Transformer로, 62개 층, 은닉 차원 3072, 컨텍스트 길이 204,800 토큰을 갖습니다.

레이어 스택

어텐션 ×62 · 레이어 수 62

동봉된 config.json을 바탕으로 작도 · 62층 / 은닉 3,072 / 컨텍스트 204,800. 도식은 본 사이트의 오리지널입니다.

그룹화 쿼리 어텐션(GQA) — 48 q-heads / 8 kv-heads. RoPE θ=5,000,000.

스파스 Mixture-of-Experts 모델로, 256개 라우팅 전문가와 top-8 라우팅을 사용하며 토큰당 약 10.6B 파라미터가 활성화됩니다.

설정에는 디코딩 가속을 위한 멀티 토큰 예측(MTP) 층이 3개 포함되어 있습니다.

같은 연구소의 이전 세대 모델과 비교합니다. 없으면 구조가 가장 유사한 모델과 비교. 배수 열 = 본 모델 ÷ 비교 대상.

이전 세대 MiniMax-M2.5과의 전 필드 비교

모델	MiniMax-M2.7	MiniMax-M2.5	배수
model_type	`minimax_m2`	`minimax_m2`	＝
architectures	`MiniMaxM2ForCausalLM`	`MiniMaxM2ForCausalLM`	＝
hidden_size	`3072`	`3072`	≈1
num_hidden_layers	`62`	`62`	≈1
num_attention_heads	`48`	`48`	≈1
num_key_value_heads	`8`	`8`	≈1
head_dim	`128`	`128`	≈1
intermediate_size	`1536`	`1536`	≈1
hidden_act	`silu`	`silu`	＝
num_experts_per_tok	`8`	`8`	≈1
rope_theta	`5000000`	`5000000`	≈1
max_position_embeddings	`204800`	`196608`	×1.04
rms_norm_eps	`0.000001`	`0.000001`	≈1
vocab_size	`200064`	`200064`	≈1
attn_type_list	`1×62`	`1×62`	＝
dtype	`bfloat16`	`—`
mtp_transformer_layers	`1`	`1`	≈1
num_local_experts	`256`	`256`	≈1
num_mtp_modules	`3`	`3`	≈1
qk_norm_type	`per_layer`	`per_layer`	＝
rotary_dim	`64`	`64`	≈1
scoring_func	`sigmoid`	`sigmoid`	＝
shared_intermediate_size	`0`	`0`	＝
tie_word_embeddings	`false`	`false`	＝
transformers_version	`4.46.1`	`4.46.1`	＝
use_cache	`true`	`true`	＝

MiniMax-M2 (MiniMax, 2025-10) 1.000
MiniMax-M2.5 (MiniMax, 2026-02) 1.000
Qwen3.8-Flash-Next (Qwen, 2026-08) 0.934
GLM-4.5-Air (GLM, 2025-07) 0.934
Qwen3-Next 80B A3B (Qwen, 2025-09) 0.933
Qwen3-Coder-Next (Qwen, 2026-01) 0.933

유사도는 0(공통 범주 특징 없음)에서 1(구조 프로파일 완전 일치) 사이의 값입니다.

29 개 필드