MiniMax M2.7 长任务 编程 办公

写在前面

这几个月看模型更新，如果你还只盯着“谁跑分高”“谁聊天更像人”，其实已经有点落后了。现在真正拉开差距的，不再只是单轮问答，而是模型能不能把一整段工作流接住：搜资料、整理表格、写代码、调界面、生成报告、甚至把结果发出去。

这也是为什么最近很多人在看所谓的“龙虾榜”——它测的不是你答题像不像标准答案，而是你能不能把一件完整的事做完。任务一长、步骤一多、工具一接入，模型之间的差距就开始真正暴露出来。

而这次 MiniMax M2.7 最有意思的地方，不是又发了个新模型，而是它在真实 Agent 场景里给人的感觉已经不太像“聊天模型”，更像“能接活的执行体”了。问题就变成了：它到底强在哪？哪些场景是真的能打？又有哪些地方还没到可以闭眼上的程度？

现在卷的已经不是回答问题，而是能不能把整件事做完

先看一个最抓人的信息点：按原文里的描述，MiniMax M2.7 在实时更新的 PinchBench 上已经来到全球第四。这个榜单之所以被反复提起，是因为它看的是 Agent 任务成功率——不是做题，而是执行。

这件事对开发者其实很重要。

因为你今天真正想交给 AI 的，往往都不是“帮我补一行代码”这么简单，而是：

• 去网页上搜信息
• 把信息整理进表格
• 再做成图表或页面
• 再把结果投递到飞书、邮件或其他工具里
• 或者直接写出一个能运行的前端/脚本/网站

一旦任务变成这种链条式结构，模型如果只是会续写、不会规划，不会调工具，不会在长上下文里稳定执行，那体验就会立刻塌下来。

所以这次 M2.7 让人觉得值得看，不是因为它“又强了一点”，而是因为它在多个不同类型的长任务里，都开始显出那种“能把活做到底”的感觉。

这次实测到底测了什么：六个场景，基本把 Agent 能力拆开了

原文这次没有只做单一 demo，而是直接上了 6 类任务，覆盖了 Agent 时代最关键的几种能力：

• 多步骤龙虾任务
• 自动化视频生成
• Claude Code 里的编程任务
• 前端页面生成
• 调用 skills 搭网站
• 办公场景下的报告、图表、PPT 联动产出

这种测法比单纯 benchmark 更有参考价值。因为你能直接看到：模型到底是只会在一类场景里偶尔惊艳一下，还是在“执行链路”这件事上整体变强了。

1）龙虾任务：搜索、整理、制图、发飞书，一条链路直接跑通

第一个案例本身就很像现实工作流。

任务要求是去豆瓣找最近热门电影，结合热度、评分和上映时间综合筛选 10 部，整理成 Excel，再根据表格做一个可视化 HTML，最后把 Excel 和 HTML 一并发到飞书。

这不是一个单点能力测试，而是一条完整流水线：

1. 联网检索
2. 理解筛选条件
3. 结构化整理数据
4. 生成表格
5. 生成可视化页面
6. 把文件投递到指定工具

原文给出的结论是：M2.7 一次过，直接交付了 Excel 和 HTML。

更值得注意的不是“做出来了”，而是它在这类长任务里没有中途掉链子。因为这种任务最常见的失败方式不是代码报错，而是执行过程中忘步骤、漏条件、结果格式不统一，最后给你一堆半成品。

从原文展示看，M2.7 在这个案例里给出的结果已经接近“可直接交付”，这说明它在长指令理解、阶段切换和工具串联上，确实已经到了一个比普通聊天模型更像 Agent 的层级。

2）自动做视频：不只是生成片段，而是走完整工作流

第二个案例更狠，直接让它用 libtv-skills 生成一个 40 秒短漫剧《像素荒原》。给的要求并不轻：世界观、视觉风格、剧情线、隐喻主题，全都写得很具体，而且目标不是生成几段素材，而是完整视频。

原文给出的结果是，这条工作流从剧本、分镜图、分镜视频到最后合成，都是由 MiniMax M2.7 驱动完成的。

这里面最关键的不是“视频看起来还不错”，而是它完成的是多阶段创意工作流：

• 理解抽象主题
• 把主题拆成可执行分镜
• 调用对应能力生成内容
• 最终合成为一个完整产物

也就是说，它已经不只是“根据一句话给你吐一个结果”，而是在把一条需要多次中间转换的流水线接起来。

当然，原文也提了一个很实在的细节：如果你不强制调用对应 skill，系统可能只会生成镜头片段，而不是完整视频。这恰恰说明一个现实问题——模型能力是一回事，工作流编排仍然同样重要。

3）编程任务：在 Claude Code 里测 3D，空间理解和修 bug 能力都过了一轮

接下来几项测试被放进了 Claude Code，这部分对开发者更有参考价值。

第一个编程 case 是经典 3D Rubik’s Cube：要求创建一个单文件 HTML，用 Three.js 实现一个功能完备的 3D 魔方模拟程序，并且能自动完成还原。

这个任务很适合测模型两个东西：

• 空间与结构理解能力
• 出错之后的修复效率

原文的观察很真实：第一版并不是完美 one shot，在打乱和还原动画过程中，出现了部分方块颜色丢失的问题，本质是位置与颜色状态没有正确同步。简单反馈之后，第二版就把问题修掉了。

这类 case 之所以值得看，是因为它不像 CRUD 页面那样容错高。3D 场景一旦状态管理有点问题，视觉错误会特别明显。M2.7 在这里表现出来的，不只是“能写个看起来像样的 demo”，而是出了 bug 之后，它能快速收敛到正确版本。

4）前端任务：审美在线，但视觉理解还是短板

再往下是一个更偏产品展示的前端任务：给 AI 鼠标「小沃」设计产品宣传页。

原文给出的评价很直接：VI 和配色都不错，页面观感是在线的。

这一点其实挺重要。因为现在很多模型能把页面“做出来”，但做出来和“看起来像能上线的东西”中间差得非常远。配色、视觉层级、留白、信息组织，只要有一项不对，成品就会立刻显出浓重的 AI 味。

不过作者也点出了当前短板：M2.7 还不具备视觉理解能力。如果未来这块补上，它在设计稿还原、视觉对齐、图像驱动改版这类场景里，应用范围会比现在大得多。

5）调用 skills 做网站：One shot 能成，但外部内容读取还有限制

第五个测试更贴近现在很多开发者在玩的方向：不只是让模型直接写代码，而是让它调 skills，去构造一个更复杂的网站工作流。

任务是调用 Knowledge Site Creator Skills，为“Token”做一个知识学习网站，要求既严谨又有趣，还要有高级审美。

原文这里的结论是，这次 one shot 的效果不错，排版和配色都很在线。但问题也同样明显：它似乎不能直接读取公众号 URL，文章内容还是需要手动喂给 Claude Code。

这个细节非常值得记一下。因为很多人现在对 Agent 的预期已经拉到“给个链接它自己全搞定”，但现实是：

• 模型能力是一层
• 工具权限是一层
• 外部内容可访问性又是一层

你看到一个 Agent 工作流能不能闭环，往往不只是看模型本身，还要看它站在什么运行环境里、拿到了哪些能力边界。

6）办公任务：财务模型、研报、PPT 三件套一起做

最后一类测试是最接近企业办公场景的：基于腾讯 2025 年财报信息，读取多个研报，建立营收模型，设计假设，生成 PPT、Word 研究报告和 Excel 图表。

这类任务真正难的地方不是“会不会写几段分析”，而是：

• 数据搜集是否准确
• 结构化整理是否完整
• 不同交付物之间是否一致
• 长上下文里会不会出现幻觉

原文给出的观察相当强：Excel 财务模型结构完整，收入、盈利、核心业务、估值这些部分都覆盖了；Word 报告 23 页、近万字，抽查数据准确；PPT 排版与 UI 质量也明显高于“草台拼接感”。

作者也没有一味吹，还是指出了问题：复杂多坐标图表在 Python 绘图阶段没有完全呈现出来，Word 的字体和排版也还有小毛病。

但这恰恰是这类 Agent 最现实的价值所在：它未必一次性把最后 5% 的精修也替你做完，但它已经把最耗时间、最容易烦躁、最适合自动化的 80% 搞定了。对于分析、咨询、投研、运营这类岗位，这种价值其实非常直接。

这篇实测真正说明的，不是 MiniMax M2.7 会做多少事，而是 Agent 工作流开始变实用了

把这 6 个案例放一起看，M2.7 展示出来的核心能力大概有四类：

1. 长任务指令遵循更稳了

多步骤任务最怕中途偏题、漏步骤、忘上下文。原文里无论是龙虾任务、视频生成，还是办公三件套，M2.7 最突出的优点都是能把一长串需求维持住，不轻易跑偏。

2. 工具调用开始有“工作感”了

不是单纯会 function calling，而是真的能围绕一个目标去组织多个工具。搜、写、算、画、导出、发送，这种链路一旦能顺起来，模型就不再只是助手，而是开始像执行者。

3. 编程质量已经能进入开发者日常流程

在 Claude Code 里的几个任务说明，M2.7 至少已经进入“能拿来真干活”的区间。不是每次 one shot 完美，但能在反馈后快速修正，并且前端、3D、网站生成这些横向场景都能接住。

4. 办公场景的交付可信度明显提高

很多人对 AI 做办公任务的担心，本质上都是“怕幻觉、怕不准、怕格式乱”。而原文里最有冲击力的一点，恰恰是近万字研究报告和财务模型都没有明显数据错误。这比单纯说“会生成 PPT”要有说服力得多。

Claude Code 到底是什么？为什么它会反复出现在这类测试里

很多人第一次接触 Claude Code，会以为它只是“命令行里的 Copilot”。其实完全不是一回事。

Copilot 这类工具更像即时补全：

• 你写一半，它帮你续一段
• 你卡住了，它给你一个函数模板
• 它主要盯着当前文件和当前光标附近

Claude Code 的定位更接近一个能自主推进工程任务的 Agent。它能做的事通常包括：

• 读多个文件，理解整个项目上下文
• 直接改代码、加文件、做跨文件重构
• 执行命令、跑测试、看报错再修
• 处理 Git 工作流
• 通过 MCP 接外部系统
• 在一些新能力下继续往后台任务和自动化流程延展

也正因为如此，很多人在测新模型编程能力时，都会自然把 Claude Code 当成一个很好的实验场。因为这里测到的不是“模型会不会写一段代码”，而是它在真实开发工作流里能不能完成任务。

官方目前常见的使用方式主要有两类：一类是走 Claude 订阅。根据官方价格页与 Claude Code 产品页，Pro 月付是 20 美元/月，年付折算 17 美元/月，已经包含 Claude Code；Max 从 100 美元/月 起，更高档位到 200 美元/月；如果是团队使用，还会有团队席位方案。另一类是走 API，按 token 消耗计费，更适合要把模型接进自己工作流的开发者。

不过说实话，官方订阅对国内用户不太友好——需要海外信用卡，网络环境也得折腾。如果嫌麻烦想找个更省事的渠道，可以看看 Code80，真实订阅帐号转 API，换个 endpoint 就能直接用，体验跟官方一样。详情可以到官网了解：code.ai80.vip

常见问题

1. MiniMax M2.7 这次最强的点到底是什么？

不是某个单项能力突然爆炸，而是它在长任务、工具调用和多阶段执行上的稳定性明显提高了。你会感觉它不只是“更聪明”，而是“更能把事情做完”。

2. PinchBench 这种龙虾榜能代表模型真实水平吗？

不能完全等同。它更像是在测 Agent 任务成功率，而不是通用智能的全部表现。但对于今天越来越多的自动化工作流来说，这类指标确实比传统问答 benchmark 更接近实际价值。

3. 它在编程场景里已经能直接拿来用了吗？

从这篇实测看，已经能进入日常使用区间了，尤其是前端、小型交互、结构化任务和带反馈修复的场景。不过复杂项目里，开发者依然需要做结果验证，不能完全放手不看。

4. 它目前最大的短板是什么？

原文里提到两个比较明显的问题：一是还不具备视觉理解能力；二是在部分复杂图表、外部内容直接读取这类场景里，工作流仍然有边界。

5. 为什么这篇测试会频繁用到 Claude Code？

因为 Claude Code 很适合拿来测模型在真实开发环境里的表现。你可以直接看它读文件、写代码、修 bug、调用工具时到底顺不顺，而不只是看一段静态代码生成结果。

6. 国内用户怎么更方便地把 Claude Code 接进自己的工作流？

如果你已经习惯用 API 方式，国内用户可以通过 Code80 更方便地接入使用。