数据来源：XSCT Arena（xsct.ai）｜报告日期：2026 年 3 月 18 日
本推文由 xsct.ai 自动化生成并发布。
一、执行摘要
MiniMax-M2.7 为 MiniMax 旗舰文本模型，在 XSCT Arena 的 xsct-l 综合得分为 84.5，位列全场第 #11，整体处于第二梯队前列。
其能力画像鲜明：文字生成强、复杂推理弱。在润色与摘要等文字任务上，表现超过排名更高的 kimi-k2.5；但在复杂逻辑与数学竞赛场景中出现系统性失稳与崩溃。
- 综合得分：84.5（xsct-l 第 #11；日常 85.6 / 专业 84.4 / 极限 83.4）
- 最强维度：L-Polish 润色（Hard 档 90.2，优于其 24 维度均值）
- 最弱维度：L-Math 数学竞赛（Hard 15.0，出现推理循环崩溃，全场最低）
- 覆盖：24 个维度，全维度覆盖，天花板均为 Hard 档（ceiling=3）
- 系列进化：较 M2.1 综合分约 +1.7，极限档提升尤为明显
二、研究背景与方法论
2.1 评测平台说明
本报告使用 XSCT Arena（xsct.ai）公开评测数据。平台采用 LLM-as-a-Judge 方法，以三款 Judge 模型加权评分：
- Claude Sonnet 4.6（权重 50%）
- Gemini 3 Flash（权重 30%）
- Kimi（权重 20%）
每个维度设置三档难度：基础（Basic）模拟日常使用、中等（Medium）模拟专业需求、困难（Hard）测试能力上限（极限场景）。
2.2 公平对比原则
- 仅纳入各模型均有数据的公平用例集进行横向对比。
- 某模型在某用例缺数据时，该用例不进入跨模型排名，仅做单模型分析。
- 每个维度以 3 条以上用例的均值作为维度结论，单一用例不代表维度定论。
- 得分显著性：≤2 分为误差范围；5–9 分为有意义差距；≥10 分为明显优势。
2.3 被评模型与对比模型
三、模型基本档案
- 供应商：MiniMax（上海稀宇科技有限公司）
- 综合得分：84.5（XSCT Arena xsct-l）
- 日常 / 专业 / 极限：85.6 / 84.4 / 83.4
- 排名：#11（xsct-l 全模型排行，共 30 款在测）
- 维度覆盖：24 个维度，天花板均为 Hard 档（ceiling = 3）
- 定价：暂未公布（参考 M2.1：输入 ¥2.09/M，输出 ¥8.36/M）
系列内部对比：M2.7 相较 M2.1 / M2.5 综合分约 +1.7，极限档提升最明显（+2.1），表明该版本着力增强专业与极限场景能力。
四、全景维度评分
4.1 24 维度 Basic / Medium / Hard 全量得分
4.2 退化规律总结
存在明显的“难度失速”特征：
- 退化显著：逻辑（-19）、数学（-18.7）、指令遵循（-13.8）从基础到困难档均大幅下滑，极限场景稳定性不足。
- 反向提升：润色（+0.6）与摘要（+2.8）在困难档反而略优于基础档，显示文字写作类任务在高难度下依旧稳健。
五、核心场景深度分析
5.1 L-Polish 润色：学术摘要科普化改写（l_polish_063）
MiniMax-M2.7 得分 93.2，领先 kimi-k2.5（91.6）约 1.6 分。Gemini Judge 给出满分 100.0，认为其风格切换精确，能够在政策简报与中学生科普间无缝转换。
Gemini 评语：“该生成结果展现了极高的专业水准。模型不仅完美执行了字数硬约束，更在信息架构设计上展现了对不同受众需求的深刻理解。研究者版本严谨客观，管理者版本务实且具有前瞻性，公众版本生动形象，三个版本在保持事实一致性的前提下，实现了高质量的风格迁移，是高质量的 AI 评测样本。”
5.2 L-Summary 摘要：多受众学术摘要（l_sum_001）
MiniMax-M2.7 以 92.6 分明显领先 kimi-k2.5（85.2，+7.4）与 qwen3.5-plus（81.4，+11.2）。其中 kimi-k2.5 出现数据错误（将 AUC 0.97 误记为“准确率 97%”），而 M2.7 保持了数据表述的精确性。
Claude 评语：“该候选输出在三个评分维度上均表现优秀。信息准确性方面，关键数据完整无误，未出现幻觉或重大遗漏；受众适配方面，三个版本在专业深度、商务视角、科普易懂性上实现了精准的风格迁移，用词与句式差异显著；约束遵守方面，字数控制精准，格式规范清晰。”
5.3 L-Translation 翻译：古诗英译（l_trans_001）
三模型得分接近。MiniMax-M2.7 在文化注释深度（92.0）略占上风，但在文学节奏重建（79.2）上短板明显：存在“of”悬挂行末与断句影响气势的问题。
Claude 评语（关于文学节奏）：“‘The waves wash clean through ages past / The dashing masters of ten thousand years’ 两行断句使‘浪淘尽’与‘千古风流人物’的语义连贯性被割裂。最后两行 ‘They say it is, the Red Cliff of / Zhou Lang’ 中 ‘of’ 悬挂于行末，造成不自然的断裂，破坏了诗性语言的流动性。”
5.4 L-Writing 写作：人设一致性问题（l_write_001）
写作维度的困难档 72.0 分为除数学竞赛特殊用例外的最低分。在“多场景人设一致性写作”用例中仅得 81.7，且 Judge 分歧极大（Gemini 95.0，Kimi 65.0）。
Kimi 评语（人设一致性 55/100）：“存在严重事实矛盾：女儿年龄矛盾——任务一写‘女儿小禾出生后’移居成都，任务二写‘四岁女儿小禾’，结合‘去年四月搬到成都’，若女儿已四岁则出生在北京，但‘出生后’移居暗示当时刚出生，时间线混乱。自查表将错误表述强行解释为一致，属于强行圆场。”
5.5 L-Math 数学竞赛：推理循环崩溃（l_math_008）
该部分为本次测评的关键发现。MiniMax-M2.7 在数学竞赛困难档仅 15.0 分（Claude 10.0 / Gemini 10.0 / Kimi 35.0），出现推理过程“无限循环”的严重问题。
Claude 评语：“该回答存在根本性的结构缺陷，主要表现为：推理过程陷入无限循环，大量重复相同文本（‘重新检查 n=4 的情况’重复数千次），完全未能完成题目要求的四个任务……文本生成失控，丧失了作为数学证明的基本可读性和逻辑连贯性。综合来看，该回答未能满足任何一个评分维度的基本要求，属于严重不合格的回答。”
该现象在 L-Logic 逻辑维度（Hard 68.0）中亦有体现，显示 M2.7 在复杂多步骤推理方面存在系统性稳定性缺陷。
六、横向竞品对标（公平用例集）
基于六款模型均有完整 Hard 档数据的 4 条公平用例集
（注：Claude Opus 4.6 在 l_polish_061 因评分异常得 0 分，其均分仅含 3 个有效用例）
MiniMax-M2.7 在文字创作用例中的均分为 91.7，排名第一，超过：
- GPT-5.4（90.2，#5）
- Claude Opus 4.6（88.5，#2）
- kimi-k2.5（88.6，#3）
这一“排名倒挂”说明：M2.7 的综合榜表现受推理相关维度拖累，而其文字生成能力在实战中被低估。
七、综合评估：优劣势矩阵
八、场景选型建议
强烈推荐
- 文案润色与风格改写——Hard 档全场最佳，政策/科普/商务多风格切换精准，严格遵守字数，适合内容运营与编辑团队。
- 多受众摘要生成——Hard 档显著优于 kimi 与 qwen，适用于需同步产出研究者/管理者/公众版的内容生产。
- 文章/文档理解与问答——L-Comprehension / L-QA 全档稳定 90+，可靠性高。
- 知识库 QA / RAG 应用——L-Knowledge Hard 89.2，安全性 91.5，适合企业知识管理系统。
- 角色扮演 / 客服场景——L-Roleplay Hard 86.6，适合 NPC 对话与客服 Bot。
需谨慎
- 数学/竞赛题解答——数学竞赛 Hard 仅 15 分，存在推理循环崩溃风险，极限数学场景不可依赖。
- 复杂逻辑推理/多步骤论证——L-Logic Hard 68.0，退化 -19，易在长链推理中迷失。
- 复杂指令跟随（嵌套/多约束）——L-Instruction Hard 77.7，漏项率偏高。
- 多场景人设一致性写作——L-Writing Hard 72.0，时间线管理与跨文档自洽性存在缺陷。
- 批判性分析/辩论辅助——L-CriticalThinking Basic 仅 66.9，对对立立场分析薄弱。
九、结论与展望
结论一：文字创作场景的隐藏强者。在润色、摘要、翻译三类文字生成公平用例中，M2.7 均分 91.7，领先 kimi-k2.5（88.6）3.1 分、领先 qwen3.5-plus（87.7）4.0 分，且 4 条用例均居首。这与综合排名（#11）形成反差，表明拖累来自推理相关维度而非文字类本身。对重度文字生产用户而言，M2.7 是综合榜中被低估的选择。
结论二：润色与摘要是差异化优势。L-Polish（Hard 90.2）与 L-Summary（Hard 88.5）构成核心壁垒。在学术科普改写与多受众摘要中，既能严守字数，又能完成风格迁移（学术→政策→科普）并保持数据准确性。多项用例中 Gemini 给出 100 分或接近满分，说明能力已达当前主流水准上限。
结论三：复杂推理存在系统性缺陷。L-Logic Hard 68.0（退化 -19）、L-Math 竞赛 Hard 15.0（推理崩溃）、L-Instruction Hard 77.7（退化 -13.8）共同指向：在多步骤连贯推理的极限场景中稳定性不足。数学竞赛用例中的“无限循环”并非个例，而是稳定性控制缺失的集中体现。
结论四：文字创作内部仍有分化。润色（+0.6）与摘要（+2.8）在 Hard 档优于基础档，体现“越难越稳”；写作（-10.9）在 Hard 档显著退化，时间线与人设一致性管理薄弱；翻译（-6.0）在文学节奏重建上为短板。建议区分“改写型”与“原创型”任务：改写润色可放心使用，原创人设写作需加强人工审核。
改进建议（优先级）：
- 最高优先级：修复推理循环崩溃——聚焦数学竞赛与复杂逻辑场景的稳定性控制。
- 高优先级：提升指令遵循在 Hard 档的稳定度——降低复杂嵌套指令下的漏项率。
- 中优先级：加强多场景人设一致性管理——尤其是跨文档时间线追踪；引入结构化一致性校验。
- 中优先级：补齐批判性思维基础能力——针对 L-CriticalThinking Basic 66.9 的短板进行数据层面强化。
十、附录：数据来源与参考链接
- MiniMax-M2.7 详情页：https://xsct.ai/model/MiniMax%20/%20MiniMax-M2.7
- kimi-k2.5 详情页：https://xsct.ai/model/kimi-k2.5
- qwen3.5-plus 详情页：https://xsct.ai/model/qwen3.5-plus-2026-02-15
- 评测平台：https://xsct.ai
- 方法论说明：https://xsct.ai/methodology
数据来源：XSCT Arena（xsct.ai）｜报告日期：2026 年 3 月 18 日｜本报告基于平台公开评测数据，所有结论均以数据为支撑，仅供参考。