MiniMax M2.7 i praksis: Slik presterer modellen på ekte ML- og kodejobber

Mindre modeller tar over

AI-verdenen har endret kurs. I stedet for å jakte på den største og kraftigste modellen, spør mange nå hvilken modell som løser akkurat den jobben de har foran seg – og til en fornuftig pris. Det fikk meg til å teste MiniMax M2.7, en modell som stadig flere ser på som et reelt alternativ til de tyngste aktørene.

Jeg satte opp en enkel integrasjon mot MiniMax sitt API og begynte å bruke modellen direkte i daglig utviklingsarbeid. Målet var ikke perfekte laboratorietester, men å se hvordan den klarte seg i ekte prosjekter som Kaggle-konkurranser, teknisk dokumentasjon og opprydding i eldre kodebaser.

Slik satte jeg opp testen

Før jeg begynte med de konkrete oppgavene, lagde jeg et lite CLI-verktøy som pekte utviklingsmiljøet mitt mot MiniMax. Det gikk raskt: jeg la inn API-endepunktet som miljøvariabel, valgte M2.7 som standardmodell, og økte timeout-verdiene for oppgaver som krever flere steg.

Jeg valgte Plus-abonnementet til 40 dollar i måneden. Da forsvinner både begrensninger på kontekstvindu og daglige grenser. For seriøs utvikling er det en stor fordel – du kan kjøre lengre agent-løkker uten å bli avbrutt.

En viktig observasjon kom tidlig: når et agent-system feiler, er det ofte vanskelig å vite om feilen ligger hos modellen eller hos prompten. En bedre modell kan kanskje gjette seg til det som mangler, mens en bedre prompt kan gjøre det eksplisitt. Dette handler mer om arbeidsflyt enn om rene benchmark-tall.

Refaktorisering av gammel kode

Første virkelige test ble en opprydding av pytorch_tempest, et rammeverk jeg tidligere hadde bygget med Hydra og PyTorch Lightning. Koden hadde begynt å bli utdatert, med gamle avhengigheter og verktøy som ikke lenger føltes moderne.

Oppgaven inneholdt flere konkrete punkter: bytte ut black og flake8 med ruff, oppdatere CI og pre-commit-hooks, modernisere type hints, legge til støtte for distribuert trening, og introdusere uv for raskere pakkehåndtering. Jeg behandlet modellen som a