Kineski MiniMax M2.7 samostalno unapređuje sopstveni kod
Kineski MiniMax lansirao je M2.7, prvi AI model koji se samostalno usavršava. Kroz 100 ciklusa autonomnog pisanja koda i ispravljanja grešaka, postigao je 30% veću preciznost i rezultate u kodiranju blizu GPT-5.3-Codex. Ovo drastično mijenja razvoj softvera i automatizuje Istraživanje i Razvoj.
Novi model koristi autonomne petlje za ispravljanje grešaka i pisanje rutina treninga, postižući drastičan skok efikasnosti.
Kineska kompanija MiniMax lansirala je model M2.7, označavajući preokret u razvoju autonomne vještačke inteligencije. Ovo je prvi model kompanije koji je "duboko učestvovao u sopstvenoj evoluciji," koristeći rane verzije za pisanje rutina treninga i podešavanje učenja iz ljudskih povratnih informacija. Lansiranje predstavlja direktan izazov zapadnim laboratorijama automatizacijom RL (Reinforcement Learning) istraživanja, čime se rješava usko grlo nedostatka visokoobrazovanih ljudskih istraživača.
- M2.7 je prošao preko 100 ciklusa autonomne analize grešaka i prepisivanja koda.
- Autonomne petlje rezultirale su povećanjem preciznosti od 30% na internim benchmark testovima.
- Model je postigao 56.2% na SWE-Pro testu kodiranja, parirajući flagship modelima.
- Automatizacija RL istraživanja smanjuje zavisnost od deficitarnih ljudskih stručnjaka.
Autonomne petlje donose drastičan skok preciznosti
Suština M2.7 modela leži u sposobnosti samousavršavanja. MiniMax je implementirao sistem gdje je model pokrenuo preko 100 ciklusa u kojima je analizirao sopstvene greške, automatski prepisivao kod i testirao ispravke. Ovaj iterativni proces, vođen samim AI-jem, a ne ljudskim inženjerima, doveo je do povećanja preciznosti od 30% na internim benchmark testovima u odnosu na prethodne verzije. Ovo dokazuje da AI može efikasnije identifikovati i ispraviti slabosti u sopstvenoj arhitekturi nego što to mogu tradicionalni timovi programera, ubrzavajući ciklus razvoja softvera.
Visoki rezultati u kodiranju ugrožavaju trenutne lidere na tržištu
Sposobnost M2.7 u rješavanju kompleksnih inženjerskih zadataka potvrđena je na nezavisnim testovima. Na SWE-Pro benchmarku, koji simulira stvarne softverske probleme, model je postigao rezultat od 56.2%. Ovaj rezultat ga pozicionira izuzetno blizu vodećim modelima kao što su Opus 4.6 i GPT-5.3-Codex. Dodatno, na VIBE-Pro testu, koji meri agentičku logiku, M2.7 je ostvario 55.6%, potvrđujući sposobnost za složene inženjerske zadatke u realnom svijetu. Ovo znači da M2.7 nije samo teoretski napredan, već spreman za primjenu u automatizaciji naprednog programiranja.
Šta autonomni AI donosi IT sektoru na Balkanu
Za softverske kompanije na Balkanu, naročito one fokusirane na outsourcing, pojava modela kao što je M2.7 nosi dvostruku poruku. S jedne strane, ovo je alat koji može drastično povećati produktivnost domaćih timova, omogućavajući automatizaciju rutinskih, pa čak i složenijih programerskih zadataka. S druge strane, postavlja se provokativno pitanje: da li su naše firme spremne za tranziciju sa naplate "po satu koda" na naplatu "po rješenju", kada AI može generisati kod vrhunskog kvaliteta? Ignorisanje modela koji se sami usavršavaju rizikuje brzu tehnološku zastarjelost. Regionalni developeri moraju hitno usvojiti agentičku logiku kao ključnu vještinu.
Automatizacija istraživanja mijenja dinamiku razvoja vještačke inteligencije
Lansiranje M2.7 jasno ukazuje u kojem smjeru se kreće industrija. Najveće usko grlo u razvoju AI više nije samo hardver, već nedostatak vrhunskih ljudskih istraživača sposobnih da unaprijede algoritme učenja. MiniMax je automatizacijom Reinforcement Learning (RL) istraživanja pokazao da se ovaj problem može riješiti softverski. Ovo je direktan signal zapadnim laboratorijama, koje su često tajnovitije u vezi sa svojim metodama samotreninga, da Kina ubrzano zatvara jaz, koristeći AI da gradi bolji AI. Sljedeći korak je potpuna autonomija u definisanju ciljeva učenja.
