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 是 MiniMax 旗舰文本模型，XSCT Arena xsct-l 综合得分 84.5，全场第 #11，位于第二梯队头部。其最显著的特征是「文字强但推理弱」——在润色、摘要等文字生成任务中超越排名更高的 kimi-k2.5，但在复杂逻辑推理和数学竞赛场景中存在系统性崩溃。
核心数据快照：
综合得分：84.5（xsct-l 排行榜第 #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，超越所有 24 维度均值）
最弱维度：L-Math 数学竞赛 Hard 仅 15.0（推理循环崩溃，全场最低）
覆盖维度数：24 个，全维度覆盖，天花板均达 Hard 档（ceiling=3）
系列进化：vs M2.1 综合分提升约 +1.7，极限档提升最为明显
二、研究背景与方法论
2.1 评测平台说明
本报告所有数据均来自 XSCT Arena（xsct.ai），一个专注于场景化大模型能力评测的独立第三方平台，采用 LLM-as-a-Judge 方法论，使用三个 Judge 模型加权评分：
•Claude Sonnet 4.6（权重 50%）
•Gemini 3 Flash（权重 30%）
•Kimi（权重 20%）
每个评分维度均设置三档难度：基础（Basic）模拟日常使用场景，中等（Medium）模拟专业工作需求，困难（Hard）测试模型能力上限（极限场景）。
2.2 公平对比原则
所有横向对比仅使用各模型均有数据的公平用例集。某模型在某用例缺数据时，该用例不纳入跨模型排名，只做单模型分析。每个维度取 3 条以上用例均值，单用例数据不代表维度结论。得分显著性判断：差距 ≤2 分 = 误差范围；5–9 分 = 有意义；≥10 分 = 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）
MiniMax 系列内部进化对比
M2.7 相较 M2.1 / M2.5 在综合分上提升约 1.7 分，极限档提升最为明显（+2.1 分），说明该版本重点在提升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
MiniMax-M2.7 存在明显的「难度失速」现象：在逻辑（-19）、数学（-18.7）、指令遵循（-13.8）三个维度，从基础档到困难档的退化幅度均超过 10 分，属于极限场景稳定性严重不足。相比之下，润色（+0.6）和摘要（+2.8）在困难档反而略优于基础档，说明该模型的文字写作类任务在高难度下仍能保持水准。
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）
在学术摘要科普化改写这一用例中，MiniMax-M2.7 以 93.2 分拔得头筹，领先 kimi-k2.5（91.6）约 1.6 分。Gemini Judge 给出满分 100.0，认为该模型对政策简报与中学生科普两个版本的风格切换极为精准。
Gemini Judge 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）
摘要场景是 MiniMax-M2.7 的另一强项，以 92.6 分大幅领先 kimi-k2.5（85.2，差距 7.4 分）和 qwen3.5-plus（81.4，差距 11.2 分）。值得注意的是，kimi-k2.5 在该用例犯了数据错误（将 AUC 0.97 误写为”准确率 97%”），而 M2.7 则保持了高精度的数据传递。
Claude Judge 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）
古诗英译（念奴娇·赤壁怀古前六句）三模型得分相近。MiniMax-M2.7 在文化注释深度上（92.0）略胜一筹，但文学节奏重建（79.2）是三者最弱一环——译文中「of」悬挂行末、部分断句造成气势受损。
Claude Judge 评语（MiniMax-M2.7 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）是 MiniMax-M2.7 所有维度中的最低分（注：数学竞赛特殊用例除外）。在”多场景人设一致性写作”用例中，模型仅得 81.7 分，且 Judge 间分歧极大（Gemini 95.0，Kimi 仅 65.0）。
Kimi Judge 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）⚠️
这是本次测评最重要的发现之一。MiniMax-M2.7 在数学竞赛困难档的得分仅为 15.0 分，是全报告最低分，三位 Judge 给分分别为 Claude 10.0、Gemini 10.0、Kimi 35.0。
Claude Judge 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。”
这一现象在 L-Logic 逻辑维度（Hard 68.0 分）同样有所体现，说明 MiniMax-M2.7 在复杂多步骤推理场景下存在系统性稳定性问题。
六、横向竞品对标（公平用例集）
以下 4 条用例为六款模型中均有完整 Hard 档数据的公平用例集（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）。
在文字创作公平用例集中，MiniMax-M2.7 以均分 91.7 位列第一，甚至超越 XSCT 综合榜排名更高的 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」现象印证了 M2.7 是典型的「文字强但推理弱」型模型——在文字生成场景中的实际表现被综合榜严重低估。
七、综合评估：优劣势矩阵
八、场景选型建议
强烈推荐使用的场景
•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，字数控制严格，适合内容运营和编辑团队
•多受众摘要生成 — Hard 档大幅优于 kimi 和 qwen，适合需要同时输出研究者/管理者/公众版本的内容生产场景
•文章/文档理解与问答 — L-Comprehension / L-QA 全档稳定在 90+ 以上，高可靠性
•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 对话和客服 Bot
慎用场景
•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，退化幅度 -19，容易在复杂推理链中迷失
•复杂指令跟随（嵌套/多约束） — L-Instruction Hard 77.7，复杂指令下漏项率高
•多场景人设一致性写作 — L-Writing Hard 72.0，时间线管理和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，对对立立场的分析能力薄弱
竞品选型矩阵
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、翻译三类文字生成维度的公平用例集中，MiniMax-M2.7 均分 91.7 分，领先 kimi-k2.5（88.6）3.1 分、领先 qwen3.5-plus（87.7）4.0 分，且 4 条用例全部排名第一。这与其综合排名（#11）形成反差，说明 M2.7 综合分的”拉后腿”来自于推理、逻辑等非文字创作维度，而非文字类本身。对于重度依赖文字生产的用户而言，M2.7 是被综合榜低估的选项。
结论二：润色与摘要是差异化优势
L-Polish（Hard 90.2）和 L-Summary（Hard 88.5）是 M2.7 的真正护城河。在学术科普改写和多受众摘要生成上，M2.7 不仅能够精准执行字数约束，还能实现风格迁移（学术→政策→科普）并保持数据准确性。Gemini Judge 在多个用例中给出 100 分或接近满分，说明这一能力达到了当前主流最高水准。
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）共同揭示了 M2.7 的结构性短板：在需要多步骤连贯推理的极限场景中容易崩溃。数学竞赛用例中的”无限循环”现象不是个案，而是该模型在复杂推理路径上缺乏稳定性控制的集中体现。
结论四：文字创作内部仍有分化
同为文字维度，润色（+0.6）和摘要（+2.8）在 Hard 档优于基础档，体现了”越难越稳”；但写作（-10.9）在 Hard 档大幅退化，人设时间线管理漏洞明显。翻译（-6.0）的文学节奏重建是短板。建议使用方区分”改写型”和”原创型”任务：M2.7 改写润色一流，但原创人设写作需要额外的人工审核。
改进建议优先级
1.【最高优先级】修复推理循环崩溃 — 数学竞赛和复杂逻辑场景的无限循环现象是严重的质量问题，需要在推理稳定性控制上进行专项优化
2.【高优先级】提升指令遵循的 Hard 档稳定性 — L-Instruction 从 91.5 退化至 77.7，复杂嵌套指令下漏项率过高
3.【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能力，可引入结构化一致性校验机制
4.【中优先级】补足批判性思维基础能力 — L-CriticalThinking Basic 仅 66.9，属于基础能力短板，需要数据层面的专项强化
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。
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。
