中国のAIスタートアップMiniMaxが、新たな自己進化型AIモデル「M2.7」を発表した。公式発表では、前モデルM2.5と比較して30%の性能向上を達成したと主張している。一方、SNS上では、幻覚率が前モデルから55ポイントも改善したとする非公式データが注目を集めており、公式ベンチマークとユーザーコミュニティの評価の間に、興味深い乖離が見られる。
MiniMax M2.7の公式発表内容
MiniMaxの公式発表によれば、M2.7は「自己進化」アプローチを採用したモデルだ。これは、モデル自身が生成したデータやフィードバックを用いて、自律的に反復学習を行う手法を指す。同社によると、このプロセスを通じて、指示への追従、コンテキストの理解と幻覚の抑制、エージェントとしてのワークフロー実行能力が改善されたという。具体的な内部評価セットでは、M2.5に対して30%の性能向上を記録したとしている。
公式が公開する主要ベンチマークの結果は以下の通りだ。コード生成タスクの「SWE-Pro」で56.22%、視覚的推論タスクの「VIBE-Pro」で55.6%、ツール使用能力を測る「Toolathon」で46.3%、そしてマルチモーダルタスクにおけるスキルコンプライアンスを評価する「MM Claw」で97%を達成した。これらの数値は、M2.7が複雑な推論やツール連携、マルチモーダル理解において、一定の競争力を有することを示唆している。
SNSで拡散する「幻覚率55ポイント改善」説
公式発表とは別に、Twitter（現X）を中心に、ある非公式な比較データが大きな話題を呼んでいる。それによると、AA-Omniscienceというベンチマーク（423のモデルを比較対象としている）において、M2.5の幻覚率は89%だったのに対し、M2.7では34%まで低下したという。これは、わずか一世代のアップデートで55ポイントもの大幅改善を意味する。
このデータを引用した投稿では、M2.5の幻覚率が「GPT 5.4」と同水準だったのに対し、M2.7はそれを一気に飛び越えた（leapfrogged）と評価されている。この「GPT 5.4」は現時点で存在しないモデル名であり、おそらくは将来のGPTモデルに対する比喩的表現か、あるいは何らかの内部コードネームを指している可能性が高い。いずれにせよ、コミュニティがこの非公式データに強い関心を寄せている背景には、生成AIの実用化における最大の課題の一つである「幻覚（hallucination）」に対する強い問題意識がある。
公式データと非公式データの乖離が示すもの
ここで注意すべきは、幻覚率55ポイント改善という劇的なデータが、現時点でMiniMaxの公式チャネルからは確認できない点だ。公式発表は「内部評価で30%向上」と控えめに主張する一方、SNS上では特定のベンチマークに特化した驚異的な改善が語られる。この乖離は、AIモデルの評価の難しさを浮き彫りにする。
ベンチマークは測定する項目やデータセットによって結果が大きく変動する。公式発表のベンチマーク（SWE-Pro, VIBE-Pro等）は汎用的な能力を測ることを目的としている可能性が高く、一方でAA-Omniscienceの幻覚率評価は、おそらくは事実性や一貫性に特化した別の測定軸だ。つまり、M2.7は特定の「幻覚抑制」タスクでは飛躍的に進化したが、その性能が全ての汎用タスクに均等に反映されているわけではない、と解釈できる。ユーザーは、モデルの「総合性能」という一枚岩的な評価ではなく、自分が解決したい「特定タスクにおける性能」に注目して評価する必要がある。
M2.7の進化が開発者にもたらす可能性
仮に非公式データにある程度の真実性があるとすれば、M2.7の幻覚抑制能力は実用的なアプリケーション開発に大きな影響を与える。例えば、金融や医療、法律などの高精度が要求される分野でのドキュメント生成支援や要約、カスタマーサポートにおける事実に基づいた正確な応答生成など、これまで幻覚リスクのために導入が慎重になっていた領域での利用が現実味を帯びてくる。
また、エージェントワークフローの改善も公式に謳われている。これは、M2.7が単なるチャットボットではなく、複数のツールやAPIを順序立てて呼び出し、複雑な作業を自律的に実行する「エージェント」としての能力が強化されたことを意味する。具体的には、ユーザーが「今月の売上データを分析し、主要なトレンドを抽出してパワーポイントの概要を作成して」といった高レベルの指示を与えた場合に、データベースへのクエリ実行、分析、ドキュメント生成という一連のステップを、より正確に、幻覚なく実行できる可能性が高まる。
オープンソースモデルは本当に追いついているのか
今回のニュースを報じた元のTwitter投稿には、「オープンソースモデルが誰の予想よりも速く追いついている」というコメントが添えられていた。この文脈で言う「オープンソースモデル」は、MiniMaxのモデルそのものではなく、Llama 3.1やQwen2.5など、コミュニティで広く利用可能なモデル群を指していると考えられる。
MiniMax M2.7の性能向上、特に幻覚抑制に関する噂は、クローズドな商用モデル（GPT-4o、Claude 3.5 Sonnet等）とオープンソースモデルとの性能差が、少なくとも特定のタスクにおいては急速に縮まりつつあるという認識を後押しする。開発者や企業は、コスト、カスタマイズ性、データプライバシーに優れるオープンソース（またはMiniMaxのような提供形態の）モデルの実用性を、より真剣に検討する段階に来ている。ただし、総合的な汎用性能、ブランド力、エコシステムの成熟度では、依然として大手企業のモデルが優位であることは変わらない。
まとめ：評価は冷静に、用途で判断を
MiniMax M2.7の発表は、AIモデルの進化が単純なパラメータ増加ではなく、「自己進化」のような新しい学習手法や、幻覚抑制という核心的な課題への集中攻撃によって推進されていることを示す好例だ。公式の控えめな発表と、コミュニティの熱狂的な反応の対比は、AI業界の評価軸が多様化し、混沌としている現状を象徴している。
開発者や企業の担当者は、SNSで流れる劇的な改善の噂に踊らされることなく、まずは公式が公開するベンチマークを確認し、可能であれば自社の評価セットで実際に試すことが不可欠だ。その上で、自らのユースケース——例えば、創造性が求められるコンテンツ生成なのか、それとも極めて高い正確性が命じられる情報抽出なのか——に照らして、M2.7や他の競合モデルを評価すべきである。幻覚率の改善は確かに大きな前進だが、それは万能の解決策ではなく、用途に応じたモデル選択という基本原則を変えるものではない。
Be First to Comment