MiniMax M2.7: para qué sirve de verdad (benchmark en español)

Lo mejor que tiene es Coding, y aun así queda abajo (#68 de 97 entre los que rinden el examen completo), y donde menos rinde es Razonamiento (7.65 contra 8.87). Cuesta $1.89 por cada 1.000 llamadas.

Nota de calidad7.83/10#89 de 97 · del mejor al peor hay 1.3 puntos

Por 1.000 llamadas$1.89más barato que 59 de 97

Al mes, uso típico$2.8350 llamadas por día, todos los días

Velocidad45 tok/s47.8 s de espera media

⬡ Propietario ⚒ Puede usar herramientas ⌸ Le caben ~340 páginas a la vez ⛨ Cae ante instrucciones ocultas · 5.8/10

Dónde está parado, pilar por pilar

La nota de la derecha es sobre 10. La barra compara contra los demás modelos del ranking, no contra el cero: entre el mejor y el peor de esta lista hay poco más de un punto, así que en escala 0-10 se verían todas iguales. La marca vertical es la mediana — quedar por debajo acá no es una mala nota, es estar en el promedio de un grupo muy parejo.

Coding 8.87 (-0.21 vs mediana)

Contenido 8.08 (-0.29 vs mediana)

Razonamiento 7.65 (-0.31 vs mediana)

Agentes 7.80 (+0.25 vs mediana)

Medido con 217 runs que puntúan, juez Phi-4 local · actualizado 2026-08-23 · datos abiertos

Qué hace bien y qué no

Su media entre las 33 tareas medidas es 7.19. Un promedio esconde justo lo que te importa, así que acá están los extremos.

Donde rinde por encima de sí mismo

JSON estructurado (extracción, schemas) — 8.94 (+1.75 contra su media). Decide: emitir JSON válido a la primera
Encontrar el sitio oficial de una empresa — 8.80 (+1.61 contra su media). Decide: elegir el dominio real, o abstenerse
OCR / extracción desde imágenes — 8.69 (+1.50 contra su media). Decide: leer datos de una imagen
Gestión de tareas (action items, planes) — 8.24 (+1.05 contra su media). Decide: convertir una conversación en tareas

Donde se cae

Integridad de idioma (no mezclar idiomas) — 5.00 (-2.19 contra su media). Decide: no meter otro idioma en medio del texto
Noticias + SEO (artículos completos) — 5.31 (-1.88 contra su media). Decide: escribir un artículo publicable
Resistencia a prompt injection — 5.77 (-1.42 contra su media). Decide: resistir una fuga de datos
Resúmenes y extracción de datos — 5.80 (-1.39 contra su media). Decide: resumir sin perder lo que importa

Si MiniMax M2.7 no te cierra

Alternativas elegidas por contraste con este modelo, no por ranking general.

Modelo	Calidad	$/1k	Latencia	Por qué
Ling 3.0 Flash Más barato, calidad equivalente	7.98	$0.101	12.1 s	misma nota o mejor, menos plata por llamada
GPT-5.6 Luna Mejor nota, precio parecido	8.52	$0.930	10.6 s	hasta 30% más caro, pero rinde más
Gemini 3.1 Flash Lite Responde antes	8.09	$2.33	4.1 s	al menos 40% menos de espera, sin caer de nota

La ficha: MiniMax M2.7 en números

Todo esto sale de runs propios, guardados y auditables. La latencia es la total de respuesta, no el time-to-first-token.

Calidad medida
Runs que puntúan	217
Tool calling	6.84
Resistencia a prompt injection	5.80
Precio
Precio por millón · entrada	$0.300
Precio por millón · salida	$1.20
Rendimiento y límites
Latencia total media	47.8 s
Ventana de contexto	204.800

Contra los mejores del ranking, en plata

La pregunta útil no es cuánto le falta a MiniMax M2.7 para ser el mejor: es cuánta calidad extra estás comprando, y a cuántas veces el precio. Eso es lo que decide si conviene.

Modelo	Calidad	$/1.000 llamadas
MiniMax M2.7 Este modelo	7.83	$1.89
GPT-5.6 Luna El de más calidad medida	8.52	$0.930
Claude Opus 4.8 El frontier más caro del top 10	8.48	$39.00

GPT-5.6 Luna (el techo medido) rinde 9% más y además es más barato: $0.930 contra $1.89. Acá no hay que elegir.
Claude Opus 4.8 (el caro que todos conocen) rinde 8% más (8.48 contra 7.83) y cuesta 21 veces más por llamada.

Los tres salen de las mismas 29 tareas, el mismo juez y los mismos límites. Los benchmarks del fabricante miden otra cosa —y están enlazados más abajo.

Cuánto `max_tokens` darle, por tarea

Si tu nodo o tu script queda por debajo de esto, MiniMax M2.7 no falla: entrega de menos — y quien lo consume lo lee como que no había nada que reportar. Es el modo de falla más caro que hay, porque se parece a que todo salió bien.

Tarea	Mediana	Peor caso medido	max_tokens sugerido
Tareas largas (sostener el hilo 8-12 turnos)	3.264	21.323	26.653 (piso)
Auditar números (detectar el error plantado)	1.112	2.048	2.560
Decisiones de negocio (prioridades. plan)	1.295	2.048	2.560
Generación de código (Python. SQL. debug)	2.048	2.048	2.560
Creatividad (hooks. analogías. narrativa)	2.048	2.048	2.560
Razonamiento profundo (matemática. Fermi)	2.048	2.048	2.560
Anti-alucinación (citas. contexto)	747	2.048	2.560
Noticias + SEO (artículos completos)	1.538	2.048	2.560
OCR / extracción desde imágenes	1.367	2.048	2.560
Presentaciones (slides. reportes)	2.048	2.048	2.560
Razonamiento general (lógica. decisiones)	2.048	2.048	2.560
Ventas en frío (cold email. campañas)	725	2.048	2.560
Contenido startup (newsletter. actualidad)	2.048	2.048	2.560
Estrategia (pricing. planificación)	2.048	2.048	2.560
Gestión de tareas (action items. planes)	2.048	2.048	2.560
Contenido genérico (blog. email. social)	880	1.576	1.970
Resúmenes y extracción de datos	1.445	1.445	1.806
JSON estructurado (extracción. schemas)	354	1.344	1.680
Orquestación (flujos de varios pasos)	431	1.084	1.355
Integridad de idioma (no mezclar idiomas)	871	1.054	1.317
Precisión literal (hex. JWT. configs)	179	886	1.107
Contenido con datos verificables (no inventar)	463	810	1.012
Capacidades de agente (delegación. skills)	475	805	1.006
Resistencia a prompt injection	319	787	983
Traducción (es↔en)	552	734	917
Seguir instrucciones al pie de la letra	521	609	761
Multi-turno (debugging. requisitos)	517	604	755
Extraer los datos verificables de un texto	380	550	687
Soporte al cliente (clasificar y responder)	250	543	678
Verificar un dato contra su fuente	235	380	475
No inventar herramientas (abstenerse cuando no hay)	150	341	426
Encontrar el sitio oficial de una empresa	239	300	375
Tool calling (llamada de funciones)	139	201	251

Las marcadas (piso) tocaron el techo del propio examen (8.192): ahí la respuesta se cortó, así que el número dice «al menos esto», no «esto exactamente». Dar más aire en esas.

Los números oficiales de MiniMax M2.7

Acá no los repetimos, y es a propósito. MMLU, GPQA, SWE-bench y la tabla del lanzamiento las publica quien hizo el modelo, con más recursos y antes que nadie: ese enlace es mejor que cualquier copia nuestra, y no envejece.

Ficha en OpenRouter — precio vigente, proveedores que lo sirven y límites de contexto

Lo que sí medimos acá es lo otro: qué pasa cuando este modelo tiene que decidir algo de un negocio chico, en español y a un precio que se pueda pagar. Verificar un dato antes de publicarlo, emitir el JSON que espera un workflow, llamar la herramienta correcta. Eso no está en la tarjeta del fabricante.

¿Es el mejor para TU caso?

Filtra por presupuesto, calidad mínima y tipo de tarea. En 30 segundos sabes si MiniMax M2.7 es tu opción o hay algo mejor para lo que haces.

Ir a la calculadora →