MiniMax M2.7: Gonka Netzwerkmodell

MiniMax M2.7 ist ein großes Sprachmodell (LLM) des Unternehmens MiniMax mit Sitz in Shanghai. MiniMax wurde 2021 von einem Forscherteam unter der Leitung von Yan Junjie (ehemals bei SenseTime) gegründet und etablierte sich schnell als eines der führenden KI-Labore Chinas. Das Unternehmen Sponsoring von Alibaba, Tencent und HongShan angezogen – demselben Kreis strategischer Investoren, der auch hinter anderen „chinesischen KI-Tigern“ steht, darunter Moonshot AI, der Entwickler von Kimi K2.6.

Abgesehen von reinen Sprachmodellen ist MiniMax für Konsumgüter bekannt: die Chat-Assistenten Talkie und Hailuo sowie einer der bemerkenswertesten Videogeneratoren der Branche. Für das Gonka-Netzwerk ist jedoch die M-Serienlinie von Textmodellen, die Nachfolger der früheren abab-Modelle, von Bedeutung.

Das wichtigste architektonische Merkmal der M-Serie ist ihr Fokus auf einen effizienten Aufmerksamkeitsmechanismus. Während frühe große Modelle klassische quadratische Aufmerksamkeit (Rechenkosten wachsen proportional zum Quadrat der Kontextlänge) verwendeten, war MiniMax eines der ersten Unternehmen, das eine hybride lineare Aufmerksamkeit öffentlich zugänglich machte. Dies ermöglicht die Verarbeitung sehr langer Sequenzen ohne eine explosionsartige Zunahme der Rechenkosten – ein historisches Markenzeichen der Linie. Wie Qwen3-235B und Kimi K2.6 basiert das Modell auf der MoE-Architektur (Mixture of Experts): Hunderte Milliarden Parameter „auf dem Papier“, aber bei jeder Anfrage wird nur ein kleiner Teil davon aktiviert, was die Kosten für Inferenz radikal senkt.

Im Gonka-Netzwerk wird das Modell als MiniMaxAI/MiniMax-M2.7 identifiziert – genau dieser String muss im Feld model der API-Anfrage übergeben werden. Version M2.7 ist die neueste Iteration der M-Serie zum Zeitpunkt der Veröffentlichung dieses Artikels.

Es ist wichtig, zwischen den „Out-of-the-box“-Eigenschaften des Modells selbst und den Eigenschaften, mit denen es in einem bestimmten Netzwerk bereitgestellt wird, zu unterscheiden. Wenn das Modell im dezentralen Gonka-Netzwerk läuft, werden seine Betriebsparameter durch die vLLM-Inferenzkonfiguration auf der Seite der GPU-Hosts bestimmt und nicht nur durch die Modellarchitektur. Hier sind die tatsächlichen Werte, die unser Gateway liefert:

• Kontextfenster: 200.000 Token (ca. 150.000 Wörter). Dies ist die Subnet-Konfiguration im Gonka-Netzwerk. Die MiniMax-Architektur selbst unterstützt ein wesentlich längeres Kontextfenster, aber die praktische Obergrenze wird zu jedem Zeitpunkt durch die Inferenz-Einstellungen auf den Hosts bestimmt.
• Maximale Ausgabe: 8.192 Token pro Antwort. Diese Zahl wurde empirisch gemessen – durch eine Anfrage mit erzwungener langer Generierung, die an die Obergrenze stieß (finish_reason: length). Derzeit ist diese Obergrenze für alle Modelle im Netzwerk gleich – bis zu 8.192 Token. Dies ist kein Limit des Modells selbst, sondern eine Konfiguration des vLLM-Subnets.
• VRAM-Anforderung des Hosts: ca. 320 GB VRAM pro Node. Dies ist eine typische Anforderung für ein großes MoE-Modell in FP8-Quantisierung – die gleichen 320 GB werden auch für Kimi K2.6 benötigt. In der Praxis bedeutet dies mehrere GPUs der Klasse H100/H200, die zu einem einzigen Node zusammengefasst sind.

Der Preis für die Inferenz im Gonka-Netzwerk hängt nicht von der Modellwahl ab, sondern wird durch Netzwerkparameter bestimmt: Über das JoinGonka Gateway ist MiniMax M2.7 zum gleichen Satz verfügbar wie Kimi K2.6. Der einheitliche Preis ist eine Folge davon, dass das Netzwerk auf einer einheitlichen Berechnung der Kosten für Rechenleistung basiert und nicht auf den Preisen eines bestimmten Anbieters.

Ein Nutzer im Gonka-Netzwerk hat die Wahl zwischen zwei Flaggschiff-Modellen, die beide über eine einheitliche, OpenAI-kompatible Schnittstelle, das JoinGonka Gateway, verfügbar sind. Der folgende Vergleich hilft nicht dabei zu verstehen, „welches besser ist“, sondern für welche Aufgabenprofile das jeweilige Modell optimiert wurde.

Ein wichtiger Hinweis zu Benchmarks im Jahr 2026: Die Lücke zwischen den besten Open-Weights-Modellen bei öffentlichen Tests hat sich auf wenige Prozentpunkte verringert, und dieser Unterschied liegt oft innerhalb der statistischen Fehlermarge der Benchmarks selbst. Für die praktische Arbeit ist nicht die absolute Platzierung im MMLU-Ranking wichtig, sondern der Charakter der Aufgabe: Kontextlänge, Komplexität logischer Ketten, benötigte Sprache, Vorhandensein von Tool Calling.

Praktische Orientierung: Für Aufgaben mit sehr langen Dokumenten und Streaming-Verarbeitung großer Textmengen ist es sinnvoll, MiniMax M2.7 zu testen – die effiziente Attention ihrer Serie ist historisch auf solche Szenarien spezialisiert. Für Reasoning-Aufgaben mit komplexer Logik und langem Kontext sollten die Antworten mit Kimi K2.6 verglichen werden. Die beste Strategie in der Produktion besteht darin, beide Modelle im Code zu halten und per Parameter model zwischen ihnen zu wechseln, ohne die Architektur der Anwendung zu ändern.

Das Hinzufügen von MiniMax M2.7 ist kein „Hochladen einer Datei auf den Server“, sondern das Ergebnis eines Netzwerk-Upgrades, das durch eine on-chain Abstimmung erfolgte. Die Unterstützung des Modells wurde in das Protokoll-Release v0.2.13 aufgenommen, das durch den Vorschlag proposal #54 genehmigt wurde: Er wurde am 21. Mai 2026 angenommen (etwa 63 % der Stimmen „dafür“) und auf einer bestimmten Blockhöhe aktiviert. Dies ist derselbe Governance-Mechanismus, über den das Netzwerk alle wesentlichen Änderungen akzeptiert — von Tarifen bis hin zu neuen Modellen.

Multimodalität ist ein grundlegender Schritt für ein dezentrales Netzwerk. Ein Netzwerk, das an ein einziges Modell gebunden ist, ist fundamental fragil: Die Veröffentlichung einer neuen Modellversion wird zu einer Migrationskrise, und jeder Ausfall des einzigen Modells lässt den gesamten Dienst abstürzen. Ein Netzwerk, das mehrere Modelle gleichzeitig unterstützen kann, entwickelt sich sanft weiter: Neue Modelle werden als zusätzliche „Spuren“ hinzugefügt, alte laufen weiter, und GPU-Hosts haben die Wahl, was sie bedienen. Technisch gesehen lebt jedes Modell in seinem eigenen Netzwerk-Shard — derselbe Mechanismus (DevShards) wurde zuvor für den Start von Kimi K2.6 verwendet.

Eine Nuance der frühen Phasen: Zwischen „Modell ist in der Netzwerkliste erschienen“ und „Modell ist für alle Kunden offen“ kann eine Verzögerung liegen. Anfangs war der inference von MiniMax M2.7 im broker-Modus nur privilegierten Schlüsseln vorbehalten und gab bei normalen Anfragen einen Fehler aus — eine normale Einfahrphase. Ende Mai 2026 wurde der öffentliche Zugriff freigegeben und das Modell wurde für alle Gateway-Kunden verfügbar. Mehr darüber, wie das Netzwerk aufgebaut ist und warum Modelle genau so gestartet werden, finden Sie im Artikel über die Netzwerkarchitektur von Gonka.

Dasselbe MiniMax M2.7 kostet über OpenRouter $0.279/$1.20 pro 1M, im Vergleich zu $0.0047/$0.014 bei JoinGonka.

Der direkteste Weg führt über das JoinGonka API Gateway. Da das Gateway eine OpenAI-kompatible API bereitstellt, funktioniert derselbe Code, der mit GPT, Claude oder Kimi arbeitet, auch mit MiniMax, sobald der Wert des model-Feldes geändert wird.

Minimales Beispiel via curl:

curl https://gate.joingonka.ai/v1/chat/completions \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "MiniMaxAI/MiniMax-M2.7",
    "messages": [
      {"role": "user", "content": "Erkläre kurz, was lineare Attention ist"}
    ]
  }'

Derselbe Request in Python über die openai-Bibliothek:

from openai import OpenAI

client = OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://gate.joingonka.ai/v1",
)

response = client.chat.completions.create(
    model="MiniMaxAI/MiniMax-M2.7",
    messages=[{"role": "user", "content": "Hallo, MiniMax"}],
)
print(response.choices[0].message.content)

Streaming (Server-Sent Events) — für interaktive Interfaces, bei denen die Antwort während der Generierung angezeigt wird:

stream = client.chat.completions.create(
    model="MiniMaxAI/MiniMax-M2.7",
    messages=[{"role": "user", "content": "Schreibe ein kurzes Essay über langen Kontext"}],
    stream=True,
)
for chunk in stream:
    delta = chunk.choices[0].delta.content
    if delta:
        print(delta, end="", flush=True)

Bei der Registrierung im JoinGonka Gateway erhalten Sie kostenlose 1.5M Token zum Testen beliebiger Netzwerkmodelle — das reicht aus, um alle drei Netzwerkmodelle mit Ihren eigenen Aufgaben zu vergleichen.

Kompatibilität mit Entwicklungstools: Alles, was mit der OpenAI API funktioniert, funktioniert auch mit MiniMax über das Gateway. Es reicht aus, den model-Parameter zu ändern:

• Cursor: Geben Sie in den Custom Model-Einstellungen MiniMaxAI/MiniMax-M2.7 an
• Claude Code, Cline, Continue.dev: Modellname in der Konfiguration
• LangChain, n8n: model-Parameter bei der Client-Initialisierung

Die aktuelle Modellliste ist immer über den Endpunkt GET /v1/models verfügbar — von dort aus lassen sie sich bequem dynamisch abrufen, damit die UI Ihrer Anwendung stets das neueste Set anzeigt. Falls als Antwort 429 too many concurrent requests zurückkommt — das ist eine normale Phase für ein neues Modell in der frühen Wachstumsphase des Netzwerks: wiederholen Sie die Anfrage einfach nach ein paar Sekunden.

Die Verfügbarkeit von drei Modellen in einem Netzwerk ist wertvoll, da man für verschiedene Aufgaben unterschiedliche Werkzeuge auswählen kann, ohne den Provider oder den Integrationscode zu wechseln. Hier sind Szenarien, in denen es sinnvoll ist, das Testen mit MiniMax M2.7 zu beginnen.

Analyse langer Dokumente. Wenn die Aufgabe die Zusammenfassung von Verträgen, die Analyse technischer Dokumentationen oder die Verarbeitung umfangreicher juristischer oder finanzieller Texte ist, ist die effiziente Attention der M-Serie historisch darauf ausgelegt, langen Kontext ohne sprunghaften Kostenanstieg beizubehalten. Übergeben Sie das Dokument vollständig in einer einzigen Anfrage und bitten Sie das Modell, mit dem gesamten Volumen auf einmal zu arbeiten, statt in Stücken.

RAG und Arbeit mit Wissensdatenbanken. In Retrieval-Augmented-Szenarien, bei denen Dutzende Fragmente aus einer Vektordatenbank in den Kontext gemischt werden, wirkt sich die Fähigkeit des Modells, viele heterogene Textstücke zu halten, direkt auf die Antwortqualität aus. Dies ist eine natürliche Nische für Modelle mit langem Kontext.

Verarbeitung von Transkripten und Logs. Gesprächsprotokolle, lange Support-Dialoge, Streaming-Logs — Aufgaben, bei denen das Eingangsvolumen groß ist, die Antwort aber normalerweise kurz ausfällt. Hier stört das Output-Limit von 8.192 Token nicht: Der Input ist groß, der Output ist eine Zusammenfassung oder extrahierte Fakten.

Wann man ein anderes Modell wählen sollte. Derzeit liefern alle Modelle im Netzwerk bis zu 8.192 Token pro Antwort. Wenn Ihre Anwendung also eine sehr lange Antwort pro Anfrage benötigt (ein großes generiertes Dokument, ein umfangreiches Code-Stück), planen Sie dieses Gesamtlimit in Ihre Architektur ein und unterteilen Sie die Generierung in Teile. Für Aufgaben mit komplexen, mehrstufigen Überlegungen lohnt es sich, die Antworten mit Kimi K2.6 zu vergleichen. Ein allgemeiner Rat: Führen Sie denselben Satz Ihrer realen Anfragen durch beide Modelle und vergleichen Sie die Ergebnisse — die kostenlosen 1.5M Token bei der Registrierung reichen für den ersten Vergleichslauf.

Technisch gesehen ist der Wechsel zwischen Modellen nur die Änderung einer Zeile im model-Feld. Daher wählt eine intelligente App-Architektur im Gonka-Netzwerk nicht „ein Modell für immer“, sondern erlaubt das Routing von Anfragen zwischen Kimi K2.6 und MiniMax M2.7 je nach Aufgabentyp — günstiger Inference macht ein solches Routing wirtschaftlich rentabel.