MiniMax M2.7: model jaringan Gonka

MiniMax M2.7 adalah model bahasa besar (LLM) dari perusahaan MiniMax, yang berbasis di Shanghai. MiniMax didirikan pada tahun 2021 oleh tim peneliti yang dipimpin oleh Yan Junjie (sebelumnya bekerja di SenseTime) dan dengan cepat menjadi salah satu lab AI terkemuka di Tiongkok. Perusahaan telah menarik pendanaan dari Alibaba, Tencent, dan HongShan – lingkaran investor strategis yang sama yang mendukung “macan AI Tiongkok” lainnya, termasuk Moonshot AI, pengembang Kimi K2.6.

Di luar model bahasa murni, MiniMax dikenal dengan produk konsumennya: asisten chat Talkie dan Hailuo, serta salah satu generator video paling menonjol di industri. Namun untuk jaringan Gonka, seri model teks dari seri M — penerus model abab sebelumnya — yang penting.

Ciri arsitektur utama dari seri M adalah fokus pada mekanisme perhatian yang efisien. Jika model besar awal menggunakan perhatian kuadrat klasik (biaya komputasi meningkat secara proporsional dengan kuadrat panjang konteks), MiniMax adalah salah satu yang pertama meluncurkan perhatian linier hibrida ke publik. Ini memungkinkan pemrosesan urutan yang sangat panjang tanpa peningkatan biaya komputasi yang meledak — kartu nama historis dari lini ini. Seperti Qwen3-235B dengan Kimi K2.6, model ini dibangun di atas arsitektur MoE (Mixture of Experts): ratusan miliar parameter “di atas kertas”, tetapi hanya sebagian kecil darinya yang diaktifkan untuk setiap permintaan, yang secara radikal mengurangi biaya inference.

Dalam jaringan Gonka, model diidentifikasi sebagai MiniMaxAI/MiniMax-M2.7 — inilah string yang perlu diteruskan di bidang model dari permintaan API. Versi M2.7 adalah iterasi terbaru dari seri M pada saat artikel ini diterbitkan.

Penting untuk membedakan karakteristik model "apa adanya" (out-of-the-box) dengan karakteristik saat model tersebut disebarkan dalam jaringan tertentu. Ketika model beroperasi di jaringan terdesentralisasi Gonka, parameter kerjanya ditentukan oleh konfigurasi vLLM-inferenced di sisi host GPU, bukan hanya oleh arsitektur model. Berikut adalah nilai aktual yang diberikan oleh Gateway kami:

• Jendela konteks: 200.000 token (sekitar 150.000 kata). Ini adalah konfigurasi subnet di jaringan Gonka. Arsitektur MiniMax sendiri mendukung konteks yang jauh lebih panjang, namun batas praktis setiap saat ditentukan oleh pengaturan inferenced pada host.
• Output maksimal: 8.192 token per respons. Angka ini diukur secara empiris — melalui permintaan dengan pembuatan teks panjang paksa yang mencapai batas (finish_reason: length). Saat ini, batas ini sama untuk semua model di jaringan — hingga 8.192 token. Ini bukan batasan dari model itu sendiri, melainkan konfigurasi subnet vLLM.
• Kebutuhan VRAM host: sekitar 320 GB VRAM per node. Ini adalah kebutuhan tipikal untuk model MoE besar dalam kuantisasi FP8 — 320 GB yang sama juga diperlukan untuk Kimi K2.6. Dalam praktiknya, ini berarti beberapa GPU kelas H100/H200 yang digabungkan menjadi satu node.

Harga inferenced di jaringan Gonka tidak bergantung pada pilihan model dan ditentukan oleh parameter jaringan: melalui JoinGonka Gateway, MiniMax M2.7 tersedia dengan tarif yang sama seperti Kimi K2.6. Harga yang terpadu ini adalah konsekuensi dari jaringan yang didasarkan pada perhitungan biaya tunggal untuk pekerjaan komputasi, bukan berdasar daftar harga vendor tertentu.

Pengguna jaringan Gonka memiliki pilihan antara dua model unggulan, dan keduanya dapat diakses melalui antarmuka tunggal yang kompatibel dengan OpenAI, JoinGonka Gateway. Perbandingan di bawah ini membantu memahami bukan tentang "mana yang lebih baik", melainkan untuk profil tugas seperti apa masing-masing model dioptimalkan.

Catatan penting mengenai benchmark pada tahun 2026: kesenjangan antara model open-weights teratas dalam pengujian publik telah menyusut ke angka persentase tunggal, dan perbedaan ini sering kali berada dalam margin kesalahan statistik dari benchmark itu sendiri. Untuk kebutuhan praktis, yang penting bukanlah posisi absolut dalam peringkat MMLU, melainkan sifat tugasnya: panjang konteks, kompleksitas rantai logika, bahasa yang diperlukan, serta keberadaan tool calling.

Panduan praktis: untuk tugas dengan dokumen yang sangat panjang dan pemrosesan streaming volume teks yang besar, disarankan untuk menguji MiniMax M2.7 — perhatian efisien dari serinya secara historis memang dirancang untuk skenario tersebut. Untuk tugas reasoning dengan logika kompleks dan konteks panjang, ada baiknya membandingkan responsnya dengan Kimi K2.6. Strategi terbaik dalam produksi adalah menyimpan kedua model dalam kode dan beralih di antara keduanya menggunakan parameter model tanpa mengubah arsitektur aplikasi.

Penambahan MiniMax M2.7 bukanlah "pengunggahan file ke server", melainkan hasil dari peningkatan jaringan yang telah melalui pemungutan suara on-chain. Dukungan model telah dimasukkan dalam rilis protokol v0.2.13, yang disetujui oleh proposal #54: disahkan pada 21 Mei 2026 (sekitar 63% suara "setuju") dan diaktifkan pada tinggi blok yang ditentukan. Ini adalah mekanisme tata kelola yang sama yang digunakan jaringan untuk menerima perubahan signifikan apa pun — mulai dari tarif hingga model baru.

Multimodalitas untuk jaringan terdesentralisasi adalah langkah yang sangat penting. Jaringan yang terikat pada satu model secara fundamental rapuh: rilis versi model baru berubah menjadi krisis migrasi, dan kegagalan apa pun pada model tunggal akan meruntuhkan seluruh layanan. Jaringan yang mampu menangani beberapa model secara bersamaan berevolusi dengan lancar: model baru ditambahkan sebagai "jalur" tambahan, model lama terus bekerja, dan host GPU mendapatkan pilihan layanan apa yang akan dijalankan. Secara teknis, setiap model berada di shard jaringannya sendiri — mekanisme yang sama (DevShards) sebelumnya digunakan untuk menjalankan Kimi K2.6.

Nuansa terpisah dari tahap awal: bisa ada jeda antara "model muncul di daftar jaringan" dan "model terbuka untuk semua klien". Pada awalnya, inferensi MiniMax M2.7 dalam mode broker hanya tersedia untuk kunci khusus dan memberikan error untuk permintaan biasa — fase penyesuaian yang normal. Menjelang akhir Mei 2026, akses publik dibuka dan model tersebut menjadi tersedia bagi semua klien Gateway. Detail lebih lanjut tentang bagaimana jaringan disusun dan mengapa model diluncurkan dengan cara ini ada dalam artikel tentang arsitektur jaringan Gonka.

MiniMax M2.7 yang sama melalui OpenRouter dihargai $0.279/$1.20 per 1M token, dibandingkan dengan $0.0047/$0.014 di JoinGonka.

Cara termudah adalah melalui JoinGonka API Gateway. Karena Gateway menyediakan API yang kompatibel dengan OpenAI, kode yang sama yang berfungsi untuk GPT, Claude, atau Kimi akan langsung bekerja dengan MiniMax setelah mengubah nilai pada field model.

Contoh minimal menggunakan 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": "Jelaskan secara singkat apa itu linear attention"}
    ]
  }'

Permintaan yang sama menggunakan Python melalui library openai:

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": "Halo, MiniMax"}],
)
print(response.choices[0].message.content)

Streaming (Server-Sent Events) — untuk antarmuka interaktif di mana respons ditampilkan saat sedang dibuat:

stream = client.chat.completions.create(
    model="MiniMaxAI/MiniMax-M2.7",
    messages=[{"role": "user", "content": "Tulis esai singkat tentang konteks panjang"}],
    stream=True,
)
for chunk in stream:
    delta = chunk.choices[0].delta.content
    if delta:
        print(delta, end="", flush=True)
Saat melakukan pendaftaran di JoinGonka Gateway, Anda mendapatkan gratis 1.5M token untuk mencoba model apa pun di jaringan — ini cukup untuk membandingkan ketiga model jaringan tersebut pada tugas-tugas Anda sendiri.
Kompatibilitas dengan alat pengembangan: semua yang berfungsi dengan OpenAI API juga berfungsi dengan MiniMax melalui Gateway. Cukup ubah parameter model:
Cursor: pada pengaturan Custom Model, masukkan MiniMaxAI/MiniMax-M2.7
Claude Code, Cline, Continue.dev: nama model di file konfigurasi
LangChain, n8n: parameter model saat inisialisasi client
Daftar model yang aktif selalu tersedia di endpoint GET /v1/models — di sana Anda dapat menariknya secara dinamis agar UI aplikasi Anda selalu menampilkan pilihan terbaru. Jika mendapat respons 429 too many concurrent requests — ini fase normal untuk model baru di tahap awal pertumbuhan jaringan: ulangi permintaan setelah beberapa detik.

Memiliki tiga model dalam satu jaringan sangat berharga karena Anda bisa memilih alat yang berbeda untuk tugas yang berbeda tanpa mengubah penyedia layanan atau kode integrasi. Berikut adalah skenario di mana sebaiknya memulai pengujian dengan MiniMax M2.7.

Analisis dokumen panjang. Jika tugasnya adalah meringkas kontrak, membedah dokumentasi teknis, atau memproses teks hukum/keuangan yang besar, attention efisien dari seri M secara historis dirancang untuk menangani konteks panjang tanpa kenaikan biaya yang drastis. Berikan dokumen secara utuh dalam satu permintaan dan minta model untuk mengerjakan seluruh volume, bukan potongan per potongan.

RAG dan bekerja dengan basis pengetahuan. Dalam skenario retrieval-augmented, di mana puluhan fragmen dari basis vektor dicampur ke dalam konteks, kemampuan model untuk menahan banyak potongan teks yang berbeda secara langsung memengaruhi kualitas respons. Ini adalah ceruk alami untuk model dengan konteks panjang.

Pemrosesan transkrip dan log. Transkrip panggilan, dialog dukungan panjang, log streaming — tugas di mana volume input besar tetapi respons biasanya singkat. Di sini, batas output 8.192 token tidak menjadi masalah: inputnya banyak, outputnya berupa ringkasan atau fakta yang diekstraksi.

Kapan harus memilih model lain. Saat ini, semua model jaringan menghasilkan hingga 8.192 token dalam satu respons, jadi jika aplikasi Anda memerlukan respons yang sangat panjang dalam satu permintaan (dokumen besar yang dibuat, potongan kode yang bervolume besar) — pertimbangkan batas total ini dalam arsitektur dan pecah proses pembuatan menjadi beberapa bagian. Untuk tugas dengan penalaran multi-langkah yang kompleks, bandingkan respons dengan Kimi K2.6. Saran umum: jalankan rangkaian permintaan nyata Anda yang sama melalui kedua model dan bandingkan hasilnya — 1.5M token gratis saat pendaftaran cukup untuk uji perbandingan pertama.

Secara teknis, beralih antar model hanyalah mengganti satu baris pada field model. Oleh karena itu, arsitektur aplikasi yang cerdas di jaringan Gonka tidak "memilih satu model selamanya", tetapi memungkinkan perutean permintaan antara Kimi K2.6 dan MiniMax M2.7 tergantung pada jenis tugas — inference yang murah membuat perutean seperti ini ekonomis dan menguntungkan.