MiniMax-M2.7 - comment l'exécuter localement

Exécutez localement le LLM MiniMax-M2.7 sur votre propre appareil !

MiniMax-M2.7 est un nouveau modèle open source pour les cas d’usage de codage agentique et de chat. Le modèle atteint des performances SOTA sur SWE-Pro (56,22 %) et Terminal Bench 2 (57,0 %).

Le 230B de paramètres Le modèle (10B actifs) est le successeur de MiniMax-M25 et dispose d’une fenêtre de contexte de 200K fenêtre. Le bf16 non quantifié nécessite 457GBUnsloth Dynamic 4 bits GGUF réduit la taille à 108 Go (-60%) afin qu’il puisse s’exécuter sur un appareil avec 128 Go de RAM appareil: GGUF MiniMax-M2.7

Tous les téléversements utilisent Unsloth Dynamic 2.0 pour des performances de quantification SOTA — ainsi, les couches importantes sont converties vers des bits plus élevés (par ex. 8 ou 16 bits). Merci à MiniMax pour l’accès dès le jour zéro.

Nouveaux benchmarks GGUF de MiniMax-M2.7 disponibles ! Voir ici

⚙️ Guide d’utilisation

La quantification dynamique 4 bits UD-IQ4_XS utilise 108 Go d’espace disque — cela tient parfaitement sur un Mac à mémoire unifiée de 128 Go pour ~15+ jetons/s, et fonctionne aussi plus vite avec un GPU 1x16 Go et 96 Go de RAM pour 25+ jetons/s. 2-bit les quantifications ou le plus grand modèle en 2 bits tiendront sur un appareil de 96 Go.

Pour presque précision complète, utilisez Q8_0 (8 bits) qui utilise 243 Go et tiendra sur un appareil / Mac doté de 256 Go de RAM pour 15+ jetons/s.

Pour de meilleures performances, assurez-vous que votre mémoire totale disponible (VRAM + RAM système) dépasse la taille du fichier du modèle quantifié que vous téléchargez. Si ce n’est pas le cas, llama.cpp peut toujours fonctionner via un déchargement SSD/HDD, mais l’inférence sera plus lente.

Paramètres recommandés

MiniMax recommande d’utiliser les paramètres suivants pour de meilleures performances : temperature=1.0, top_p = 0.95, top_k = 40.

Paramètres par défaut (la plupart des tâches)
température = 1.0
top_p = 0.95
top_k = 40

• Fenêtre contextuelle maximale : 196,608

• Invite système par défaut :

Vous êtes un assistant utile. Votre nom est MiniMax-M2.7 et il a été créé par MiniMax.

Tutoriels pour exécuter MiniMax-M2.7 :

Pour faire fonctionner MiniMax-M2.7 sur un appareil doté de 128 Go de RAM, nous utiliserons la quantification 4 bits UD-IQ4_XS quant. Vous pouvez désormais exécuter MiniMax-M2.7 dans llama.cpp et Unsloth Studio.

N’utilisez PAS CUDA 13.2 pour exécuter un modèle, car cela peut provoquer du charabia ou de mauvais résultats. NVIDIA travaille sur un correctif.

🦥 Exécuter dans Unsloth Studio

MiniMax-M2.7 peut désormais s’exécuter dans Unsloth Studio, notre nouvelle interface web open source pour l’IA locale. Unsloth Studio vous permet d’exécuter des modèles localement sur macOS, Windows, Linux et :

• Rechercher, télécharger, exécuter des GGUF et des modèles safetensor

• Auto-réparation appel d’outils + recherche web

• exécution de code (Python, Bash)

• Inférence automatique réglage des paramètres (temp, top-p, etc.)

• Utilise llama.cpp pour une inférence rapide sur CPU + GPU et le déchargement vers le CPU

1

Installer Unsloth

Exécutez dans votre terminal :

MacOS, Linux, WSL :

curl -fsSL https://unsloth.ai/install.sh | sh

Windows PowerShell :

irm https://unsloth.ai/install.ps1 | iex

2

Lancer Unsloth

MacOS, Linux, WSL et Windows :

unsloth studio -H 0.0.0.0 -p 8888

Puis ouvrez http://localhost:8888 dans votre navigateur.

3

Recherchez et téléchargez MiniMax-M2.7

Au premier lancement, vous devrez créer un mot de passe pour sécuriser votre compte et vous reconnecter plus tard. Vous verrez ensuite un bref assistant d'intégration pour choisir un modèle, un jeu de données et des paramètres de base. Vous pouvez le passer à tout moment.

Vous pouvez choisir UD-IQ4_XS (quantification dynamique 4 bits) ou d’autres versions quantifiées comme UD-Q4_K_XL . Si les téléchargements se bloquent, voir Débogage de Hugging Face Hub et XET

Ensuite, allez dans l’onglet Unsloth Chat onglet et recherchez MiniMax-M2.7 dans la barre de recherche, puis téléchargez le modèle et la quantification souhaités. Le téléchargement prendra un certain temps en raison de la taille, alors veuillez patienter. Pour garantir une inférence rapide, assurez-vous d’avoir suffisamment de RAM/VRAM, sinon l’inférence fonctionnera toujours, mais Unsloth déchargera vers votre CPU.

4

Exécuter MiniMax-M2.7

Les paramètres d’inférence devraient être définis automatiquement lors de l’utilisation d’Unsloth Studio, cependant vous pouvez toujours les modifier manuellement. Vous pouvez aussi modifier la longueur du contexte, le modèle de chat et d’autres paramètres.

Pour plus d’informations, vous pouvez consulter notre guide d’inférence d’Unsloth Studio.

✨ Exécuter dans llama.cpp

N’utilisez PAS CUDA 13.2 pour exécuter un modèle, car cela peut provoquer du charabia ou de mauvais résultats. NVIDIA travaille sur un correctif.

1

Obtenez la dernière version llama.cpp sur GitHub ici. Vous pouvez également suivre les instructions de compilation ci-dessous. Modifiez -DGGML_CUDA=ON à -DGGML_CUDA=OFF si vous n'avez pas de GPU ou si vous souhaitez simplement une inférence CPU. Pour les appareils Apple Mac / Metal, définissez -DGGML_CUDA=OFF puis continuez comme d'habitude - la prise en charge de Metal est activée par défaut.

apt-get update
apt-get install pciutils build-essential cmake curl libcurl4-openssl-dev -y
git clone https://github.com/ggml-org/llama.cpp
cmake llama.cpp -B llama.cpp/build \
    -DBUILD_SHARED_LIBS=OFF -DGGML_CUDA=ON
cmake --build llama.cpp/build --config Release -j --clean-first --target llama-cli llama-mtmd-cli llama-server llama-gguf-split
cp llama.cpp/build/bin/llama-* llama.cpp

2

Si vous souhaitez utiliser llama.cpp directement pour charger des modèles, vous pouvez faire comme ci-dessous : (:IQ4_XS) est le type de quantification. Vous pouvez aussi télécharger via Hugging Face (point 3). C’est similaire à ollama run . Utilisez export LLAMA_CACHE="folder" pour forcer llama.cpp pour l’enregistrer à un emplacement spécifique. N’oubliez pas que le modèle a uniquement une longueur de contexte maximale de 200K.

Suivez ceci pour la plupart des valeurs par défaut cas d'utilisation :

export LLAMA_CACHE="unsloth/MiniMax-M2.7-GGUF"
./llama.cpp/llama-cli \
    -hf unsloth/MiniMax-M2.7-GGUF:UD-IQ4_XS \
    --temp 1.0 \
    --top-p 0.95 \
    --top-k 40

3

Téléchargez le modèle (après avoir installé pip install huggingface_hub hf_transfer). Vous pouvez choisir UD-IQ4_XS (quantification dynamique 4 bits) ou d’autres versions quantifiées comme UD-Q6_K_XL . Nous recommandons d’utiliser notre quantification dynamique 4 bits UD-IQ4_XS pour équilibrer taille et précision. Si les téléchargements se bloquent, voir Débogage de Hugging Face Hub et XET

hf download unsloth/MiniMax-M2.7-GGUF \
    --local-dir unsloth/MiniMax-M2.7-GGUF \
    --include "*UD-IQ4_XS*" # Utilisez "*Q8_0*" pour 8 bits

4

Vous pouvez modifier --threads 32 pour le nombre de threads CPU, --ctx-size 16384 pour la longueur de contexte, --n-gpu-layers 2 pour le déchargement GPU de combien de couches. Essayez de l'ajuster si votre GPU manque de mémoire. Supprimez-le aussi si vous faites une inférence uniquement CPU.

./llama.cpp/llama-cli \
    --model unsloth/MiniMax-M2.7-GGUF/UD-IQ4_XS/MiniMax-M2.7-UD-IQ4_XS-00001-of-00004.gguf \
    --temp 1.0 \
    --top-p 0.95 \
    --top-k 40

🦙 Llama-server et la bibliothèque de complétion d'OpenAI

Pour déployer MiniMax-M2.7 en production, nous utilisons llama-server ou l’API OpenAI. Dans un nouveau terminal, par exemple via tmux, déployez le modèle avec :

./llama.cpp/llama-server \
    --model unsloth/MiniMax-M2.7-GGUF/UD-IQ4_XS/MiniMax-M2.7-UD-IQ4_XS-00001-of-00004.gguf \
    --alias "unsloth/MiniMax-M2.7" \
    --prio 3 \
    --temp 1.0 \
    --top-p 0.95 \
    --min-p 0.01 \
    --top-k 40 \",
    --port 8001

Ensuite, dans un nouveau terminal, après avoir exécuté pip install openai, faites :

from openai import OpenAI
import json
openai_client = OpenAI(
    base_url = "http://127.0.0.1:8001/v1",
    api_key = "sk-no-key-required",
)
completion = openai_client.chat.completions.create(
    model = "unsloth/MiniMax-M2.7",
    messages = [{"role": "user", "content": "Créez un jeu Snake."},],
)
print(completion.choices[0].message.content)

📊 Benchmarks

Benchmarks GGUF

Voici les benchmarks KLD à 99 % pour MiniMax-M2.7. En bas à gauche, c’est meilleur :

Comme MiniMax-M2.7 utilise la même architecture que MiniMax-M2.5, les benchmarks de quantification GGUF pour M2.7 devraient être très similaires à ceux de M2.5. Nous nous référerons donc aussi au benchmark de quantification précédent réalisé pour M2.5 :

Benjamin Marie (tiers) a benchmarké MiniMax-M2.5 en utilisant Quantifications GGUF d’Unsloth sur un suite mixte de 750 invites (LiveCodeBench v6, MMLU Pro, GPQA, Math500), en rapportant à la fois la précision globale et l’augmentation relative de l’erreur (à quel point le modèle quantifié fait plus souvent des erreurs que l’original).

Les quantifications Unsloth, quelle que soit leur précision, fonctionnent bien mieux que leurs équivalents non-Unsloth, tant en précision qu’en erreur relative (malgré une taille inférieure de 8 Go).

Résultats clés :

• Meilleur compromis qualité/taille ici : unsloth UD-Q4_K_XL. C’est le plus proche de l’original : seulement 6,0 points de moins, et « seulement » +22.8% plus d’erreurs que la référence.

• Les autres quantifications Q4 d’Unsloth se tiennent très près (~64,5–64,9 de précision). IQ4_NL, MXFP4_MOEet UD-IQ2_XXS ont pratiquement tous la même qualité sur ce benchmark, avec ~33–35 % plus d’erreurs que l’original.

• Les GGUFs d’Unsloth fonctionnent bien mieux que les autres GGUFs non-Unsloth, par ex. voir lmstudio-community - Q4_K_M (malgré une taille inférieure de 8 Go) et AesSedai - IQ3_S.

Benchmarks officiels