稀宇科技于3月18日发布了新一代Agent旗舰大模型M2.7，首次展示了“模型自我进化”的路径。该模型通过构建Agent Harness体系，据称能够使模型深度参与自身训练与优化流程。在部分研发场景中，M2.7可以承担约30%至50%的工作量，并在内部测试中实现了约30%的效果提升。
在SWE-Pro中，涵盖多种编程语言的测试，M2.7以56.22%的正确率与GPT-5.3-Codex持平；在代码生成基准VIBE-Pro上，M2.7得分55.6%，接近Opus 4.6的水平。
以下是官方详细介绍：
M2.7具备构建复杂Agent Harness的能力，利用Agent Teams、复杂Skills、Tool Search tool等，完成高度复杂的生产力任务。例如，在研发M2.7的过程中，通过模型构建强化学习Harness中的数十个复杂Skills，更新自己的记忆，驱动模型的强化学习，并根据结果优化强化学习过程和Harness，开启模型自我进化。
M2.7在真实软件工程中表现出色，包括端到端的项目交付、分析日志排查Bug、代码安全以及机器学习等。在SWE-Pro基准测试中，M2.7得分56.22%，几乎达到Opus最佳水平。这一能力同样在端到端项目交付场景（VIBE-Pro 55.6%）和复杂工程系统理解（Terminal Bench 2 57.0%）中得以体现。
在专业办公领域，M2.7在各领域的专业知识和任务交付能力方面得到了提升，其在GDPval-AA评测中的ELO得分是1495，为开源最高。M2.7在处理Excel、PPT和Word等办公软件的复杂编辑任务上表现出色，能够高效完成多轮修改和高保真的编辑。M2.7在使用40个复杂Skills（超过2000 Token）的情况下，保持了97%的Skills遵循率。在OpenClaw测试中，M2.7相比M2.5有了显著提升，接近Sonnet 4.6的水平。
M2.7具备优秀的身份保持能力和情商，除了生产力使用外，还为互动娱乐场景的创新提供了空间。
基于上述能力，M2.7在加速公司向AI原生组织的进化过程中发挥了关键作用。
01、智能体自我进化能力构建
我们分享了M2系列模型自我进化的内部实践，这是对模型Agent能力边界探索的一部分。
Agent Harness通常依赖复杂的Skills、记忆系统和其他组件来提升模型对不同工作环境的适应能力。在此基础上，我们在M2的早期版本中将其引导为一个研究型Agent框架——它可以与不同的研究项目组进行交互和协作。该系统覆盖了数据流水线、训练环境、评测基础设施、跨团队协作、持久化记忆——让研究员可以驱动它来交付更好的模型。研究Agent驱动着下一代模型的迭代循环。研究员在每一层引导方向，模型在每一层负责构建。
以一个RL场景为例：研究员从一个实验想法出发，与Agent展开讨论。Agent协助进行文献调研，持续跟踪预设的实验规格，完成数据流水线及其他对接工作，并启动实验。实验运行期间，它会自动监控和分析实验状态，并自动触发日志读取、问题排查、指标分析、代码修复、合并请求以及冒烟测试，识别并配置那些细微但关键的变更。这些工作过去可能需要来自不同团队的多位同事协作完成，而现在研究员只需在关键决策和讨论时介入。这大幅加速了问题发现和实验迭代，从而更快地交付结果。M2.7在这样的场景中可以承担约30%至50%的工作量，并在内部测试中实现了约30%的效果提升。
在Office场景中，Agent变得越来越有用，我们认为这是两个核心能力：
专业知识与任务交付能力。模型需要具备各领域的专业知识，理解用户的需求。在衡量这一能力的GDPval-AA评测中，M2.7在45个模型中的ELO得分为1500，仅次于Opus 4.6、Sonnet 4.6和GPT5.4，超过了GPT5.3。在最常见的办公文件处理上，我们系统性地优化了模型处理Word、Excel和PPT的能力。M2.7在各种Agent Harness上，既能够基于模板和Skills直接生成文件，也能够遵从用户的交互指令，对已有的文件做多轮的高保真编辑，最终给出可编辑的产物。
与复杂环境的交互能力。泛化的日常场景意味着模型需要灵活适应各类上下文、调用各种Skills和工具，并在长程交互中保持稳定的指令遵循。M2.7在这些方面有大幅提升。在Toolathon上，M2.7的正确率达到了46.3%，达到了全球第一梯队水平。真实工作场景中的Agent Harness往往也需要理解和调用大量复杂的Skills。在MM-Claw测试中，M2.7在40个复杂Skills（超过2000 Token）的case上，仍能保持97%的Skills遵循率。
我们测试了在Finance领域的专业水准，与上代模型相比，模型的能力提升显著。例如，在Finance领域一个阅读研报并建模公司未来营收的场景，M2.7可以自主阅读公司的年报与业绩沟通会纪要，交叉比对多篇研报，独立设计假设并构建营收预测模型，再基于模版产出PPT和研究报告——像一个初级分析师一样理解、判断、输出，并在多轮交互中自我修正。从业者的评价是：产出物已经可以作为初稿直接进入后续工作流程。
最近以OpenClaw为代表的Agent社区蓬勃发展，我们很高兴看到M2系列模型帮助到了社区的繁荣。我们基于OpenClaw中的常用任务，构建了一个评测集MM-Claw，涵盖个人学习规划，到办公文档的处理与交付、定时的专业信息调研与投资建议、代码开发与维护等工作与生活中形形色色的真实需求。M2.7在这个测试中达到了接近Sonnet 4.6的水平，正确率是62.7%。
在OpenClaw等Agent脚手架的使用过程中，不少用户在使用Agent完成工作的同时，还希望模型具备比较高的情商和复杂人设保持能力。在有人设的情况下，用户不再只是让模型机械完成任务，而是开始自然于与Agent“相处”。这促使我们思考，产品与交互设计、内容创作、甚至娱乐体验的构建，都可以被AI原生驱动的可能性。我们认为这会让Agentic模型的使用从单纯的生产力能进一步拓展到互动娱乐。为此，我们在M2.7中极大加强了人设保持和对话能力。
02、真实的软件工程
基于此，我们构建了一个Agent交互系统OpenRoom，它将AI互动置入一个万物皆可互动的Web GUI空间。在这里，对话即驱动，实时产生视觉反馈与场景交互，角色可以主动地与环境交互。我们认为这个框架扩展性较高，能够随着模型Agentic能力的提升和社区的共建持续进化，探索出更多人与Agent之间全新的交互方式。
以线上最常见的线上生产环境故障调试为例 —— 这类任务不仅需要生成代码，还需要很强的综合推理能力。面对我们实际的生产环境告警，M2.7 能关联监控指标与部署时间线做因果推理，对轨迹采样做统计分析并提出精准假设，主动连接数据库执行验证根因，定位到代码仓库中缺失的索引迁移文件，甚至知道用非阻塞建索引先止血，再提 MR。
从可观测性分析、数据库专业知识到 SRE 级别的决策判断 —— 这不只是一个会写代码的模型，而是一个真正理解生产系统的模型。相比传统的人工排障流程，基于 M2.7，我们已多次将线上生产系统故障的恢复时间缩短到三分钟以内。
在单项编程能力上，M2.7 已具备国际一线模型水准。在涵盖多种编程语言的 SWE-Pro 中，M2.7 以 56.22% 的正确率追平 GPT-5.3-Codex；而在更贴近真实工程场景的 SWE Multilingual（76.5）和 Multi SWE Bench（52.7）中展现出更显著优势。
这一能力同样延伸到了端到端的完整项目交付场景。在 Repo 级代码生成基准 VIBE-Pro 上，M2.7 得分 55.6%，几乎与 Opus 4.6 持平 —— 这意味着无论是 Web、Android、iOS 还是 Simulation 类需求，都可以直接交给 M2.7 完成。
更值得关注的，是对复杂工程系统的深层理解。在对系统认知要求极高的 Terminal Bench 2（57.0%）和 NL2Repo（39.8%）中，M2.7 同样表现稳健，进一步印证了它不只擅长代码生成，更能深入理解软件系统的运行逻辑与协作流程。
为了提升开发效率，一个比较重要的特性是原生的 Agent Teams （多智能体协作）。Agent Teams 对模型提出了范式级要求：角色边界、对抗性推理、协议遵循、行为分化 —— 这些无法通过提示词，必须内化为模型的原生能力。
Agent Teams 场景下，模型需要稳定锚定角色身份、主动挑战队友的逻辑与伦理盲区、在复杂状态机中自主决策。下面是我们内部使用的一个做产品原型开发的 Agent Teams，里面包含了做产品原型的一个最小组织。
Agent Teams 协作模拟演示
03、专业办公
除了软件工程外，Agent 开始在办公场景中变得越来越有用，我们认为这是两个核心能力：
专业知识与任务交付能力。模型需要具备各领域的专业知识，理解用户的需求。在衡量这一能力的 GDPval-AA 的评测中，M2.7 在 45 个模型中的 ELO 得分是 1500，仅次于 Opus 4.6、Sonnet 4.6 和 GPT5.4，超过了 GPT5.3。在最常见的办公文件处理上，我们系统性地优化了模型处理 Word、Excel 和 PPT 的能力。M2.7 在各种 Agent Harness 上，既能够基于模版和 skills 直接生成文件，也能够遵从用户的交互指令，对已有的文件做多轮的高保真编辑，最终给出可编辑的产物。
与复杂环境的交互能力。泛化的日常场景意味着模型需要灵活适应各类上下文、调用各种 skills 和工具、并在长程交互中保持稳定的指令遵循。M2.7 在这些方面有大幅提升。在 Toolathon 上，M2.7 的正确率 46.3%，达到了全球第一梯队水平。真实工作场景中的 Agent Harness 往往也需要理解和调用大量复杂的 skills。在 MM-Claw 的测试中，M2.7 在 40 个复杂 skills (> 2000 Token) 的 case 上，仍能保持 97% 的 skills 遵循率。
我们测试了在 Finance 领域的专业水准，与上代模型相比，模型的能力提升显著。例如，在 Finance 领域一个阅读研报并建模公司未来营收的场景，M2.7 可以自主阅读公司的年报与业绩沟通会纪要，交叉比对多篇研报，独立设计假设并构建营收预测模型，再基于模版产出 PPT 和研究报告 —— 像一个初级分析师一样理解、判断、输出，并在多轮交互中自我修正。从业者的评价是：产出物已经可以作为初稿直接进入后续工作流程。
下面是一个关于台积电的例子。
任务：基于台积电年报和业绩沟通会信息，构建台积电的营收模型，读取多个研报，设计对应的假设，基于最新的信息对台积电营收建模，然后基于 PPT 模版产出 PPT ，并写一个 Word 文档研究报告和 Excel 图表。
① PPT 报告演示
② Word 调研报告
最近 OpenClaw 爆火为代表的 Agent 社区蓬勃发展，我们很高兴看到 M2 系列模型帮助到了社区的繁荣。我们基于 OpenClaw 中的常用任务，构建了一个评测集 MM-Claw，涵盖个人学习规划，到办公文档的处理与交付、定时的专业信息调研与投资建议、代码开发与维护等工作与生活中形形色色的真实需求。M2.7 在这个测试中达到了接近 Sonnet 4.6 的水平，正确率是 62.7%。
04、互动娱乐
在 OpenClaw 等 Agent 脚手架的使用过程中，不少用户在使用 Agent 完成工作的同时，还希望模型具备比较高的情商和复杂人设保持能力。在有人设的情况下，用户不再只是让模型机械完成任务，而是开始自然于与 Agent “相处”。这促使我们思考，产品与交互设计、内容创作、甚至娱乐体验的构建，都可以被 AI 原生驱动的可能性。我们认为这会让 Agentic 模型的使用从单纯的生产力能进一步拓展到互动娱乐。为此，我们在 M2.7 中极大加强了人设保持和对话能力。
基于此，我们构建了一个 Agent 交互系统 OpenRoom，它将 AI 互动置入一个万物皆可互动的 Web GUI 空间。在这里，对话即驱动，实时产生视觉反馈与场景交互，角色可以主动地与环境交互。我们认为这个框架扩展性较高，能够随着模型 Agentic 能力的提升和社区的共建持续进化，探索出更多人与 Agent 之间全新的交互方式。