1. 问题与动机
论文直面 agent 时代的两个真实障碍：(i) 效率瓶颈——长 horizon 的 agent 工作流（代码 PR 全流程、网页导航、工具编排）动辄包含上百步 reasoning-action，训练侧 rollout 时间长得吓人，推理侧 token 与算力消耗失控；(ii) 任务复杂度——production 级 agent 部署面对的是高 stakes 任务（生产级软件工程、知识密集的办公自动化），既要稳定执行又要可验证。
MiniMax 团队的判断是：agent 时代需要的不再是"更大的稠密模型"，而是要在"激活参数 / 总参数"维度做大胆的非对称——保留万亿级的知识容量，但每个 token 只激活很小一部分，把推理成本压到 line-rate 可负担的范围。同时整套 RL 训练栈必须 agent-native——能优化几十到几百步的稀疏奖励轨迹，并且 system 层面足够稳定以承受 long-horizon rollout。这两条诉求决定了 M2 的全部架构选择。
2. 方法详解
模型架构：229.9B 总参数、单 token 激活 9.8B。MoE 路由用 256 个细粒度专家 + 每 token 8 个专家、sigmoid gating（不是 softmax）并附 per-expert learnable bias——sigmoid 让 router 更稀疏、激活更可控。Attention 这一层做了大量消融，最终选择放弃 hybrid sliding window，所有层都用 full multi-head（48 query head + 8 KV head 的 GQA）。原因披露得很明确：滑窗变体在 >32K 的复杂多跳推理上"出现了清晰的能力赤字"，长上下文 agent 任务承担不起这种局部性折损。62 层 decoder-only，原生 192K 上下文窗口；额外训练了 MTP（Multi-Token Prediction）模块用于 speculative decoding。
预训练数据：29.2T tokens，覆盖代码、数学、STEM、网页、书籍。后训练分五大类：(1) Agentic coding 通过 GitHub PR pipeline 采集 SWE 任务、AppDev 用专家在环合成；(2) Terminal-Gym 基于 Stack Overflow 自动合成可验证终端任务；(3) Agentic cowork 包含网页调研、办公、财务分析、幻灯片生成；(4) 高强度推理任务；(5) 通用对话与角色扮演。所有 agentic 轨迹都绑定到可执行环境，奖励对齐 artifact（PR 是否过 CI、表格是否数值正确、幻灯片是否被采纳）。
Forge RL 系统——这是论文最有工业意义的部分。三大设计平衡 throughput / 稳定性 / agent 灵活度：
- Windowed FIFO 调度：在任务队列上开 W = 0.3N 的滑动窗，避免 strict FIFO 因 straggler 拖累整批 rollout，又比 greedy 调度更好维持分布一致性；
- Prefix tree merging：共享前缀只前向一次再分叉到各分支响应，"训练侧速度提升最高 40×"且无近似误差；
- Heterogeneous prefill-decode 拆分 + 全局 L3 KV cache pool：把 prefill / decode 阶段路由到异构硬件，KV 复用跨 rollout。
训练算法用 CISPO（Clipped Importance Sampling PO）：非对称剪裁（下界 0、上界 1+ε）、对权重做 stop-gradient、advantage 用带轨迹基线的 reward-to-go。奖励是复合的：process reward（密集行为反馈）+ 任务完成时间奖励（鼓励快）+ 终态结果奖励。
3. 核心技术贡献
- Agent-driven 数据流水线：把 agent 训练数据生产本身做成了 agent 系统——可执行 workspace 自动跑通候选轨迹，按 artifact 是否符合奖励来过滤。这解决了"agent 数据无法人工标注"的死结：合成而非众包，验证而非主观打分。
- Forge 这套 RL 基础设施：windowed-FIFO + prefix-tree merging 都是非常工程化的发明，针对的是 agent 训练独有的痛点（轨迹长度不齐、共享 system prompt 的高重叠率）。论文给出的 40× 加速不是炫技数字，而是让 long-horizon RL 从"算力黑洞"变成"日常迭代"的关键。
- 9.8B 激活 + 229.9B 总参的非对称设计：在 agentic coding、cowork、reasoning 三大评测集合上接近闭源前沿。这条架构线（小激活换最大现实智能）直接对 agent 部署的成本/延迟方程友好。
- Self-evolution（M2.7）：模型自主分诊失败 run、自动编辑 agent scaffold，承担 30%–50% 的迭代工作量。是 agent 自我改进闭环的早期工业落地之一。
4. 实验结果分析
具体数字（已贴对照基线）：
- Agentic Coding：SWE-bench Pro 56.2（Opus 4.6 57.3、GPT 5.4 57.7），SWE-bench Multilingual 76.5（Opus 4.6 77.8），Terminal-Bench 2.0 57.0；
- Agentic Cowork：MM Claw 62.7、BrowseComp 77.8、GDPval-AA 50.0、Toolathlon 46.3；
- Reasoning & Knowledge：AIME 2026 94.2、GPQA-Diamond 89.8。
读出几个关键信号：第一，~10B 激活的 M2.7 在 SWE-bench Pro / Multilingual 上与 Opus 4.6、GPT 5.4 这种闭源前沿的差距压到 1–2 个点以内，对 agent 长链任务这是"可用"门槛被打穿的标志；第二，BrowseComp 77.8 这种网页 deep research 类任务表现强，说明 agent-driven 数据 + Forge RL 学到的策略迁移到 web navigation/agentic search 有效；第三，AIME 2026 94.2 / GPQA-Diamond 89.8 表明 MoE 小激活并没有牺牲 reasoning 上限，反而通过 long-horizon RL 拿到了稳定的复杂推理能力。论文没披露的关键消融是 Forge 三组件各自贡献多少，但 prefix-tree merging "40× 训练加速"这个数字本身就告诉读者瓶颈在哪。
5. 局限与未来方向
作者自己披露的局限有四：(1) hybrid sliding-window attention 的尝试在 >32K 长上下文显著掉点，这条路被堵死，目前只能靠 full attention 撑 192K 上下文；(2) linear / sparse attention 的工程基础设施"尚不成熟"，特别是低精度存储敏感、缺乏原生 prefix caching 支持；(3) 用来选 attention 设计的 proxy metric 可能不在更大规模/未见任务上成立；(4) Self-evolution 目前只在团队内部受控基础设施里跑，外推到多样部署环境的泛化性未知。
未明说但值得注意的：模型卡里没披露具体 FLOPs / 美元成本数字，只能从 9.8B 激活反推；Forge 没开源，外界要复现 prefix-tree merging 还要自己搭。
6. 工业实践意义
对搜索/推荐工程团队，这篇有三层直接价值：
架构层：MoE 的"小激活 + 大总参"在 agent 长链场景几乎是显然胜出的设计——9.8B 激活意味着推理 latency / 显存 / GPU 数量都对 long-horizon agent 工作流友好。如果你正在选 agent base model，M2 是目前开源里最对齐这个方向的；用作蒸馏 teacher 或 LoRA 起点都有性价比。
训练范式：Forge 暴露的两个工程 trick——windowed-FIFO 调度和 prefix-tree merging——是任何自建 agent RL pipeline 的低垂果实。社区搜索 / 短文本搜索做"多轮澄清 + 多工具调用"agent 训练时，rollout 长度天然不齐（容易 query 1 步出答案、难 query 10 步），strict FIFO 会被 straggler 拖死，greedy 又会偏样本分布；windowed-FIFO 的 W = 0.3N 是个很务实的默认值，可以直接迁移。Prefix-tree merging 在 system prompt 重叠率高的场景（同一个搜索 agent 不同 query 共享大段指令）能拿到接近论文级的加速。
部署考虑：MTP speculative decoding + heterogeneous prefill-decode + 全局 KV cache pool 这套组合，是 agent serving 落地必读。论文还披露一个细节：搜索工具在 context 用量超过 30% 时主动 drop 旧 assistant 回复——这是 production agent 维持长 horizon 上下文管理的实用规则，可以直接搬到自家 agent 上线规范里。
最后一个忠告：论文 self-evolution 部分（M2.7 自动 triage 失败 run）虽然让人兴奋，但目前还只在 MiniMax 内部跑，外部团队短期内还是把它当作"未来方向"而不是"现在抄"更稳。