MiniMax M2.7: un modelo orientado a la autoevolución e ingeniería de software

MiniMax presenta M2.7, diseñado para operar agentes autónomos, optimizar su propio entorno de ejecución y alcanzar un 56.22% en el benchmark SWE-Pro.

Xiaomi publica la serie MiMo-V2: arquitectura de 1T parámetros, modelo multimodal Omni y motor TTS

Xiaomi lanza tres modelos fundacionales enfocados en la orquestación de agentes: MiMo-V2-Pro (1T parámetros), MiMo-V2-Omni (multimodalidad nativa) y MiMo-V2-TTS. Soportan contextos de 1M de tokens.

Kimi k2.5: Multimodalidad nativa y orquestación paralela mediante Agent Swarm

Moonshot AI libera Kimi k2.5, entrenado con 15T tokens mixtos y una ventana de contexto de 256k. Introduce Parallel-Agent Reinforcement Learning (PARL) para coordinar hasta 100 sub-agentes, reduciendo la latencia de ejecución en tareas complejas mediante paralelismo masivo.

DeepSeek-OCR 2: Arquitectura Visual Causal Flow y codificador basado en LLM

DeepSeek-AI presenta DeepSeek-OCR 2, que incorpora DeepEncoder V2. Este modelo sustituye a CLIP por una arquitectura de lenguaje compacta que reorganiza los tokens visuales mediante un flujo causal, alcanzando un 91,09 % de precisión en OmniDocBench v1.5.

MiniMax M2.1: Modelo MoE de 230B parámetros

MiniMax libera M2.1 con arquitectura Mixture of Experts (10B activos). Supera a Claude Sonnet 4.5 en SWE-bench Verified y presenta OctoCodingBench para evaluar cumplimiento de instrucciones de proceso.