中国AI大模型领域传来新动态，龙头企业MiniMax（稀宇科技）发布自港股上市后的首份半年报，引发行业广泛关注。财报显示，MiniMax业绩表现亮眼，收入同比增长283.1%，半年收入已达2025年全年收入的1.5倍，毛利同比增长464.8%。在财报会上，MiniMax创始人、董事会主席、CEO、CTO闫俊杰透露，8月公司ARR突破8亿美元，B端收入占比达80%，7月Token消耗量是1月的20倍。
闫俊杰在业绩会上提出“只有最小化单位智能成本，才有可能最大化智能水平”的观点，这与行业过往的发展路径形成鲜明反差。过去两年，大模型发展主要有两条路径：一是遵循Scaling law堆参数提升智能，但成本高昂；二是降低效率追求普惠，可智能水平有限。行业似乎默认二者不可兼得，MiniMax却选择了一条看似“反直觉”的道路。
Scaling law曾主导AI发展叙事，参数越大智能越高。目前模型参数已达2 - 3T级别，智能水平显著提升，但推理成本问题日益凸显。英伟达CEO黄仁勋在2026年GTC大会上指出，训练支出作为主要成本驱动因素的时代已结束，推理成为当前工作负载且快速扩张。随着Agent工作负载崛起，AI从一问一答走向多步骤自主执行，单次用户请求背后可能是多次模型调用，行业算力账单呈指数级增长。
在此背景下，行业逐渐分化为两派。一派是以谷歌为代表，追求速度快、成本低的小模型。2026年7月到8月，谷歌一口气推出Gemini 3.7 Flash、Gemini 3.6 Flash、Gemini 3.5 Flash - Lite和Gemini 3.5 Flash Cyber三款轻量化模型。其中3.5 Flash - Lite是3.5系列中速度最快、成本最低的模型，专为高吞吐量工作负载和大型AI代理系统中的较小任务设计，Gemini 3.6 Flash的输出Token使用量比前代减少17%。但谷歌至今未推出旗舰模型Gemini 3.5 Pro，原定于5月I/O大会发布的产品至今未亮相。
另一派是国产大模型厂商，致力于发展大模型。2026年7月，月之暗面发布Kimi K3，参数规模约2.8万亿，是全球参数量最大的开源模型。阿里随后推出Qwen3.8 Max，参数量约2.4万亿；百度文心5.0同样达到2.4万亿参数；DeepSeek V4 - Pro参数量为1.6万亿。这些大模型在智能提升上效果显著，Kimi K3在多项Agent榜单上超越Claude Fable 5和GPT - 5.6 Sol，Qwen3.8 Max被称为“参数规模最大、性能最强的开源模型之一”。然而，成本也随之大幅上涨，Kimi K3的API定价大幅提高，非缓存输入从每百万Token 6.5元涨到20元，输出从27元涨到100元，官方建议采用64张及以上加速卡组成超节点部署，发布仅两天后就宣布暂停C端新用户订阅，将算力投入保障已有用户。
对于成本和智能的难题，MiniMax选择“我全都要”。闫俊杰在财报会上阐述了公司逻辑，算力对每家公司都有限，MiniMax希望通过“最小化推理成本，最大化智能”实现“Intelligence with Everyone”，这是公司一直坚持的技术路线和创业初心。MiniMax对推理有独特理解：推理是制造下一代智能的生产资料，过去认为推理是用模型、训练是造模型，如今合成数据、强化学习的Rollout等核心环节本质都是推理负载，后训练环节在整体训练算力中占比越来越高，推理贯穿训练全过程，其效率决定API定价空间和下一代模型训练程度；推理成本优化是智能迭代的必要条件，算力有物理上限，模型规模持续扩大，若推理成本降不下来，会限制智能提升，在有限算力预算里，有效智能产出决定模型迭代能走多远；用最低单位智能成本追求最高智能水平是同一目标的两面，行业过去习惯将“智能优先”和“成本优先”分开，但推理成本高会使智能无法落地，MiniMax从模型设计第一天就把推理效率作为核心指标贯穿研发周期。
MiniMax遵循这一初心建立了技术底座，最核心的是自研的MSA（稀疏注意力）架构。该架构将百万字长文本的单位Token计算成本压到传统全注意力机制的约1/20，M3在1M上下文下每Token计算量只有上代的1/20。其关键在于总参数量决定模型知识容量上限，激活参数量决定单Token推理成本，二者可解耦，参数规模扩张不一定带来推理成本同比例上涨，所以M3能在价格不变前提下提升智能水平，M3 Pro能做到约3T参数量级同时推进强化学习和长程任务训练。在基础设施层面，MiniMax的ETTR（有效训练时间比例）能做到97%，是国内最早建立规模化、长期稳定算力体系的独立大模型公司之一，通过自主集群、云厂商和TokenFactory合作搭建算力供给网络，现有及规划算力能支撑3T级文本模型和视频模型持续迭代。
在讨论中美大模型差距时，硬件常被提及。过去大家认为谁有更先进芯片制程、更高算力，谁就能做出更好模型，按此逻辑中国AI似乎将长期落后美国。但MiniMax给出了新思路，降低单位智能成本也能推高智能上限，因为后训练、合成数据、强化学习本质是推理负载，推理效率越高，同样算力下能做实验越多，智能天花板就越高。谁能用更低成本产出更高智能，谁就能在有限算力里突破边界，让更高智能融入更广泛生活，这或许是国产大模型参与全球竞争最有希望走通的路，而MiniMax已开始验证。
