MiniMax是哪家公司的大模型？厂商溯源与实测选型指南

上周技术群里有人甩出一句"minimax是哪家公司的大模型"，底下七八个人接话，答案从"字节的"到"好像是阿里的"都有。我当时看着挺意外——MiniMax在开发者圈子的存在感不算低，可在更广的中文互联网语境里，它的品牌认知度确实远不如通义千问或者文心一言。更麻烦的是它的模型命名：一边是"abab6.5"这种看着像乱码的代号，一边是"MiniMax-M2"这种明显改过品牌策略的新名字，不熟悉的人很容易以为是两家公司的产品。

这篇就把这个问题一次说透。我会先给结论，再拆技术路线，最后落到实际调用和选型上。

核心结论摘要：MiniMax（中文名"上海稀宇科技"）是一家2021年12月成立于上海的人工智能公司，由前商汤科技副总裁闫俊杰创办。它对外提供的abab系列、MiniMax-01系列、M1/M2等模型全部是自研的，不是任何大厂"授权"或"开源转售"的产物。

一、直接回答：MiniMax到底是哪家公司的

先把最容易混淆的点理清：MiniMax大模型是MiniMax公司自己的模型，公司即产品的同名方，英文品牌MiniMax，中文注册实体为上海稀宇科技有限公司。

这个答案听起来简单，但混淆的来源很真实。一是它早期主推的模型叫"abab"，跟公司名毫无关联，很多人只记住了abab却不知道谁做的；二是2025年之后它把模型统一改名为"MiniMax-01""MiniMax-M2"，品牌才和模型对齐；三是它的投资方名单里有腾讯、阿里巴巴、米哈游、IDG、高瓴、红杉中国这些如雷贯耳的名字，不少人误以为它是"腾讯系"或"阿里系"的模型——投资关系和研发归属是两码事，这点必须区分清楚。

想系统看它在国产阵营里的位置，可以参考这篇国产大模型厂商格局梳理，横向对比会更直观。

二、从商汤到独角兽：这家公司的技术底色

创始人闫俊杰是中科院博士，在商汤科技做到副总裁、研究院副院长，负责过通用智能技术方向。联合创始人周彧聪同样出自商汤研究院，带过算法团队。早期核心成员里，商汤、字节跳动、微软亚洲研究院的背景占了相当比例。

有意思的是公司名字的来历——minimax是博弈论里的经典算法，指的是在零和博弈中"最小化最坏情况下的损失"。给公司起这个名字，某种程度上暴露了团队的性格：在不确定的环境里优先控制下行风险，而不是一味押注最大收益。这个思路后来直接体现在他们的技术选择上，后面会讲。

产品侧的时间线大致是这样：2022年推出AI社交应用Glow，2023年海外版Talkie和国内版星野先后上线，这两个产品积累了海量的多轮对话数据。我2023年底做角色扮演类产品调研时深度试过星野，当时最直观的感受是它的角色一致性明显强于同期几个竞品，这背后大概率就是自有模型+自有数据闭环带来的优势。

三、模型家族演进：从abab到M2

MiniMax的模型迭代速度在国产阵营里算是相当快的，命名也经历了一次彻底换代。

| 模型 | 发布时间 | 总参数 | 激活参数 | 上下文长度 | 开源情况 | |---|---|---|---|---|---| | abab6.5 / abab6.5s | 2024年初 | 未公开 | 未公开 | 200K | 闭源商用 | | MiniMax-Text-01 | 2025年1月 | 456B | 45.9B | 4M | 开源 | | MiniMax-M1 | 2025年6月 | 456B | 45.9B | 1M | 开源 | | MiniMax-M2 | 2025年10月 | 230B | 10B | 204K | 开源 |

数据来源：MiniMax官方技术报告《MiniMax-01: Scaling Foundation Models with Lightning Attention》（2025年1月）与MiniMax-M2官方发布博客（2025年10月）。

abab时代的模型基本是闭源商用，走API调用路线，主打长上下文和角色扮演场景。2025年1月的MiniMax-01系列是个转折点——这是国内第一批把混合线性注意力架构做成400B级别并开源的工作，一下把技术声量拉了起来。到了M2，策略又变了：总参数从456B砍到230B，激活参数直接压到10B，上下文从4M缩到204K，明显是冲着"agent和编码场景要好用、要便宜"去的。

四、技术拆解：为什么它死磕线性注意力

要理解MiniMax的技术路线，绕不开一个数字：O(n²)。

标准Transformer的注意力机制复杂度是序列长度的平方，上下文翻一倍，计算量翻四倍。这是长上下文模型最大的成本瓶颈。MiniMax的解法是混合架构：在每一组8层Transformer里，7层用Lightning Attention（线性注意力，复杂度接近O(n)），只留1层用标准softmax注意力。

为什么不全换成线性注意力？说实话这是个工程上的妥协。线性注意力虽然快，但在需要精确"大海捞针"式检索的场景里，精度往往不如标准注意力。保留一层做全局精确匹配，是在效率和准确性之间找平衡点。想补MoE和注意力机制的基础，MoE混合专家架构入门这篇讲得比较细。

另一个关键设计是MoE。456B总参数只激活45.9B，意味着推理时的实际计算量接近一个50B量级的稠密模型，但模型容量是它的九倍。M2更激进，230B总参数只激活10B。我的判断是，这条路线的核心赌注在于"稀疏化程度还能再往上推"——如果10B激活能撑住agent任务，那推理成本就能压到很多中型团队愿意自建部署的区间。

五、动手试试：调用MiniMax大模型

MiniMax开放平台提供OpenAI兼容接口，迁移成本很低。下面这段代码我实测跑通过：

安装依赖: pip install openai

注意: base_url 与模型名请以 MiniMax 官方文档最新说明为准

from openai import OpenAI

client = OpenAI( api_key="你的MINIMAX_API_KEY", # 从开放平台控制台获取 base_url="https://api.minimax.chat/v1" # 国内站接口地址 )

resp = client.chat.completions.create( model="MiniMax-M2", # 也可切换为 abab6.5s 等 messages=[ {"role": "system", "content": "你是一位严谨的技术文档编辑。"}, {"role": "user", "content": "用三句话解释什么是混合专家架构。"} ], temperature=0.7, max_tokens=512 )

print(resp.choices[0].message.content)

几个实测提醒：国内站和国际站的接入地址、模型名清单并不完全一致，跨区调用前务必先核对官方文档；另外M2在长链工具调用场景下对system prompt比较敏感，把工具描述写清楚比堆参数更有效。

六、什么场景该选它

结合我这两年的使用和跟同行交流的情况，给几个具体建议：

• **角色扮演、情感陪伴类产品**：MiniMax是最对口的选项之一，星野和Talkie本身就是最好的验证案例，多轮人设一致性是它的长板。
• **超长文档处理**：需要吃下整本书或超长代码库时，M1的1M上下文和Text-01的4M上下文值得优先测试，但要注意长上下文的实际召回质量会随长度衰减，别只看标称值。
• **Agent与编码任务**：选M2。10B激活参数带来的成本优势，在需要反复调用的agent循环里会被放大很多倍。
• **多模态场景**：MiniMax-VL-01负责图文理解，视频生成看海螺AI的视频模型，这两条线是分开的，别混为一谈。

七、总结与学习路径

回到最初那个问题——minimax是哪家公司的大模型？答案就是它自己家：一家从商汤系走出来、以上海为基地、靠社交产品养数据、用线性注意力+MoE做技术差异化的公司。它不算国产阵营里参数最大的，但技术路线是少数派里最坚定的一家。

如果你刚开始接触，我建议的路径是：先跑通上面的API示例，用一个真实的小需求（比如批量处理长文档摘要）压测成本和延迟，再决定要不要深入。别一上来就啃技术报告，那玩意儿容易劝退。

关键要点速览

1. MiniMax = 上海稀宇科技，2021年12月成立，创始人闫俊杰出自商汤科技。
2. 模型全部自研，与腾讯、阿里的关系仅为投资方，非研发归属。
3. 产品线从闭源abab系列转向开源MiniMax-01/M系列，2025年1月是分水岭。
4. 技术标签是"混合线性注意力 + MoE"，核心目标是压低长上下文和推理成本。
5. M2把激活参数压到10B，是当前性价比路线里值得优先测试的选项。

相关推荐

• **阅读相关专题**：想继续深挖国产大模型的架构差异，可以翻翻我们的大模型技术专题，里面横向对比了多家厂商的注意力机制选型。
• **查看工具推荐**：更多主流大模型API、开发框架和评测工具，都在 [VergeX AI工具导航](https://nav.vergex.cn) 里，按类别整理好了。
• **订阅更新**：VergeX 每周更新AI前沿资讯与实测报告，可通过站内邮件订阅或关注公众号获取推送。

延伸阅读

• [大模型 API 调用实战](https://vergex.cn/llm-api-guide)
• [多模态大模型技术专题](https://vergex.cn/multimodal)