minimax是什么公司的ai？拆解它的模型家族与调用实战

上周有个做电商的朋友在微信上问我：“minimax是什么公司的ai？我在海螺上生成的那条产品视频被老板夸了，结果我说不上来它到底是哪家做的。”

这个问题其实挺典型。很多人已经在用 MiniMax 的产品了——刷到过海螺AI的视频生成、在应用商店下载过星野或者 Talkie、又或者在后端调过它的 API——但真要把“公司、模型、产品”这三层对上号，还是容易糊。我自己去年做 AI 客服选型的时候，也一度把 MiniMax 和另外几家国产大模型厂商搞混，翻了不少资料才理清脉络。这篇文章就把我知道的东西一次性讲透，包括它的技术路线、模型家族，以及怎么用起来。

核心结论摘要：MiniMax 是上海稀宇科技旗下的国产大模型公司，2021 年 12 月由前商汤副总裁闫俊杰创立，自研 abab、MiniMax-Text-01、M1、M2 等模型，同时运营海螺AI、星野等消费级产品，并通过开放平台对外提供 API 与开源权重。

minimax是什么公司的ai？先看清它的公司底色

一句话概括：它不是某个大厂的内部门，而是一家独立创业公司。

MiniMax 的中文主体是上海稀宇科技有限公司，2021 年 12 月成立，创始人闫俊杰此前在商汤科技担任副总裁，负责通用智能技术方向。团队早期就确定了一条“模型 + 产品双线并行”的路线——这在国内创业公司里不算主流，大部分团队要么只做 To B 的模型服务，要么只做应用层。

| 维度 | 具体情况 | |---|---| | 公司主体 | 上海稀宇科技有限公司（MiniMax） | | 成立时间 | 2021 年 12 月 | | 创始人 | 闫俊杰，前商汤科技副总裁 | | 融资情况 | 腾讯、米哈游、高瓴、IDG、红杉中国等参与；2024 年 3 月由阿里巴巴领投新一轮融资 | | 消费级产品 | 海螺AI（对话 + 视频生成）、星野、Talkie | | 企业级入口 | MiniMax 开放平台（API + 部分模型开源） |

融资这条我特意提一下。据路透社 2024 年 3 月的报道，MiniMax 当时完成了一轮由阿里巴巴领投、金额约 6 亿美元的融资，投后估值约 25 亿美元。这个体量在国产大模型创业梯队里属于第一阵营，也解释了为什么它有能力同时养一条模型研发线和一条 C 端产品线。

另外，据多家财经媒体在 2025 年的报道，MiniMax 已推进赴港上市进程。这条对开发者意味着什么？短期看是研发投入会更持续，长期看商业化压力会传导到 API 定价上——这点我会在后面细说。

模型家族拆解：从 abab 到 M1、M2

如果你只想记住一件事，那就是：MiniMax 的技术主线是“用线性注意力把长上下文成本打下来”。

这条线从 abab 系列一直延续到现在的 M 系列。我在项目里踩过上下文窗口的坑——早期用某些模型处理几十页的合同，光 prompt 成本就吃掉大半预算——所以对“长上下文到底贵不贵”这件事特别敏感。

下面这张表是我整理的模型脉络，参数以官方技术报告为准：

| 模型 | 时间 | 架构/规模 | 上下文能力 | 定位 | |---|---|---|---|---| | abab 6.5 | 2024 年 4 月 | 万亿级 MoE | 未公开 | 早期商业 API 主力 | | MiniMax-Text-01 | 2025 年 1 月 | 456B 总参数 / 45.9B 激活 | 100 万 token，推理可外推至约 400 万 | 开源旗舰基座 | | MiniMax-VL-01 | 2025 年 1 月 | 视觉语言模型 | 与 Text-01 同级 | 多模态理解 | | MiniMax-M1 | 2025 年 6 月 | 开源推理模型，混合注意力 | 100 万 token 输入 / 8 万 token 输出 | 长链推理 | | MiniMax-M2 | 2025 年 10 月 | 230B 总参数 / 10B 激活 | 约 20 万 token | Agent 与代码场景 |

据 MiniMax 团队 2025 年 1 月发布的技术报告《MiniMax-01: Scaling Foundation Models with Lightning Attention》（arXiv:2501.08313），MiniMax-Text-01 采用了 Lightning Attention 与 Softmax Attention 混合的架构，总参数量 456B，每次推理激活约 45.9B。这个组合的意义在于：纯线性注意力省算力但表达力会打折，纯 Softmax 注意力效果好但长序列开销爆炸，混合方案是折中。

到了 2025 年 6 月的 MiniMax-M1（技术报告 arXiv:2506.13585），团队把混合注意力用在了推理模型上，输入支持 100 万 token、输出支持 8 万 token。8 万 token 的输出上限这个数字，说实话我第一次看到时是有点意外的——它意味着模型可以一口气写出一份几万字的技术文档，而不是分段拼接。

2025 年 10 月发布的 MiniMax-M2 则明显转向了 Agent 场景，230B 总参数只激活 10B，走的是“低成本高频调用”的路子。如果你在做自动化工作流、代码补全这类需要反复调用的任务，M2 这种稀疏结构在成本上更友好。想横向对比其他国产模型的话，可以翻一下我们整理的国产大模型全景对比。

实战：三条把 MiniMax 用起来的路径

先说结论：普通用户用海螺AI，开发者调 API，追求可控性的团队拉开源权重。三条路我都走过，体感差别挺大。

路径一：海螺AI（零代码）

海螺AI 是 MiniMax 面向 C 端的入口，对话和视频生成都在里面。它的视频模型 Hailuo 02 在 2025 年 6 月发布，支持 1080p、10 秒左右的片段生成，物理运动的稳定性我认为是同期国产方案里做得比较扎实的一档。我做电商的朋友就是用它生成产品展示视频的，据他说一条 10 秒素材的生成时间大概在一两分钟，比请外包便宜太多。

路径二：开放平台 API（推荐给开发者）

MiniMax 开放平台提供了 OpenAI 兼容的接口格式，迁移成本很低——你原来调 GPT 的代码，改两行就能跑。

from openai import OpenAI

client = OpenAI( api_key="你的 API Key", # 在 MiniMax 开放平台控制台获取 base_url="https://api.minimax.chat/v1" # 国内接入点，海外有独立域名 )

resp = client.chat.completions.create( model="MiniMax-M2", # 长文本场景可换 MiniMax-M1 messages=[ {"role": "system", "content": "你是一个简洁的技术助手"}, {"role": "user", "content": "用一句话解释什么是 MoE 架构"} ], temperature=0.7, max_tokens=512 )

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

这段代码我实测过，唯一要注意的是不同模型的 `model` 字段名会变，调用前扫一眼官方文档的模型列表比较稳妥——我有一次直接用了个已经下线的旧模型名，报错信息还挺含糊的，排查了好一会儿。

路径三：开源权重本地部署

MiniMax 从 2025 年初开始陆续开源了 Text-01、VL-01、M1、M2 等模型权重。不过 456B 这种规模不是家用显卡能扛的，M2 的 10B 激活量相对友好一些，但依然需要多卡环境。我的建议是：除非你有明确的数据合规要求，否则先用 API 跑通业务逻辑，等真到了成本敏感阶段再考虑自部署。

顺便说一句，如果你关注的是视觉理解方向，我们之前整理的多模态大模型技术专题里有更细的横向评测。

我用了大半年后的真实判断

坦白讲，MiniMax 不是没有短板。

它的强项在长上下文和性价比。 100 万 token 的窗口在处理长文档、代码仓库级理解这类任务上确实省事，我做过一个把 300 页 PDF 丢进去做摘要的测试，基本没出现“中间遗忘”的典型问题，这点比不少同价位模型稳。

但它的生态成熟度，我认为还落后头部一截。 第三方工具链的适配速度、社区里的中文教程密度、Fine-tuning 的文档完整度，这些都不是模型跑分能体现的。我年初想找一个支持 MiniMax 模型的可视化 Prompt 调试工具，翻了一圈发现还不如直接用官方 Playground 省事。

另一个我比较在意的点是模型迭代节奏。 从 abab 到 M2，MiniMax 一年换了三代主线模型，这对追求稳定的企业客户其实是把双刃剑——能力是涨得快，但你半年写好的 prompt 和评估集，可能下个版本就要重新调。我在项目里就遇到过模型升级后输出风格变化、导致原有后处理规则失效的情况。

不过这背后其实是整个国产大模型行业的共性节奏问题，不是 MiniMax 一家的事。它选择开源 + 快速迭代这条路线，本质是拿“技术透明度”换“生态信任度”，对一个没有大厂流量池的创业公司来说，我觉得是对的选择。

学习路径与避坑建议

如果你是刚接触的新手，我建议按这个顺序走：

1. **第一周**：注册海螺AI，把对话和视频生成都玩一遍，建立对模型能力边界的直觉；
2. **第二周**：去开放平台领免费额度，用上面那段 Python 代码跑通第一个调用，重点观察不同 temperature 下的输出差异；
3. **第三周**：拿你手头真实的长文档任务做一次压力测试，看看长上下文到底能省多少成本；
4. **后续**：如果确实有自部署刚需，再去看 Hugging Face 上的开源权重和配套推理框架。

避坑方面有三条经验：一是别迷信跑分，同一个模型在不同任务上的体感差距可能比模型之间的差距还大；二是把模型名写进配置文件而不是硬编码，方便随时切换；三是长上下文虽然能塞很多东西，但 prompt 成本是按 token 算的，塞之前先算账。

总结与展望

回到最开始那个问题——minimax是什么公司的ai？它是国产大模型创业阵营里少有的“模型自研 + 产品自营 + 部分开源”三线并行的玩家，技术标签是线性注意力混合架构与长上下文，产品标签是海螺AI和星野。

往后看，我比较关注两件事：一是 M 系列在 Agent 场景的落地效果能不能撑起商业化，二是港股上市之后研发投入和定价策略会怎么走。对开发者来说，这意味着未来半年可能是一个比较划算的接入窗口期。

关键要点速览：

• MiniMax 是上海稀宇科技旗下公司，2021 年 12 月成立，创始人闫俊杰来自商汤
• 技术主线是 Lightning Attention 与 Softmax Attention 的混合架构，主打长上下文与推理成本优化
• 模型家族覆盖 abab 6.5 → Text-01/VL-01 → M1 → M2，部分已开源
• 接入方式三选一：海螺AI（零代码）、开放平台 API（OpenAI 兼容）、开源权重本地部署
• 短板在于生态成熟度与迭代节奏带来的稳定性成本

相关推荐

• **阅读相关专题**：想系统了解国产大模型的技术流派与商业路径，可以浏览 VergeX 的大模型专题合集，我们持续跟踪各家模型的技术报告与实测表现。
• **查看工具推荐**：需要对比更多 AI 对话、视频生成、语音合成工具？访问 [VergeX AI工具导航](https://nav.vergex.cn)，按场景筛选能直接上手的方案。
• **订阅更新**：想第一时间收到模型发布与技术拆解内容，可以通过站内邮件订阅或关注我们的公众号，新文章会同步推送。

延伸阅读：

• [国产大模型全景对比](/category/domestic-llm)
• [多模态大模型技术专题](/tags/multimodal)
• [VergeX AI工具导航](https://nav.vergex.cn)