MiniMax是哪家公司？聊聊它的技术路线和我的实际选型体验
去年冬天我在做一个跑在本地边缘盒子上的语音Agent，预算卡得很死，推理延迟要求压到800毫秒以内。当时试了三四家国产模型的API，最后把语音链路切到了MiniMax的Speech系列上——不是因为它名气最大，而是它在那次测试里是唯一一个把首包延迟稳定压在预期内的。那次之后我才认真去翻了这家公司的技术文档和论文，也才有了这篇东西。
核心结论：MiniMax（上海稀宇科技）成立于2021年12月，创始人闫俊杰来自商汤。它真正的技术差异化不在参数规模，而在2025年1月开源的Lightning Attention混合架构——把注意力计算从平方复杂度压到线性，用456B总参数、45.9B激活参数的配置撑起百万级上下文。M2则转向Agent与代码场景。是否值得接入，主要看你有没有长上下文或语音多模态的硬需求。
MiniMax是哪家公司？先把身份说清楚
很多人搜「minimax是哪家公司」，其实是把它和另外两家搞混了：一家是德国的优化求解器公司，另一家是游戏引擎里的极小化极大算法。这里说的MiniMax，是上海稀宇科技有限公司，一家土生土长的国产大模型公司。
| 项目 | 信息 | | --- | --- | | 公司主体 | 上海稀宇科技有限公司 | | 成立时间 | 2021年12月 | | 创始人 | 闫俊杰（前商汤科技副总裁、通用智能技术负责人） | | 主要产品 | 海螺AI（C端）、Talkie/星野（AI陪伴）、MiniMax开放平台（B端API） | | 模型家族 | abab系列 → MiniMax-01 → M1 → M2 | | 融资情况 | 2024年3月阿里领投一轮，据公开报道投后估值超25亿美元 |
和智谱、月之暗面那批公司相比，MiniMax有个挺特别的地方：它从第一天就没打算只做To B的模型生意。Talkie在海外App Store的表现一直不错，海螺AI的视频生成在创作者圈子里也有真实口碑。这种「C端养现金流、B端攒技术口碑」的双轨打法，在国产大模型公司里不算主流。
坦白讲，我一开始对这类打法是有疑虑的——C端产品线太散会不会拖累基础模型迭代？但从2025年的模型发布节奏看，这个担心暂时没成立。
Lightning Attention：它最不跟风的技术选择
聊MiniMax绕不开Lightning Attention。这是它区别于其他国产大模型最核心的技术标签。
一句话说清原理
Lightning Attention是指一种线性注意力机制，它通过把注意力矩阵的累积计算改写成可递推的形式，将计算复杂度从标准Softmax注意力的O(n²)降到O(n)。
传统Transformer处理长文本时，序列每翻一倍，注意力计算量翻四倍。这就是为什么大部分模型到了128K上下文就开始「记不住前面」。MiniMax的做法是混合架构：在每一组8层里，7层用Lightning Attention，只保留1层标准Softmax注意力来维持全局建模能力。据MiniMax团队2025年1月发表在arXiv上的论文《MiniMax-01: Scaling Foundation Models with Lightning Attention》，这种混搭让MiniMax-Text-01在100万token训练上下文的基础上，推理阶段可以外推到400万token，而总参数量456B、每token激活45.9B。
这个设计思路我的理解是：它承认了线性注意力在表达能力上的短板，不硬碰硬，而是用少量Softmax层当「锚点」补回来。工程上很务实，学术上不算优雅——但效果摆在那儿。
模型矩阵怎么对号入座
| 模型 | 发布时间 | 参数规模 | 上下文 | 主攻方向 | | --- | --- | --- | --- | --- | | MiniMax-Text-01 / VL-01 | 2025年1月 | 456B总参 / 45.9B激活 | 100万训练，可外推400万 | 长上下文、多模态理解 | | MiniMax M1 | 2025年6月 | 456B总参 / 45.9B激活 | 100万输入 | 长链推理、复杂Agent | | MiniMax M2 | 2025年10月 | 230B总参 / 10B激活 | 约20万 | 代码、工具调用、Agent | | Speech 2.5 | 2025年 | — | — | 语音合成、音色克隆 | | Hailuo 02 | 2025年6月 | — | — | 视频生成 |
从表里能看出一个明显的转向：M1还在堆长上下文，M2直接把激活参数砍到10B，重心从「能读多长」变成「能调多少工具」。这个取舍挺聪明——Agent场景里，上下文长度不是瓶颈，工具调用的准确率和响应速度才是。
我在项目里怎么用MiniMax：代码、坑与实测感受
说回实际接入。MiniMax开放平台提供了OpenAI兼容端点，如果你已经用过OpenAI SDK，迁移成本接近于零。下面这段是我项目里验证过的调用代码：
from openai import OpenAI
MiniMax 提供 OpenAI 兼容接口，直接复用官方 SDK
client = OpenAI( api_key="你的_MiniMax_API_Key", # 在开放平台控制台生成 base_url="https://api.minimaxi.com/v1", # 具体端点以官方文档为准 )
resp = client.chat.completions.create( model="MiniMax-M2", # 代码/Agent 场景用 M2 messages=[ {"role": "system", "content": "你是一名严谨的技术顾问，回答不带客套话"}, {"role": "user", "content": "用三句话解释线性注意力与标准注意力的区别"}, ], temperature=0.3, # Agent 任务建议压低随机性 )
print(resp.choices[0].message.content)
两个我踩过的坑，顺手记一下：
第一，长上下文不等于便宜。100万token的上下文窗口看着很爽，但如果你真把整份代码库塞进去，单次推理的显存占用和响应时间都会明显上升。我在一个大约6万token的跨文件重构任务里试过，效果确实不错，可延迟比预期高了将近一倍。后来改成先做检索再做局部重构，成本直接降到三分之一。
第二，语音模型的音色克隆需要额外审核。这块合规流程比纯文本模型严格得多，如果项目排期紧，别把它放在关键路径上。
有意思的是，M2在工具调用上的表现比我预期稳。我原本以为10B激活参数会撑不住复杂的function calling，实测下来在多步调用的成功率上并没有明显掉队。
官网、市值、股票：搜索框里最常被问的三件事
「minimax官网原版」怎么找
搜这个词的人多半是怕点到仿冒站。这里给一组我确认过的入口：
- 国内主站：**minimaxi.com**
- 海外品牌站：**minimax.io**
- 开放平台（API控制台）：**platform.minimaxi.com**
- 海螺AI：**hailuoai.com**
判断真假有个土办法：真正的开放平台文档页脚一定会标注公司主体「上海稀宇科技」。仿冒站基本不会写这个。
「minimax市值多少」和「MINIMAX股票」
目前MiniMax尚未在二级市场公开交易，所以严格意义上没有实时市值。一级市场的参考坐标是：据公开报道，2024年3月阿里巴巴领投的那一轮，投后估值超过25亿美元。2025年公司已启动港股上市相关进程，具体进展和任何股票代码，都要以港交所披露易的官方公告为准。
这里我得多说一句：网上流传的各种「MiniMax市值XX亿」的说法，绝大多数是把一级市场估值和二级市场市值混为一谈。这两者在流动性、定价逻辑上完全是两回事，别当成投资依据。
选型建议与学习路径
如果你的场景是长文档理解、跨文件代码分析、或者需要处理超长日志，MiniMax-01/M1的线性注意力架构值得优先测一测——这是它最有护城河的地方。如果做的是工具调用密集的Agent，M2的10B激活参数在成本上更友好。至于语音和视频，海螺AI那条线更适合做原型验证，直接对着官方文档跑一遍demo就知道合不合适。
想横向对比其他国产大模型的实际表现，可以翻翻 VergeX AI工具导航 上的模型分类页，我平时选型前会先在那儿过一遍更新日志。
关键要点速览
- MiniMax是2021年12月成立的上海公司，创始人闫俊杰来自商汤，走C端+B端双轨路线
- 技术核心是Lightning Attention混合架构，每8层中7层线性注意力+1层Softmax，把复杂度从O(n²)压到O(n)
- M1主打百万级长上下文，M2把激活参数砍到10B，转向Agent与代码场景
- 开放平台兼容OpenAI SDK，接入成本低，但长上下文不等于低成本，需要做检索前置
- 公司尚未在二级市场交易，市值讨论应以港交所官方披露为准
学习路径我建议这样走：先用开放平台免费额度跑通一次API调用，再拿自己的真实长文档测一轮上下文衰减，最后再决定要不要上生产。别一上来就看论文，容易劝退。
相关推荐
- **阅读相关专题**：想系统了解国产大模型的技术路线差异，可以关注 VergeX 的「国产大模型」专题，我们会持续跟进各家模型的开源与迭代节奏。
- **查看工具推荐**：更多大模型 API 平台与开发工具的横向对比，见 [VergeX AI工具导航](https://nav.vergex.cn)。
- **订阅更新**：本站支持邮件与微信订阅，新模型发布和技术拆解会第一时间推送，欢迎在首页底部留下你的联系方式。