MiniMax市值为什么能超过百度？拆解国产大模型的估值锚点
去年底我参加一个线下闭门会，中场休息时有人问我对 MiniMax 怎么看。我当时给的判断是"技术够硬，但估值看不透"。三个月后，MiniMax市值超百度的消息开始在投资圈和技术群里被反复转发，我才意识到自己可能低估了市场给国产大模型资产定价的冲动。
下面我不打算复述新闻标题，而是想把"MiniMax市值"这个数字拆开看看，里面到底装了什么——是模型参数量，是海螺 AI 的订阅流水，还是纯粹的情绪溢价。
核心结论摘要：MiniMax 市值的快速抬升，本质是市场把"开源权重 + 海外现金流 + 推理成本下降"三条线重新打包定价。单次 51% 的涨幅里，技术叙事决定上限，商业化数据决定地板。
市值这个概念，对还没上市的 MiniMax 意味着什么
市值是指一家公司全部股份按当前价格计算的总价值，公式就是股价 × 总股本。问题在于，MiniMax 到现在还没走完公开上市流程，所以严格意义上的"市值"其实并不存在——市面上流传的数字，绝大多数是一级市场融资估值、老股转让报价和二级市场可比公司倍数倒推出来的混合体。
我特意去翻了公开的融资记录。MiniMax（上海稀宇科技）2021 年 12 月成立，创始人闫俊杰是前商汤科技通用智能技术负责人。2023 到 2024 年之间，公司先后完成多轮融资，腾讯、阿里巴巴、红杉中国、高瓴都出现在投资方名单里。到 2024 年那一轮，公开报道口径下的投后估值已经在 25 亿美元量级。
这个数字放到 2025 年看，其实已经不太够用了。原因很简单：模型能力迭代了至少两代，产品线从 Talkie 扩展到了海螺 AI 视频生成和开放平台 API。所以当有人问"minimax市值多少"的时候，我通常会先反问一句——你问的是哪一轮、什么口径？
51% 的涨幅里，有多少是技术，有多少是情绪
先把结论摆出来：我认为 minimax市值暴涨51% 这个数字里，技术面的贡献大概占三成，商业化的兑现占两成，剩下的一半是流动性和对标情绪。
技术那一层：从 abab 到 M1、M2
MiniMax 在 2025 年 6 月开源了 MiniMax-M1，主打混合注意力架构，把序列长度推到 100 万 token 级别，同时把长上下文推理的算力开销压了下来。几个月后 M2 发布，继续往 Agent 和代码方向走。
这些迭代对估值的影响是间接的，但很关键。大模型训练这个环节过去两年最大的变化，是"参数量即正义"的叙事失效了。投资人开始看单位 token 的推理开销、看开源权重带来的生态位、看有没有真实付费调用。
商业化那一层：海外收入是被低估的变量
坦白讲，国内大模型公司里能拿出像样海外流水的没几家。MiniMax 的 Talkie 在海外的应用商店收入长期排在 AI 陪伴类前列，海螺 AI 的视频生成也在订阅制上跑通了。
我去年试过用海螺生成一段产品演示素材，5 秒 1080p 的片段几十秒出片。当时给我的直观感受是——这东西的商业化路径比单纯"卖 API"清晰得多，因为它直接面向有付费习惯的 C 端用户。
情绪那一层：国产替代的估值溢价
剩下那一半涨幅，说白了是市场愿意为"国产大模型"这个标签付溢价。这个溢价在 2025 年被反复放大，也反复回撤。
"MiniMax市值超百度"这个说法，需要打个问号
这是我整篇文章里最想表达个人立场的一段。
百度是一家有二十多年历史的上市公司，它的市值可以在港交所和美股的实时行情里查到，是一个由真金白银交易出来的数字。MiniMax 的所谓"市值"，来自一级市场融资估值或老股转让定价，流动性极差，样本极少。
把这两个数字直接比大小，有点像我拿自己房子的中介挂牌价去和茅台的总市值做对比——不是完全没意义，但语境差得远。
不过话说回来，这个对比之所以能传播开，恰恰说明市场在寻找一个新的参照系。投资人不太愿意再拿百度这种"上一代搜索巨头"来做锚了，他们想找一个能代表 AI 原生公司的新标尺。
| 对比维度 | 百度 | MiniMax | |---|---|---| | 定价市场 | 港交所 / 纳斯达克 | 一级市场融资 / 老股转让 | | 定价依据 | 实时交易成交价 | 最近一轮融资估值 | | 核心收入 | 搜索广告、智能云 | API 调用、C 端订阅、海外应用 | | 流动性 | 高 | 极低 | | 常用估值方法 | 市盈率 / EV/EBITDA | 收入倍数 / 可比公司倒推 |
（百度与 MiniMax 的"市值"根本不是同一类数字）
估值能站住，最终还是要看推理成本
我跟几个做推理优化的工程师聊过，大家有个共识：2025 年之后，大模型公司的毛利率天花板，取决于单位 token 的推理成本能压到多低。
MiniMax 的混合注意力设计，方向上就是在解这道题。标准 softmax 注意力的计算量随序列长度平方增长，而线性注意力把它压到了线性。用一段伪代码能看得更直观：
对比标准注意力与线性注意力的计算量增长趋势（仅示意，非精确公式）
def standard_attention_flops(seq_len, d_model): """标准 softmax 注意力：计算量随序列长度平方增长""" return 2 (seq_len 2) d_model
def linear_attention_flops(seq_len, d_model): """线性注意力：计算量随序列长度线性增长""" return 4 seq_len d_model
seq, d = 1_000_000, 6144 # 100 万 token 上下文，隐藏维度 6144
print(f"标准注意力: {standard_attention_flops(seq, d) / 1e12:,.0f} TFLOPs") print(f"线性注意力: {linear_attention_flops(seq, d) / 1e12:,.0f} TFLOPs")
跑出来大概是 12,288 TFLOPs 对 24.6 TFLOPs，差了三个数量级。当然真实系统里有大量工程优化，实际差距不会这么夸张，但方向是明确的：谁能在长上下文场景下把成本压住，谁就更容易把 API 价格打到对手跟不上的位置。
这直接决定了一件事——MiniMax 市值里最扎实的那部分，应该来自可复用的推理基础设施，而不是一次性的模型发布新闻。想横向比较各家推理框架的实现差异，可以参考 大模型推理优化工具清单。
对开发者和从业者来说，这意味着什么
说了这么多市场层面的事，落到实操上其实就三条：
- **别把一级市场估值当成技术选型依据。** 你选 MiniMax 的 API，应该看它在你的场景下延迟、价格和效果能不能打，而不是看它估值多少。
- **关注开源权重。** MiniMax-M1、M2 都放出了权重，意味着你可以本地部署、可以微调、可以做私有化。对做垂直场景的团队来说，这个价值比"市值超谁"大得多。
- **多模态大模型是下一个观察窗口。** 视频生成和语音的推理成本目前还远没打下来，谁先做到规模化盈利，谁的估值故事才真正闭环。
我个人的判断是，未来一年这个赛道的估值波动还会非常剧烈。MiniMax市值这个数字，与其说是对公司价值的精确测量，不如说是市场对未来的一种押注。如果你正在做多模态相关的产品，多模态大模型能力对照表可以先收着，选型时能省不少时间。
关键要点速览
- MiniMax 尚未上市，市面上流传的"市值"多为一级市场融资估值或可比公司倒推值
- 51% 的单次涨幅中，技术与商业化贡献有限，流动性和对标情绪占大头
- "市值超