minimaxw是什么公司？读懂MiniMax的技术路线与产品矩阵

上周三晚上，一个做视觉算法的老同学在微信上问我："minimaxw是什么公司？"我第一反应是他键盘卡了——大概率是把 MiniMax 敲成了 minimaxw。结果去搜索引擎的联想词里一看，这个带 w 的拼写还真有不少人在搜，甚至有人把它当成两家不同的公司。所以这篇就一次说清楚：minimaxw 到底指向谁，这家公司在国产大模型牌桌上坐在哪个位置，以及它的模型值不值得你接进项目里。

核心结论摘要：minimaxw 是 MiniMax 的常见拼写变体，指向 2021 年 12 月成立于上海的稀宇科技（MiniMax）。它以线性注意力（Lightning Attention）为技术主线，一边做海螺AI、Talkie 这类 C 端产品，一边开源 MiniMax-M1/M2 系列模型，是国产大模型里少见的"产品与模型两条腿走路"的选手。

先对齐定义：MiniMax 是一家什么公司

MiniMax 是指上海稀宇科技有限公司，成立于 2021 年 12 月，创始人闫俊杰此前在商汤担任研究院副院长，核心团队里有不少来自商汤、中科院和头部互联网公司的算法工程师。公司从成立第一天就选择了"模型 + 产品"同步推进的路线，这在当时的国内创业公司里并不主流——更多人选择先做 To B 交付活下去。

有意思的是，MiniMax 的团队规模长期维持在几百人量级，却同时维护着文本、语音、视频、音乐四条模型线。我在 2024 年跟一位从大厂跳过去的朋友聊过，他的评价很直白："这里没有那么多汇报层级，一个模型迭代周期能压到别人一半。"这话未必客观，但确实解释了为什么它在 2024 到 2025 年能保持高频发布。

融资层面，据 2024 年 3 月多家媒体报道，MiniMax 完成了由阿里领投的一轮融资，估值超过 25 亿美元，此前腾讯、米哈游、红杉中国、高瓴等均已入局。2025 年 7 月，公司向港交所递交招股书，进入上市流程——这也是很多人突然开始搜"minimaxw是什么公司"的直接原因。

技术底座：它在大模型训练与推理上赌了什么

如果只看产品，你会觉得 MiniMax 是家应用公司；但翻它的技术报告，会发现它其实是一家把身家押在注意力机制上的基础设施公司。

把注意力复杂度从平方压到线性

根据 MiniMax 在 2025 年 1 月随 MiniMax-01 系列一并公开的技术报告《MiniMax-01: Scaling Foundation Models with Lightning Attention》，MiniMax-Text-01 采用 4560 亿总参数、每 token 激活约 459 亿参数的混合专家结构，核心是自研的 Lightning Attention（闪电注意力），并且把上下文窗口拉到了 400 万 token。

为什么要死磕线性注意力？因为标准 Transformer 的注意力计算量随序列长度呈平方增长，处理长文档时代价高得离谱。Lightning Attention 把这一项压到接近线性，代价是对并行训练的实现要求极高。坦白讲，这条路在学术界被讨论了很多年，真正敢在千亿级模型上全量落地的团队并不多。

M1 和 M2：把推理成本当作一等公民

2025 年 6 月，MiniMax 开源了 MiniMax-M1，官方将其定义为"大规模混合注意力推理模型"，也就是把 Lightning Attention 和传统 softmax 注意力混合使用，并配合 CISPO 这类强化学习算法做后训练。官方博客给出的一个关键数据是：在生成 10 万 token 的长输出场景下，M1 的浮点运算量约为 DeepSeek-R1 的 25%。

2025 年 10 月发布的 MiniMax-M2 则是另一条思路——总参数 2300 亿、每 token 仅激活约 100 亿，明确面向 Agent 与代码场景，并以宽松许可开源。激活参数压到 100 亿这个量级，意味着单卡部署和推理延迟都变得可接受，这对中小团队是个实打实的利好。

| 模型 | 发布时间 | 参数结构 | 主打能力 | 上下文 | | --- | --- | --- | --- | --- | | MiniMax-Text-01 | 2025年1月 | 456B总参 / 45.9B激活 | 超长文本理解 | 400万token | | MiniMax-M1 | 2025年6月 | 混合注意力MoE | 长链推理、低成本长输出 | 100万token | | MiniMax-M2 | 2025年10月 | 230B总参 / 10B激活 | Agent、代码 | 长上下文 |

产品矩阵：模型能力最终卖给了谁

技术报告写得再漂亮，也得有人付钱。MiniMax 的产品线大致可以分成三块，这也是理解它商业模式的关键。

第一块是 AI 陪伴与社交，包括海外的 Talkie 和国内的星野。Talkie 一度进入美国 App Store 免费榜前列，这类产品现金流稳定、用户时长高，但同时面临内容合规和留存波动的双重压力。

第二块是创作工具，海螺AI 覆盖文本对话、语音合成和视频生成。2025 年海螺视频模型连续迭代了几个版本，在文生视频的可控性和镜头语言上进步明显，我自己试过用它生成一段 6 秒的产品演示片，前两版提示词出来的结果镜头乱晃，换成描述主体动作加机位后质量才稳定下来——这类工具的提示词写法确实需要一点耐心。

第三块是开放平台，把文本、语音、视频、音乐能力以 API 形式对外输出。对开发者来说，这是唯一有工程意义的那块。

从零上手：一份最短的 MiniMax API 使用教程

如果你搜的是 minimaxw 是什么公司使用教程，下面这段可以直接抄。MiniMax 开放平台提供了 OpenAI 兼容端点，意味着你几乎不用改现有代码。

依赖：pip install openai>=1.0

from openai import OpenAI

client = OpenAI( api_key="你的_MiniMax_API_Key", # 在开放平台控制台创建 base_url="https://api.minimaxi.com/v1", # MiniMax 的 OpenAI 兼容端点 )

resp = client.chat.completions.create( model="MiniMax-M2", # 面向 Agent 与代码场景的模型 messages=[ {"role": "system", "content": "你是一个严谨的技术助手，回答简洁。"}, {"role": "user", "content": "用三句话解释混合注意力机制为什么能省算力。"}, ], temperature=1.0, # M2 建议使用官方默认温度，改动过大容易影响稳定性 )

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

几点实操经验：一是长文本任务别一次性把 400 万 token 塞进去，先做检索再喂给模型，成本能降一个数量级；二是 M2 的定价在国产模型里属于偏低档位，官方公布的价格约为每百万输入 token 0.3 美元、每百万输出 token 1.2 美元，做长链 Agent 时账单压力不大；三是流式输出记得开，Agent 场景下用户对首 token 延迟的感知远大于总耗时。

我的判断：它被高估还是被低估了

说实话，MiniMax 在国内的讨论度长期低于它的技术投入。原因不复杂——它缺少一个像 DeepSeek 那样"一次性引爆全网"的时刻，产品又大多在 C 端，开发者感知不强。

但换个角度看，线性注意力这条路线是有长期价值的。当上下文从 100 万走向 1000 万，平方复杂度在工程上必然撞墙，谁先把线性方案在千亿参数规模上跑通并开源，谁就在下一轮架构切换时占住身位。MiniMax 在 M1/M2 上坚持开源，我认为是明智的：它没有云业务可以捆绑售卖，开源换生态是唯一划算的算法。

风险也很清楚。C 端陪伴类产品受监管和平台政策影响大；开源模型的商业闭环至今没有标准答案；视频生成赛道上有可灵、即梦、Veo 挤在一起，价格战随时会打起来。这不是一家可以躺着赚钱的公司。

学习路径与资源

给想深入了解的人一份入门指南：

1. **读一手材料**：MiniMax 官方 GitHub 上 M1、M2 的模型卡和技术报告，比任何二手解读都靠谱。
2. **跑通调用**：注册开放平台，用上面的代码跑一次流式对话，感受首 token 延迟。
3. **理解架构**：搜索 Lightning Attention 相关论文，重点看它如何解决注意力衰减问题。
4. **横向对比**：把同一批测试用例分别喂给 M2、Qwen 和 DeepSeek，记录延迟、成本和输出质量三项指标。
5. **关注招股书**：港交所披露易上的文件里有最真实的营收结构和客户集中度数据，比发布会信息量更大。

关键要点速览

• minimaxw 就是 MiniMax，即上海稀宇科技，2021 年 12 月成立，2025 年 7 月递交港股招股书。
• 技术主线是 Lightning Attention，把长上下文推理的算力开销从平方级压到接近线性。
• M2 以 230B 总参 / 10B 激活的稀疏结构主攻 Agent 与代码，推理成本是它的核心卖点。
• 商业模式靠 C 端产品（Talkie、星野、海螺AI）+ 开放平台 API 双轮驱动。
• 主要风险集中在监管、开源变现路径和视频赛道价格战。

相关推荐

• **阅读相关专题**：想系统了解国产大模型的架构差异，可以继续看我们的大模型技术专题，逐一拆解 MoE、注意力变体和后训练策略。
• **查看工具推荐**：更多可直接试用的国产大模型与 AI 工具，已整理在 [VergeX AI工具导航](https://nav.vergex.cn)。
• **订阅更新**：本站内容每周更新，可通过邮件或微信订阅，第一时间获取新模型实测与 API 价格变动提醒。