MiniMax市值缩水超900亿港元，大模型的估值神话破了吗？
前两天跟一位做AI基础设施的老朋友吃饭，他半开玩笑地说，年初买的那几只港股AI标的，现在打开账户前得先做心理建设。我笑他追高，但回头想想，"MiniMax市值缩水超900亿港元"这件事，早就不是一只股票的涨跌问题了——它是2025年国产大模型赛道估值逻辑的一次公开考试，而且考得不太好看。
核心结论摘要： MiniMax市值缩水超900亿港元，主因不是模型能力滑坡，而是二级市场对"技术领先=商业领先"这条传导链做了重新定价。它真正暴露的，是大模型公司收入结构单一、算力成本刚性、以及开源策略与变现之间存在结构性矛盾。
先把事实摆清楚：MiniMax市值缩水超900亿港元是怎么发生的
这一节只谈可以核实的公开信息，不掺情绪。
MiniMax（稀宇科技，港股代码02513）于2025年完成在港上市，是那一批"AI六小龙"里最受关注的标的之一。上市初期，稀缺性溢价加上主题资金追捧，股价快速冲高，总市值一度进入千亿港元量级；随后从高点持续回落，据市场测算，峰值至今的市值蒸发规模超过900亿港元——"MiniMax市值缩水超900亿港元"这个说法就是这么来的。
我整理了一张时间线对照表，方便看清楚每个阶段的定价逻辑到底换了什么：
| 阶段 | 大致时点 | 市值量级 | 主导定价逻辑 | |---|---|---|---| | 一级市场融资 | 2024年前后 | 约25亿美元 | 稀缺性溢价、大厂战略投资 | | 挂牌上市 | 2025年 | 数百亿港元 | 流动性重定价 | | 情绪高点 | 2025年 | 千亿港元级 | 主题资金、对标海外叙事 | | 回调后 | 2025年下半年 | 缩水超900亿港元 | 基本面回归、解禁压力 |
这里有个挺要命的细节：一级市场的25亿美元估值，是按"私募股权"逻辑给的——买的是未来十年的期权；而二级市场的千亿港元市值，是按"公开市场"逻辑给的——每个季度都要交作业。两套逻辑之间没有自动对齐机制，一旦情绪退潮，落差就会以最直白的方式砸在K线上。
技术明明在进步，估值为什么撑不住？
这是最多人想不通的地方。MiniMax的模型迭代节奏其实没掉队，甚至算得上国产阵营里最激进的一家。
根据MiniMax官方技术报告《MiniMax-01: Scaling Foundation Models with Lightning Attention》（2025年1月），他们把456B总参数的MoE架构和自研的Lightning Attention线性注意力结合，把上下文窗口推到100万token，并选择开源。2025年6月的MiniMax-M1把混合注意力用在推理模型上，10月的MiniMax-M2则直接瞄准Agent和代码场景，主打"小激活参数+高效推理"。
问题不出在模型上，出在模型到收入之间的那条链条太长、太漏。
第一层：收入侧的算术题不太好算
大模型公司的收入结构，通常就三块——API调用、C端订阅、企业定制。这三块在招股书里看着挺整齐，落到经营上各有各的坑：
- **API收入**被价格战按在地上摩擦。国产模型这几轮的降价幅度，说实话已经让单token毛利薄得像纸。
- **C端应用**（海螺、Talkie/星野这类）留存和付费转化波动大，买量成本又不便宜。
- **企业定制**项目制、不可复制，今年签的单明年未必续。
三块加起来，很难支撑一个千亿港元的市值预期。
第二层：算力成本是刚性的
这里要区分两个概念。大模型训练成本是指一次性投入的沉没成本，训练完了就固化在权重里；而大模型推理成本是指随调用量线性增长的变量成本，用户越多、成本越高。
我自己的经验是，很多团队在做商业测算时只算了训练账，把推理当成"边际成本趋近于零"。这个假设在小规模验证阶段成立，一旦日调用量上到亿级token，电费+卡租就会变成一头吞金兽。
第三层：开源是双刃剑，而且刃口朝自己
M1、M2都开源，这在开发者圈子里口碑极好，benchmark 声量也起来了。但商业上有个尴尬：能跑得动456B MoE的客户，手里本来就有卡和团队，他们更倾向于自己部署，而不是买API。
说白了，开源换来了生态和话语权，却没有换来等比例的现金流。这笔账，二级市场看得很清楚。
从MiniMax的技术栈看国产大模型的真实水位
抛开股价，单纯从工程角度看MiniMax的产品矩阵，其实挺能代表国产大模型当下的技术水平。
| 模型/产品 | 发布时间 | 架构与能力要点 | 主要定位 | |---|---|---|---| | MiniMax-01 | 2025年1月 | 456B MoE，Lightning Attention，1M上下文 | 基础模型，开源 | | MiniMax-M1 | 2025年6月 | 混合注意力（线性+softmax） | 长思考推理 | | MiniMax-M2 | 2025年10月 | 高效MoE，小激活参数 | Agent、代码生成 | | 海螺 Hailuo | 持续迭代 | 视频生成 | 多模态大模型 | | Speech-02 | 2025年 | 语音合成/克隆 | 音频多模态 |
这里面最值得深挖的是Lightning Attention。传统的softmax注意力复杂度是O(n²)，上下文翻倍，算力消耗翻四倍，这也是长上下文推理贵得离谱的根因。MiniMax的思路是把注意力拆成块内和块间两种计算：块内保留标准softmax保证精度，块间用线性注意力近似，整体复杂度压到接近O(n)。
我个人的判断是，这类架构创新对国产大模型的战略价值，可能比多刷几个benchmark分数更重要——因为它直接决定了长文本推理能不能便宜到被大规模商用。大模型推理的成本曲线，才是真正的商业护城河，而不是榜单排名。榜单会被追上，成本结构不会一夜之间翻转。
这轮回调，对开发者和从业者意味着什么
说实话，看到市值跌成这样，我第一反应不是"抄底"，而是"技术选型的标准要变了"。
过去两年大家挑模型，看的是能力上限：谁的推理更聪明、谁的多模态更全。现在得换个问法：在什么价格下，这个能力是可用的？
我在一个内部的代码检索Agent项目里做过对比测试。今年10月M2发布后，我把一部分"生成+调用工具"的流水线任务切过去跑了两周。坦白讲，复杂重构类任务它还是会掉链子，输出稳定性不如头部闭源模型；但在结构化的工具调用场景里，配合它明显更低的API单价，性价比确实让我有点意外。
如果你的团队正要做技术选型，我的建议是：
- **按任务分层选型**，别用一个模型打天下。高价值复杂推理走闭源，高频低价值任务用国产开源模型兜底。
- **把推理成本写进架构文档