MiniMax公司全称是什么？上海稀宇科技模型实战指南

上个月帮一个做法律科技的朋友梳理供应商名单，他盯着表格里「MiniMax」这一栏问我：「这家公司的工商全称到底写什么，合同主体怎么填？」我当场卡住了。自己用了一年多的海螺AI和MiniMax开放平台，居然从没认真查过它的中文全称。后来花了半个下午翻工商信息、招股材料和官方技术博客，顺手把笔记整理成这篇文章。

如果你也在做类似的信息核对，或者单纯想把这家公司的技术家底摸清楚，下面的内容应该能省你不少时间。

核心结论：MiniMax 的运营主体中文全称是「上海稀宇科技有限公司」，2021 年 12 月成立于上海，创始人为前商汤科技副总裁闫俊杰。MiniMax 是它对外使用的品牌名，同时也是其自研大模型系列的统称。

minimax公司全称到底叫什么？几个容易混淆的名字

先说最直接的答案。根据国家企业信用信息公示系统的公开记录，MiniMax 的境内运营主体全称为上海稀宇科技有限公司，成立时间为 2021 年 12 月。这个「稀宇」二字不是音译，官方没有给出明确释义，业内普遍猜测取自「稀」与「宇」的字面组合。

有意思的是，你在企查查或者天眼查上搜「MiniMax」，往往还会跳出另一条记录：名之梦（上海）科技有限公司。这不是重名，而是同一体系下的关联主体。做尽调的时候如果只锁定一个主体名称，很容易漏掉关联公司的资质与诉讼信息——这一点我在帮朋友核对合同时踩过一次，当时差点把服务协议的乙方写错。

另外三个高频混淆点：

• **MiniMax 与「MiniMax 大模型」**：前者是公司品牌，后者是产品线，日常口语里混用没问题，但写技术文档最好区分。
• **MiniMax 与海螺 AI**：海螺 AI（Hailuo AI）是它面向 C 端的对话与视频生成产品，不是公司名。
• **MiniMax 与星野 / Talkie**：星野是国内 AI 陪伴产品，Talkie 是其海外版本，同样属于产品层。

搜索「minimax公司全称」的人，大概率是在填合同、写竞品分析或者做投资尽调。如果是这三种场景，建议直接以「上海稀宇科技有限公司」为准，并在备注里补充关联主体名称。

从 abab 到 M2：这条技术路线是怎么走过来的

搞清楚公司名只是第一步。真正让我意外的是它模型迭代的节奏——两年时间换了三代架构底座，这在国内厂商里不算常见。

根据 MiniMax 官方技术博客《MiniMax-M1》（2025 年 6 月发布）和 arXiv 论文《MiniMax-01: Scaling Foundation Models with Lightning Attention》（arXiv:2501.08313，2025 年 1 月）披露的信息，核心节点可以整理成下面这张表：

| 模型版本 | 发布时间 | 参数规模 | 上下文长度 | 主要定位 | |---|---|---|---|---| | abab 6.5 | 2024 年 4 月 | MoE 架构，未公开完整参数 | 约 200K | 通用对话 | | MiniMax-Text-01 | 2025 年 1 月 | 456B 总参 / 45.9B 激活 | 1M（推理时可扩展） | 通用基座 | | MiniMax-VL-01 | 2025 年 1 月 | 基于 Text-01 扩展 | 1M | 多模态理解 | | MiniMax-M1 | 2025 年 6 月 | 456B 总参 / 45.9B 激活 | 1M | 开源推理模型 | | MiniMax-M2 | 2025 年 10 月 | 230B 总参 / 10B 激活 | 约 200K | Agent 与代码 |

（具体参数以官方最新发布为准，模型版本更新频率较高。）

真正的技术分水岭是 Lightning Attention。传统 Transformer 的注意力计算复杂度随序列长度平方增长，上下文拉到 100 万 token 时，显存和延迟基本不可接受。MiniMax 的做法是把注意力拆成块内和块间两套机制，块内用标准 softmax 注意力保证精度，块间用线性注意力压缩计算量。论文里给出的说法是，这套混合架构让 1M 上下文下的推理效率比纯 Transformer 方案有明显改善。

坦白讲，这个思路不是 MiniMax 独创，线性注意力在学术界已经讨论了好几年。它真正的价值在于把学术方案工程化到了一定规模——456B 参数、45.9B 激活的 MoE 结构，配合线性注意力，能在真实服务里跑出可接受的吞吐。从「论文能跑通」到「线上扛得住」，中间隔着的工程量比很多人想象的大得多。

到了 M2 这一代，激活参数从 45.9B 砍到 10B，明显是在为 Agent 场景做取舍：牺牲一部分通用推理深度，换取更低的单次调用成本和更快的响应。我在做自动化工作流时用 M2 跑过批量文本分类，速度确实比上一代舒服，但遇到需要多步逻辑推演的任务，还是得切回更大的模型。

minimax公司全称使用教程：三分钟跑通第一次 API 调用

前面说了半天公司和技术，落到实操其实很简单。MiniMax 开放平台兼容 OpenAI 的接口协议，如果你之前调过 GPT 系列，迁移成本几乎为零。

环境准备只需要装一个 SDK：

pip install openai

然后是最小可运行示例：

使用 OpenAI SDK 调用 MiniMax 开放平台

from openai import OpenAI

client = OpenAI( api_key="你的_API_Key", # 在 MiniMax 开放平台控制台申请 base_url="https://api.minimax.chat/v1" # 兼容 OpenAI 协议的接入地址 )

response = client.chat.completions.create( model="MiniMax-Text-01", # 可替换为 abab6.5s-chat 等版本 messages=[ {"role": "system", "content": "你是一位严谨的技术顾问，回答尽量简短"}, {"role": "user", "content": "用两句话解释什么是混合注意力机制"} ], temperature=0.7 # 0-1，越低输出越确定 )

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

几个实际踩过的坑，顺手记一下：

1. **base_url 以官方文档为准**。平台的接入域名经历过调整，如果你复制的是半年前的教程，可能连不上。
2. **长上下文不是免费的**。1M token 听起来很爽，但按量计费下，把整本 PDF 塞进去的成本可能比你分块处理还高。
3. **流式输出记得开 `stream=True`**，尤其是做对话类产品，否则用户会盯着空白页等好几秒。

哪些场景值得优先考虑

不是所有任务都适合用 MiniMax。结合我这大半年的使用体感，优先级大致是这样的：

长文档处理是它最有优势的地方。我拿一份 300 多页的技术标准文档做过测试，一次性输入后能准确定位到中间章节的细节条款，省掉了切块、检索、拼接那一整套 RAG 逻辑。做合同比对、论文综述这类活儿，效率提升很直观。

多模态场景主要靠 VL-01 和视频生成模型撑着。海螺 AI 的视频生成在国内产品里口碑不错，做营销素材的团队可以试试。

AI 陪伴类应用是它的传统强项——星野和 Talkie 本身就是自研产品，角色一致性和长对话记忆上积累了不少工程经验，开放平台里也有对应的能力。

反过来说，复杂数学推理和高难度代码生成目前不是它的舒适区。M2 主打 Agent 场景，但遇到需要长链条推理的任务，我一般还是会切换到专门优化的模型上。这不是说它不行，而是每个模型都有自己的性价比曲线。

想横向对比其他国产大模型的接口能力，我在 VergeX AI 工具导航 里整理过一份清单，可以对着看。

我的判断与学习路径建议

关于「minimax公司全称」这个搜索词，背后其实藏着一个更实际的需求：确认你面对的是哪家公司、它有什么技术底牌、值不值得接入或合作。

上海稀宇科技这家公司的特点很鲜明——团队来自商汤系，工程能力强于学术包装，模型迭代速度快，商业上 C 端产品和 B 端开放平台两条腿走路。它有港股上市的推进动作，信息披露相对更规范，这对做尽调的人来说是好事。

如果你刚开始接触，我建议的路径是这样的：

1. **先跑通 API**，用最小示例验证自己的场景是否匹配，别急着看论文。
2. **再读技术博客**，重点看 Lightning Attention 那部分，理解它能做什么、不能做什么。
3. **最后做成本测算**，把长上下文的计费方式算清楚，再决定架构怎么设计。

关键要点速览：

• MiniMax 的公司全称是上海稀宇科技有限公司，2021 年 12 月成立
• 关联主体还包括名之梦（上海）科技有限公司，尽调时别漏
• 核心技术标签是 Lightning Attention 混合注意力 + MoE 架构
• 开放平台兼容 OpenAI 协议，迁移成本低
• 长文档与多模态是优势区，复杂推理需权衡

延伸阅读

• [国产大模型厂商技术路线对比](https://nav.vergex.cn) —— 收录了主流厂商的模型版本、参数规模与定价信息
• [AI 工具导航首页](https://nav.vergex.cn) —— 按场景分类的 AI 工具索引，持续更新

相关推荐

• **阅读相关专题**：如果你在做模型选型，可以继续关注本站「大模型」分类下的其他厂商拆解文章，理解不同技术路线的取舍逻辑。
• **查看工具推荐**：访问 [VergeX AI 工具导航](https://nav.vergex.cn)，获取大模型 API、开发框架与部署工具的最新收录情况。
• **订阅更新**：本站内容持续更新，建议通过邮件或微信订阅，第一时间获取国产大模型的版本动态与实测记录。