上周三晚上，一个做产品的朋友在微信上甩给我一句话：「minimax是什么公司的模型？我在GitHub Trending上刷到 MiniMax-M2，第一反应是那个下棋的算法。」这个问题我今年被问过至少五次，而且问的人里有一半是技术背景不错的开发者。

所以这篇就把话说明白：MiniMax 是中国的一家AI公司，不是算法，也不是那家德国灭火器厂。

核心结论：MiniMax（中文全称"上海稀宇科技有限公司"）是一家2021年12月成立于上海的国产大模型公司。它自研的模型早期叫 abab 系列（abab5.5、abab6.5），2025年起统一为 MiniMax-Text-01、MiniMax-M1、MiniMax-M2 等命名，同时覆盖语音、视频、音乐等多模态方向。

三个"minimax"，先把概念掰开

搜索「minimax」的时候，你至少会撞上三个完全不同的东西。搞清楚这一点，后面所有的困惑都会消失。

MiniMax 模型是指由中国AI公司稀宇科技自研并发布的大语言模型与多模态模型系列，官方命名统一为 MiniMax-xxx 或早期的 abab-xxx。 它和你大学算法课上学的那个 minimax 没有任何血缘关系。

| 名称 | 是什么 | 出现场景 | | --- | --- | --- | | minimax 算法 | 博弈论/对抗搜索算法，用于零和博弈决策 | 算法课、井字棋、围棋AI、Alpha-Beta 剪枝 | | Minimax（德国） | 老牌消防与安全设备制造商 | 灭火器、消防工程 | | MiniMax（中国） | 上海稀宇科技，自研大模型与多模态模型 | 海螺AI、开放平台 API、开源模型权重 |

有意思的是，这个名字冲突反而给 MiniMax 带来了不少自然流量——很多人是搜着"minimax算法"误打误撞进来的。但如果你是在做技术选型，请务必确认自己找的是第三个。

MiniMax 这家公司到底什么来头

先把事实摆出来。

MiniMax 成立于 2021 年 12 月，总部在上海，创始人兼 CEO 是闫俊杰，此前在商汤科技担任高管，负责通用智能相关的研究工作。核心团队来自商汤、字节跳动、微软亚洲研究院等机构——这个履历组合其实解释了它后来为什么能在语音和视频上跑得这么快：商汤系的视觉底子，加上互联网系的产品嗅觉。

融资方面，2024 年 3 月多家媒体报道，阿里巴巴领投了 MiniMax 一笔约 6 亿美元的融资，投后估值超过 25 亿美元。据公开报道，投资方名单里还能看到腾讯、米哈游、高瓴等名字。米哈游的入局不算意外——MiniMax 的 AI 陪伴产品线和二次元用户群体天然重合。

它的产品矩阵大致是这样：

| 产品 | 面向 | 说明 | | --- | --- | --- | | 海螺AI（Hailuo） | C 端用户 | 对话助手 + AI 视频生成，海外版同步运营 | | 星野 / Talkie | C 端用户 | AI 角色陪伴应用，Talkie 主攻海外市场 | | MiniMax 开放平台 | 开发者 | 提供文本、语音、视频、音乐模型 API | | 开源模型 | 开发者/研究者 | 在 Hugging Face、GitHub 上发布权重 |

我在做国产模型横向评测时有个直观感受：MiniMax 是少数"全模态都自己下场做"的公司。大部分国产厂商是文本强、多模态靠拼接，而 MiniMax 的语音和视频是真的当主产品在推。

模型家族：从 abab 到 M2 的技术路线

如果你只想记住一件事，那就是：abab 和 MiniMax-xxx 是同一家公司的产品，只是命名换代了。

早期（2022–2024）的 abab 系列主要面向 API 场景，abab6.5s、abab6.5g 是当时开发者用得比较多的版本。2025 年开始，官方把模型命名统一成了 MiniMax-xxx 格式，同时做了一件很关键的事——开源。

| 模型 | 发布时间 | 参数规模 | 关键特性 | | --- | --- | --- | --- | | abab6.5 系列 | 2024 | 未公开 | 早期商用主力，API 调用为主 | | MiniMax-Text-01 | 2025.01 | 456B 总参 / 45.9B 激活 | 线性注意力混合架构，训练上下文 4M token | | MiniMax-VL-01 | 2025.01 | 同上 | 视觉语言多模态版本 | | MiniMax-M1 | 2025.06 | 456B 总参 / 45.9B 激活 | 开源推理模型，1M 上下文，CISPO 强化学习 | | MiniMax-M2 | 2025.10 | 230B 总参 / 10B 激活 | 面向 Agent 与编码，交错思考机制 | | speech-02 | 2025.04 | 未公开 | 语音合成与音色克隆 | | Hailuo 02 | 2025.06 | 未公开 | 视频生成 |

技术路线上，最值得说的是 Lightning Attention。传统 Transformer 的注意力计算复杂度随上下文长度呈平方增长，MiniMax 的做法是把大部分层换成线性注意力，只在固定间隔插入少量标准 softmax 注意力层做"校准"。按官方技术报告的说法，MiniMax-Text-01 在训练阶段就吃下了 400 万 token 的上下文，推理时对外提供 100 万 token。

坦白讲，我对这套混合架构的评价是"工程上很聪明，但不是免费午餐"。线性注意力在超长文本的精确检索上，早期版本是有掉点的，我实测用它处理上百页 PDF 做细节定位时，偶尔会出现"记得大意、记错数字"的情况。不过到了 M2 这一代，Agent 场景下的工具调用稳定性明显好了很多，这个进步是实打实的。

另一个我觉得被低估的点是成本。M1 官方技术报告披露，其强化学习阶段的训练成本约 53.47 万美元（512 张 H800 跑三周）。而 M2 把激活参数压到 10B，官方定价大约是每百万输入 token 0.3 美元、每百万输出 token 1.2 美元（具体以开放平台价格页为准）。这个价位对做长上下文 RAG 和 Agent 的团队来说，是能算得过账的。

如果你想系统了解国产模型在推理优化上的不同路线，可以参考我们整理的国产大模型技术专题，里面横向对比了几家的架构取舍。

minimax是什么公司的模型使用教程：两条上手路径

分两种人：不写代码的，和写代码的。

路径一：普通用户直接开箱

打开海螺AI网页版或用 App，注册后就能对话，也能直接生成视频。这条路径零成本试用，适合先感受一下中文表达和视频生成的风格再决定要不要接入 API。

路径二：开发者接入 API

注册开放平台账号 → 创建 API Key → 调用。MiniMax 提供了 OpenAI 兼容的端点，这意味着你几乎不用改代码就能迁移过来：

需要先安装：pip install openai

from openai import OpenAI

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

resp = client.chat.completions.create( model="MiniMax-M2", # 模型名以控制台当前列表为准 messages=[ {"role": "system", "content": "你是一位严谨的技术助手，回答简洁准确。"}, {"role": "user", "content": "用三句话解释 MoE 架构的核心思想。"}, ], temperature=0.3, max_tokens=512, )

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

几个实操中容易踩的坑：一是模型名会随版本更迭，别硬编码在配置文件里，从控制台拉；二是长上下文调用按 token 计费，处理长文档前先想清楚要不要做切片；三是开源权重在 Hugging Face 的 MiniMax