MiniMax市值反超百度？国产大模型估值逻辑实战指南
说实话，我第一次在行业群里刷到"MiniMax市值反超百度"这个说法时，刚端着咖啡准备回工位，手一抖，差点洒在键盘上。
百度。国内搜索二十年的老大哥，AI 云每个季度几十亿人民币的流水，Apollo 无人车在武汉跑了不知道多少万公里。MiniMax 呢？2021 年底才从商汤体系里出来的一拨人，满打满算四年。把这两家公司放进同一张表里比估值，感觉上像拿一家新势力车企去对标两桶油——放在某个特定指标下确实能比，但直觉上就是哪儿不对劲。
不过话说回来，这种"不对劲"恰恰是这件事值得拆开看的原因。数字本身没那么重要，重要的是数字背后资本市场给出的那套估值逻辑，已经悄悄从"看营收和利润"漂移到了别的位置。
核心结论摘要：MiniMax市值反超百度这个讨论的真正价值，不在于两家公司此刻谁大谁小，而在于资本市场对"生成式 AI 原生公司"和"搜索广告+AI 云"给出了两套完全不同的估值乘数。支撑这个乘数差异的变量主要有三条：多模态大模型的单 token 推理成本、C 端 AI 产品的付费转化率，以及大模型训练从稠密架构转向 MoE 后带来的资本效率变化。
"市值反超"这件事，先拆一拆比较口径
严格来说，这类比较如果不在同一个口径里进行，得出的结论基本没有参考价值。一级市场的融资估值和二级市场的股票市值，本来就是两套完全不同的定价机制，硬拉到一起比，跟拿实缴注册资本去比上市公司总市值差不多。
几种常见的比较口径，差别相当大：
- **融资轮次估值 vs 二级市场市值**：MiniMax 的估值来自最近一轮融资的定价，是投资人和创始团队在特定时点谈出来的数字；百度的市值是每天开盘后几十万笔交易撮合出来的结果。前者可以因为一笔新融资在三个月里涨 50%，后者可能因为一份财报在一个交易日里跌 8%。
- **市销率（P/S）vs 市盈率（P/E）**：AI 原生公司普遍还没有稳定利润，市场只能用 PS 或者更激进的用户增速、调用量增速来定价；百度这种成熟公司，机构看的还是自由现金流和分红能力。
- **中国市场收入 vs 全球收入**：MiniMax 的 Talkie（国内对应产品是星野）很大一块收入来自海外，这部分溢价在估值模型里被单独加权过。
很多人搜"minimax市值反超百度的入门指南"，其实想搞清楚的往往就是这一步——到底是什么口径下出现了"反超"这个说法。坦率讲，在绝对体量上这两家公司还差着数量级，真正出现"反超"信号的，是增速和话题热度这两个维度。
MiniMax 手里的技术牌：从 MoE 架构到多模态矩阵
MiniMax 能在这个讨论里占据一席之地，靠的不是营销，是几项实打实的技术选择。
MoE 加上线性注意力的组合。 2025 年 1 月发布的 MiniMax-01 系列，参数规模做到了 4560 亿，但单次推理只激活 459 亿参数。这是什么概念？用一句话说，就是参数总量决定了模型的知识面，激活参数决定了每次推理要烧多少钱，MoE 架构的作用就是让这两件事解耦。同一个系列里他们还用了 Lightning Attention 这类线性注意力机制，把上下文窗口拉到 400 万 token 量级——长文档、多轮对话、长视频理解的场景里，这个长度的价值是实打实的。
我自己在做一份 300 页 PDF 的交叉引用分析时对比过几家模型的长上下文表现，坦白讲，处理超长输入时，线性注意力方案在首 token 延迟上的表现确实有明显优势，但在需要精细定位的检索任务上，传统全注意力模型仍然更稳。这个取舍要看具体业务，不能一概而论。
多模态产品矩阵铺得比较完整。 文本、语音、视频三条线都有对应模型：文本侧的 MiniMax-Text 系列，语音侧的 speech 系列在公开 TTS 榜单上拿过靠前的位置，视频侧的海螺 AI 生成能力也是国内第一批做商用化的。这种"三线齐发"的策略，和只做单一文本模型的团队比，在商业化落地上天然有更多出口。
出海优先。 这一点容易被忽略。Talkie 在北美市场的用户量长期排在 AI 陪伴类应用前列，海外订阅收入贡献了公司相当比例的收入。出海意味着它不需要和国内巨头在同一个流量池里抢资源。
百度不是动作慢，是结构决定了节奏
我经常看到一种评论说"百度在大模型上太慢了"，这个判断我觉得不够公允，或者至少忽略了公司结构本身带来的约束。
百度在 AI 上的积累其实很早。文心大模型系列从 2019 年就开始了，AI 云业务这几年一直是增速比较快的板块，自动驾驶的萝卜快跑在武汉、北京都有实际运营。问题在于，这些业务都要跟搜索广告这个基本盘抢资源。
搜索广告是什么生意？高毛利、高现金流，但也高度依赖用户注意力的分发路径。生成式 AI 一旦普及，用户获取信息的路径就从"搜关键词→点链接"变成"直接问→拿答案"，中间那个广告位就悬空了。百度自己最清楚这一点，所以它必须在守住广告收入和转型 AI 之间找一个很窄的平衡点。
这个约束是结构性的，不是执行力的问题。一家公司如果 80% 的收入来自 A 业务，那么它做 B 业务的节奏就一定会被 A 业务的稳定性绑住。
有意思的是，这种约束反过来放大了 MiniMax 这类公司的相对优势——没有历史包袱，可以 all in，可以把所有资源压在原生 AI 产品和 API 上。
估值乘数差异：两条路线拆解
把两家公司的核心特征摊开对比，估值的分歧点就清楚了：
| 维度 | MiniMax（AI 原生公司） | 百度（成熟科技平台） | |------|----------------------|---------------------| | 成立时间 | 2021 年 | 2000 年 | | 核心收入来源 | API 调用 + 海外订阅 + 广告 | 搜索广告为主，AI 云次之 | | 大模型技术路线 | MoE + 线性注意力 | 稠密架构为主，自研框架 | | 多模态覆盖 | 文本 / 语音 / 视频全栈 | 文本为主，视觉和语音分线推进 | | 资本属性 | 一级市场 | 港股 + 美股二级市场 | | 定价锚点 | 增速倍数 + 单位调用成本 | 现金流 + 分红 + 云业务增速 | | 主要增长压力 | 商业化落地速度 | 广告基本盘被 AI 搜索蚕食 |
这张表里最值得琢磨的是最后两行。市场给一家公司的估值，本质是在给它未来的现金流折现打一个折扣率。MiniMax 的折扣率锚定在"能让多快增长"上，百度的折扣率锚定在"现有现金流能撑多久"上。当增长预期压过现金流价值时，小体量公司的估值弹性就会被放大，两家公司出现在同一个讨论里也就不奇怪了。
这就是我认为"MiniMax市值反超百度"这个说法在舆论场里能跑起来的根本原因：不是谁真的超过了谁，是两套定价公式的斜率不一样。
给 AI 从业者的实操建议
撇开估值不谈，这件事对真正在做 AI 产品的人有几个可用的提示。
第一，评估模型 API 时把单位 token 成本算清楚，别只看榜单分数。 榜单排名和你的实际业务成本之间经常差着一大截，尤其是长上下文场景。下面这段代码我平时用来快速估算单次调用的成本，改两个参数就能用：
估算一次大模型 API 调用的裸成本
输入输出分开计价是国内主流 API 的通用做法
def estimate_cost(input_tokens, output_tokens, price_in, price_out): """ price_in / price_out 的单位是：元 / 千 token 返回值单位为元，保留 6 位小数方便批量对比 """ cost = (input_tokens / 1000) price_in + (output_tokens / 1000) price_out return round(cost, 6)