minimax是什么公司有没有食堂？AI大模型公司底细核查实录

上个月有个刚毕业的学弟来问我，说他在面试准备时搜到一串很怪的词——「minimax是什么公司有没有食堂」。他原本只是想搞清楚这家公司靠不靠谱，结果搜索引擎给他推的全是招聘广告和二手转述。我听完笑了，这个搜索词其实特别真实：一半是技术好奇心，一半是打工人最朴素的关切。我自己从 2023 年开始用 MiniMax 的 API 做长文本处理，也在 2025 年他们开源 M1 之后认真跑过几轮测试，所以干脆把这两件事一次讲清楚。

核心结论摘要：MiniMax（上海稀宇科技）成立于 2021 年 12 月，是国内头部大模型公司之一，2025 年先后开源 MiniMax-M1 与 MiniMax-M2 两款重量级模型。至于「有没有食堂」——截至本文发布，MiniMax 官方渠道并未公开披露员工餐饮福利的具体安排，网络上流传的说法缺乏一手来源，需要谨慎对待。

MiniMax 到底是一家什么样的公司

先说公司本身。MiniMax 的中文主体是上海稀宇科技有限公司，2021 年 12 月成立，总部在上海，创始人闫俊杰此前在商汤科技担任副总裁。这家公司的定位很清晰：从第一天起就做多模态大模型，而不是先做纯文本再补图像。

它的产品线大致可以分成三块：

• **底层模型**：abab 系列（对话）、MiniMax-Text-01、MiniMax-VL-01、MiniMax-M1、MiniMax-M2
• **C 端应用**：海螺 AI（对话与视频生成）、星野（AI 角色互动，海外版叫 Talkie）
• **开放平台**：面向开发者的 API 服务

有意思的是，MiniMax 在 C 端的存在感比很多同量级公司强。海螺 AI 的视频生成在 2024 年底到 2025 年初那一波里确实刷了不少屏，我身边做短视频的朋友有几个真的把它接进了工作流。这条"模型 + 应用"双线走的路线，和只做 API 的公司相比，商业闭环更完整，但也意味着团队要同时扛住两边的节奏。

技术底子：MiniMax 的大模型是怎么搭起来的

这部分是我更关心的。MiniMax 在架构选择上有两个比较鲜明的标签：线性注意力和大规模 MoE。

从 abab 到 M1、M2 的演进

2024 年 3 月发布的 abab 6.5 是它早期的代表作，官方称参数规模达到万亿级别，但没有开源。真正让开发者圈子炸锅的是 2025 年。

2025 年 1 月，MiniMax 发布并开源 MiniMax-Text-01 和 MiniMax-VL-01，总参数 4560 亿，每个 token 激活约 459 亿，上下文长度做到 400 万 token——这个数字在当时相当激进。据 MiniMax 官方技术报告（2025 年 1 月），该模型采用了混合线性注意力架构，用 Lightning Attention 处理大部分 token，只在关键位置使用传统 softmax 注意力，从而把长上下文的推理成本压下来。

2025 年 6 月，MiniMax-M1 开源，同样 4560 亿总参数、459 亿激活，上下文缩减到 100 万 token，但换来了更强的推理能力，官方称其数学与代码基准表现接近同期国际一线开源模型。

2025 年 10 月，MiniMax-M2 发布，这次走向了另一个方向：总参数 2300 亿，激活仅 100 亿，专门为 Agent 和代码任务优化。激活参数砍到十分之一，意味着推理成本和延迟大幅下降，这明显是冲着"能大规模跑起来的生产力工具"去的。

| 模型 | 发布时间 | 总参数 | 激活参数 | 上下文长度 | 开源许可 | |---|---|---|---|---|---| | abab 6.5 | 2024 年 3 月 | 未公开（万亿级） | 未公开 | 未公开 | 闭源 | | MiniMax-Text-01 | 2025 年 1 月 | 4560 亿 | 459 亿 | 400 万 token | 开源 | | MiniMax-M1 | 2025 年 6 月 | 4560 亿 | 459 亿 | 100 万 token | Apache 2.0 | | MiniMax-M2 | 2025 年 10 月 | 2300 亿 | 100 亿 | 约 20 万 token | MIT |

数据来源：MiniMax 官方模型发布博客与技术报告（2025 年 1 月、6 月、10 月）

线性注意力这条路，为什么值得关注

大模型推理的成本大头在注意力计算，标准 softmax 注意力的复杂度随序列长度平方增长。MiniMax 押注的线性注意力把这块降到接近线性，代价是精度上要做不少补偿设计——比如混合架构、门控机制、位置编码调整。

坦白讲，这条路并不好走。2024 年之前不少团队试过纯线性注意力，效果都打了折扣。MiniMax 的做法是"不追求纯，而是追求可控的混合比例"，这个思路我觉得更务实。

我在实际项目里用 MiniMax 的 API 处理过一份 80 万字的行业访谈合集，做主题聚类和观点抽取。用 M1 的时候，长上下文确实能一次装下，不需要做分块拼接，省掉了很多"上下文丢失"的麻烦。但速度确实不算快，批量跑的时候得有耐心——这也是长上下文模型的通病，不是 MiniMax 一家的问题。后来 M2 出来，我把它换到了代码 Agent 的活上，激活参数小，响应明显利索，只是长文档场景就不太够用了。所以我的判断是：M1 和 M2 不是替代关系，是两个不同工位的工具。

那到底有没有食堂？一次较真的信息核查

现在说后半句。

我可以负责任地说：截至我写这篇文章时，MiniMax 官方招聘页面、官方公众号和公开的媒体采访中，都没有出现过关于"公司食堂"的明确描述。 网上那些"据说有""听说不错"的说法，我一路追下来，基本都指向同一个源头——某个匿名论坛的帖子，而且那个帖子连发帖人是不是在职员工都无法确认。

这可能让一部分读者失望，但它本身是个有价值的结论："没找到一手来源"和"没有"是两回事，我们在信息核查时要区分清楚。

为什么这个问题搜不到答案

原因其实很简单：

1. **公司福利不是法定披露项**。除了上市公司年报里会提员工福利总额，非上市公司没有义务公开食堂、班车、健身房这些细节。
2. **上海很多科技公司的办公模式是园区共享食堂**。如果 MiniMax 的办公室在某个产业园里，那吃饭可能是园区物业提供的，员工自己都不会觉得那是"公司食堂"。
3. **这类信息的传播主要靠员工社交媒体**，而员工晒公司的动力通常集中在技术成果和团建，不会专门晒食堂。

我实际用过的几条核查路径

如果你真的在意这个（比如正在考虑 offer），我建议按这个顺序查：

• **官方招聘页**：看 JD 里的"我们提供"栏目，正规公司会把有竞争力的福利写上去，没写的基本就是不突出
• **脉脉 / 即刻 / 小红书**：搜公司名 + "食堂""午餐""餐补"，重点看有没有带工牌或办公室照片的帖子，纯文字爆料可信度打对折
• **面试时直接问 HR**：这是最靠谱的，问"公司提供餐补还是食堂"完全属于合理提问范围，专业 HR 不会觉得冒犯
• **看办公地点的园区配套**：上海张江、漕河泾这类园区，很多都有成熟的园区食堂，这个可以侧面印证

说句实在话，如果一家 AI 公司你在纠结的是食堂，那可能说明你还没想清楚自己为什么去。我个人的排序是：模型技术路线 > 团队稳定性 > 薪资结构 > 办公环境 > 餐饮福利。当然，这只是我的排序，不构成对你的建议。

给开发者和求职者的几条实操建议

如果你是开发者，想上手 MiniMax 的模型，我的建议是：

1. **先跑 M2 做 Agent 类任务**。100 亿激活参数对显存友好，单卡就能跑起来，成本可控，适合验证想法。
2. **长文档场景再上 M1**。注意 100 万 token 上下文虽然够用，但推理延迟会明显上升，做好异步和批处理的设计。
3. **视频生成走海螺 AI 的开放平台**。这块和文本 API 是分开的计费体系，别混在一起算预算。
4. **关注开源许可差异**。M1 是 Apache 2.0，M2 是 MIT，后者在商业集成上更宽松，做产品的话这一点很关键。

如果你是想找 MiniMax 官方入口或者对比其他国产模型的调用成本，我在 VergeX AI 工具导航 上整理过一份国产大模型 API 的横向对照，包括价格、上下文长度和开源情况，可以省掉不少翻官网的时间。

总结与学习路径

回到最初那个问题。minimax是什么公司有没有食堂——前半个问题的答案很清晰：它是一家成立于 2021 年、以多模态大模型为核心、在 2025 年靠 M1 和 M2 两款开源模型打出技术声量的国产大模型公司。后半个问题的答案则是：公开渠道暂无一手信息，建议以官方招聘信息为准，面试时直接确认。

我给自己的学习路径是这样的：先用 M2 跑通一个最小可用的 Agent demo，理解 MoE 激活参数对成本的影响；再去读 M1 的技术报告里关于混合线性注意力的章节，搞懂它怎么在精度和效率之间做权衡；最后回到应用层，想想自己手上的业务有没有真正需要百万级上下文的场景——如果没有，那就不用为了参数去追新。

2026 年国产大模型的竞争重心，我判断会从"谁的榜单分高"转向"谁的单位推理成本更低、谁的 Agent 更可靠"。MiniMax 在 M2 上的取舍，其实已经透露了这个信号。

延伸阅读

• [VergeX AI 工具导航](https://nav.vergex.cn) — 国产大模型 API 价格与能力横向对照
• MiniMax 官方技术报告与模型发布博客（2025 年 1 月 / 6 月 / 10 月）
• MiniMax-Text-01 论文：*MiniMax-Text-01: Scaling Large Language Models with Hybrid Linear Attention*（arXiv，2025 年 1 月）

相关推荐

继续深挖国产大模型专题 如果你对 MiniMax 之外的其他国产模型也感兴趣，VergeX 的大模型专题里还有关于 MoE 架构演进、长上下文推理优化、开源许可合规的系列文章，适合成体系地读。

工具与资源 想一次性对比各家 API 的调用成本、上下文窗口和开源协议？直接去 VergeX AI 工具导航 看对照表，比逐个翻官网快得多。

订阅更新 VergeX 会持续跟踪国产大模型的版本迭代和开源动态，你可以通过邮件或微信公众号订阅更新，新模型发布当天就能收到拆解。