上周三晚上，我在整理一份国产大模型商业化对比的资料，顺手在搜索框敲了「minimax股价走势」几个字。翻了两页，结果让我有点哭笑不得——有把博弈论里 minimax 算法曲线当成股票图的，有拿某家名字带「Mini」的港股公司凑数的，还有几张明显是 AI 生成的假 K 线。

这篇东西就是那次踩坑之后的产物。我会说清楚 MiniMax 到底有没有股票、为什么这么多人在搜「minimax股价走势」、以及真正想追踪这家公司价值变化时，应该盯哪些指标。

核心结论：MiniMax（上海稀宇科技）目前不是上市公司，任何"minimax股价走势"的实时行情图都不存在。截至本文写作时，公司未在港股、A股或美股挂牌交易。想追踪它的价值变化，只能走"技术指标 + 资本动作 + 可比上市公司"这三条替代路径，下文会给出可直接执行的方法。

为什么「minimax股价走势」会成为一个热门搜索词

先说一个容易被忽略的混淆源：minimax 本身是博弈论和决策论里的经典算法名，用于在零和博弈中最小化对手的最大收益。做强化学习、做游戏 AI 的人天天跟它打交道。搜索「minimax」时，算法内容和公司内容在同一批结果里打架，这是第一层噪音。

第二层噪音来自 AI 赛道整体的 IPO 情绪。2024 年以来，国产大模型公司密集传出上市消息，投资人、媒体、散户都在找「下一个标的」。搜索行为有惯性——看到智谱、MiniMax 这些名字频繁出现在融资新闻里，很多人会默认它们已经上市了。

第三层就比较现实了：确实有人靠伪造行情图骗流量。我在某内容平台上见过一张标着「MiniMax 港股实时走势」的截图，点进去发现是把某只小盘股的 K 线改了标题。这类内容对真正想了解公司的人毫无价值，但搜索排名往往还不错。

坦白讲，这个搜索词的高热度本身就是个信号——它说明市场对国产大模型公司的估值定价有强烈需求，而公开信息的供给远远跟不上。

MiniMax 的技术底子，决定了它的估值逻辑

要看懂一家没上市的 AI 公司值多少钱，得先看它的技术路线选了什么牌。

MiniMax 成立于 2021 年 12 月，创始人闫俊杰此前是商汤科技的副总裁。公司产品线铺得比较宽：C 端有「海螺 AI」和「星野」，B 端有开放平台的 API 服务，底层是自研的 abab 系列和 MiniMax-01 系列模型。

2025 年 1 月发布的 MiniMax-01 系列，技术选择挺有意思。它用 MoE 架构做到 456B 总参数，同时把线性注意力机制（Lightning Attention）塞进主干，把上下文窗口拉到 400 万 token 量级。这个组合在当时的开源模型里不常见——主流做法还是标准的 softmax 注意力加稀疏化改造，MiniMax 选择从注意力机制本身动刀。

为什么这件事跟估值有关？因为注意力机制的复杂度直接决定大模型推理阶段的显存占用和单位 token 成本。谁能把长上下文的推理成本压下来，谁在企业级场景里就有议价空间。2025 年 6 月开源的 MiniMax-M1 推理模型，官方技术报告里给的定位也是「长输入、低推理成本」，逻辑是一脉相承的。

再看多模态这条线。海螺 AI 的视频生成能力在 2024 年下半年出圈，这块业务的商业化天花板比纯文本 API 高得多，但对应的算力开支也重。我的判断是：MiniMax 的估值故事里，多模态 C 端产品贡献的是想象空间，B 端 API 贡献的是现金流底盘，两者缺一不可。

如果它明天上市，「股价走势」会被什么驱动

假设 MiniMax 未来真的挂牌，它的股价驱动因子和传统软件公司完全不是一回事。我按重要性排了个序：

| 驱动因子 | 关键观察指标 | 数据获取渠道 | |---|---|---| | 推理成本控制 | 每百万 token 的定价与毛利 | MiniMax 开放平台官方定价页 | | C 端付费转化 | 海螺 AI 月活与订阅收入 | Sensor Tower、七麦数据 | | 模型能力代际 | LMArena、SuperCLUE 等榜单排名 | 公开评测榜单 | | 资本动作节奏 | 融资轮次、估值变化、上市披露 | 港交所披露易、企业信息公示系统 | | 算力供给约束 | 训练卡采购与集群规模 | 行业报告、供应链访谈 |

这几项里，我个人最看重推理成本。原因是国产大模型的收入结构普遍偏 B 端，而 B 端客户对价格极度敏感。模型能力差半档还能忍，API 贵一倍基本就换供应商了。这条规律在国产大模型的推理成本之争里我展开写过，这里不重复。

实操：没有股票代码时，怎么追踪一家 AI 公司的价值

这是本文最实用的部分。没有行情图，不等于没有信号。我平时用三个动作来替代「看 K 线」。

动作一：盯可比上市公司的估值锚。 国产 AI 公司虽然大多没上市，但二级市场已经有一批对标样本，它们的估值倍数会传导到一级市场定价。

| 公司 | 代码 | 上市地 | 与 MiniMax 的可比维度 | |---|---|---|---| | 商汤科技 | 0020.HK | 港交所 | 多模态大模型 + 算力基础设施 | | 第四范式 | 6682.HK | 港交所 | 企业级 AI 平台，B 端商业模式 | | 科大讯飞 | 002230.SZ | 深交所 | 自研大模型，C 端 + B 端混合 | | 云从科技 | 688327.SH | 上交所科创板 | 视觉模型 + 行业大模型落地 | | 寒武纪 | 688256.SH | 上交所科创板 | 推理算力供给方 |

动作二：用脚本定期抓这些标的的量价数据。 手动看盘太累，写个十几行的脚本就够了。下面这段代码用 akshare 拉港股 AI 公司的日线，跑之前先装依赖：

安装依赖：pip install akshare pandas

import akshare as ak import pandas as pd

设定观察窗口：2025年上半年至今

START, END = "20250101", "20250801"

港股AI对标池：商汤科技、第四范式

hk_pool = {"00020": "商汤科技", "06682": "第四范式"}

frames = [] for code, name in hk_pool.items():

拉取港股日线，adjust="" 表示不除权，便于观察真实价格波动

df = ak.stock_hk_hist( symbol=code, period="daily", start_date=START, end_date=END, adjust="", ) df["公司"] = name frames.append(df[["日期", "收盘", "涨跌幅", "公司"]])

result = pd.concat(frames, ignore_index=True)

按公司分组，算出区间涨跌幅，用来判断板块情绪

summary = result.groupby("公司")["收盘"].agg(["first", "last"]) summary["区间涨跌幅(%)"] = (summary["last"] / summary["first"] - 1) * 100 print(summary.round(2))

这段脚本跑出来的结果不是让你去炒这几只股，而是当作一个「AI 板块温度计」。如果整个对标池连续两周下挫，一级市场的融资谈判桌上，估值预期通常也会跟着松动。

动作三：把 API 定价页加入书签，按月记录。 官方定价的调整频率，往往比新闻稿更能反映一家公司的成本压力和竞争策略。我自己的记录表里，MiniMax 开放平台的价格在过去一年有过调整，每次调整都对应着一轮技术迭代或市场竞争动作。

我踩过的两个坑

说真的，这套方法我也不是一开始就想明白的。

第一个坑是过度解读融资新闻。2024 年 MiniMax 完成新一轮融资时，媒体报道的估值数字在圈子里传得很广。我当时拿这个数字去和几家上市 AI 公司的市值硬做对比，后来发现完全不成立——一级市场估值含流动性折价、优先清算权、对赌条款这些复杂结构，直接和二级市场市值比是耍流氓。

第二个坑是拿开源模型的热度当商业化指标。MiniMax-M1 开源那阵子 GitHub star 涨得很猛，我一度觉得这是需求爆发的信号。后来跟几个做企业落地的朋友聊，他们说得很直白：开源模型下载量高，很大一部分是学生和研究者，真正掏钱买 API 的是另一拨人。这两个群体的行为模式差得远。

总结与后续该盯什么

回到最初的问题。搜「minimax股价走势」搜不到东西，不是搜索引擎的问题，是这家公司确实还没上市。与其找不存在的行情图，不如把精力放在三件事上：盯可比上市公司的估值锚、盯官方 API 定价的变化节奏、盯监管披露渠道的资本动作。

未来 12 到 24 个月，如果国产大模型公司真的启动上市进程，港交所披露易的「新上市申请」栏目会是最早的信源，比任何二手报道都快。到那个时候，「minimax股价走势」这个词才会真正有意义。

关键要点速览：

• MiniMax（上海稀宇科技）目前未在任何交易所上市，不存在真实的「minimax股价走势」行情数据
• 该搜索词的热度源于博弈论算法同名混淆、AI 赛道 IPO 情绪、以及伪造行情图的流量内容
• 追踪未上市 AI 公司价值，可用「可比上市公司估值锚 + API 定价记录 + 资本披露渠道」三件套
• 技术层面重点关注线性注意力机制对推理成本的压缩效果，这直接决定 B 端议价能力
• 一手信源优先看港交所披露易和公司官方开放平台定价页，二手报道需交叉验证

相关推荐

阅读相关专题

• [国产大模型的推理成本之争](https://vergex.cn/posts/llm-inference-cost)
• [多模态大模型的商业化路径](https://vergex.cn/posts/multimodal-commercialization)

查看工具推荐

• [VergeX AI工具导航](https://nav.vergex.cn) —— 收录主流大模型开放平台、评测榜单与行业数据源，方便一站式比对

订阅更新

• 通过邮件或微信订阅 VergeX 周报，第一时间获取国产大模型公司的技术迭代与资本动作追踪