MiniMax创始人谈AI：国产大模型如何走差异化路线
2025年6月，MiniMax开源了M1——一个总参数456B、激活参数45.9B的推理模型，上下文窗口开到100万token。同一个月，创始人闫俊杰密集接受了数轮媒体访谈。我把官方技术报告和几篇访谈记录翻完之后，最大的感受是：这家公司的叙事方式和大部分国产大模型团队不太一样。他们很少提"对标GPT-4"，反而在反复算一笔账——每一块钱的推理成本，能换回多少有效智能。
核心结论摘要：MiniMax创始人谈AI的逻辑可以浓缩成三句话——模型能力本身是唯一护城河，架构创新（线性注意力+MoE）是压低推理成本的关键抓手，产品必须长在模型之上、而不是套在模型之外。
闫俊杰的底牌：技术派出身决定了叙事方式
闫俊杰是中科院博士，创业前在商汤担任副总裁、通用智能技术负责人。2021年12月他创办MiniMax的时候，ChatGPT还要再过将近一年才发布。这个时间点很关键——它不是跟着风口起来的团队，而是在风口之前就已经在赌一件事：通用模型能力会持续变便宜、变强，最终变成基础设施。
团队早期产品走的也不是"先做一个聊天机器人"的路子。Glow（后来的星野）做AI社交，Talkie打海外陪伴市场，海螺AI切视频生成。乍看很分散，其实背后是同一个判断：没有应用侧的真实用户数据回流，模型迭代会失去方向。
坦白讲，我第一次看到这个产品矩阵时是有点困惑的。但把闫俊杰的几次公开表达串起来看，逻辑就通了——他不太相信"先把模型做到最强，再想怎么用"这条路径。
MiniMax创始人谈AI的四个核心判断
MiniMax创始人谈AI时反复回到的几个判断，我认为值得单独拆开说。这些判断不是抽象口号，都能在技术报告里找到对应动作。
判断一：模型即产品，不做纯中间层。 闫俊杰在公开访谈中表达过一个态度：如果只是调用别人的模型做一层包装，长期没有壁垒。这也解释了为什么MiniMax从第一天就自研底层架构，而不是做应用集成商。
判断二：推理成本决定生死。 这是MiniMax技术路线里最有辨识度的一点。大模型训练贵，但真正拖垮商业模型的是推理——每一次对话、每一次视频生成都在烧钱。所以他们的架构选择几乎全部围绕"单位token成本"展开。
判断三：开源是手段，不是情怀。 M1选择开源，在国产头部团队里并不常见。从结果看，这是一次开发者生态的卡位——让研究者用起来、让企业低成本试起来。
判断四：多模态不是加分项，是必选项。 MiniMax-VL-01与文本模型同期发布，海螺AI视频模型持续迭代，这条线一直没停。
技术拆解：线性注意力、MoE与RL算法到底改了什么
要理解MiniMax创始人谈AI时的底气，得落到具体架构上。以下是三个最关键的改动。
Lightning Attention（线性注意力） 是指把标准注意力的O(n²)复杂度降到接近O(n)的机制。根据MiniMax官方技术报告《MiniMax-01: Scaling Foundation Models with Lightning Attention》（2025年1月），模型每8层里有7层使用线性注意力，只有1层保留标准softmax注意力。这种混合设计既保住了长上下文的效果，又把推理时的KV缓存压力大幅削掉。
MoE（混合专家） 在这里的作用是"参数大、激活少"。456B总参数听起来吓人，但每次前向只激活约45.9B，实际计算量接近一个中型稠密模型。
CISPO强化学习算法 出现在M1的技术报告里（《MiniMax-M1: Scaling Test-Time Compute Efficiently with Lightning Attention》，2025年6月）。它只对被选中的部分token计算梯度，官方给出的说法是显著降低了长序列RL训练的开销。
| 模型 | 发布时间 | 总参数 | 激活参数 | 上下文长度 | 核心机制 | |------|---------|--------|---------|-----------|---------| | MiniMax-Text-01 | 2025年1月 | 456B | 45.9B | 100万token | 混合Lightning Attention + MoE | | MiniMax-M1 | 2025年6月 | 456B | 45.9B | 100万输入 / 40K输出 | 同上 + CISPO强化学习 | | MiniMax-VL-01 | 2025年1月 | 未公开 | 未公开 | 100万token | ViT + 图像适配器 |
这张表里最值得盯的是"上下文长度"那一列。100万token意味着什么？大概是一本《三体》三部曲的体量能一次性塞进去。我在做一个合同比对的小工具时试过类似的长上下文模型，说实话，把几十份PDF直接丢进去提问，比传统RAG切片的体验要顺——当然代价是你要接受更长的首token延迟。
开发者怎么用：从API到实际场景
聊完原理，回到能上手操作的部分。
接入MiniMax的模型，最省事的路径是走它兼容OpenAI协议的API。下面这段代码可以直接跑，注意把key换成自己的：
from openai import OpenAI
MiniMax 开放平台兼容 OpenAI SDK，改 base_url 即可
client = OpenAI( api_key="你的MiniMax_API_Key", base_url="https://api.minimax.chat/v1" )
resp = client.chat.completions.create( model="MiniMax-Text-01", # 具体模型名以官方文档为准 messages=[ {"role": "system", "content": "你是一个严谨的技术助手"}, {"role": "user", "content": "用三句话说明线性注意力为什么能降低推理成本"} ], temperature=0.7 )
print(resp.choices[0].message.content)
几个我踩过坑的地方：
- **长上下文不等于免费。** 100万token能吃进去，但计费和延迟都跟着涨，别拿它当无脑方案。
- **模型名要对着官方文档核对。** 平台模型ID更新比较频繁，硬编码容易报错。
- **推理类任务优先试M1。** 它在数学和代码上的表现比通用对话模型更稳。
想横向对比其他国产大模型的接入方式，可以翻一下VergeX的大模型工具导航，里面按场景做了分类。
我的判断：这条路线能走多远
说点个人看法。
MiniMax创始人谈AI时表现出的克制，我觉得是这个团队最值钱的地方。国内很多团队在2023年那波浪潮里选择了"参数军备竞赛"，堆到千亿、万亿，但推理成本没人敢算。MiniMax反着来，把工程优化放在第一位——这在短期看不够性感，长期看却是唯一能跑通商业闭环的路。
但这条路也有风险。线性注意力在极端长文本上的效果衰减，学界一直有争论；开源M1能带来开发者好感，能不能转化成收入是另一回事。我个人不太看好"开源换生态"在两年内直接变现，它更像是一种防守性投入。
不过话说回来，如果推理成本真能持续压到别人的三分之一，那这件事本身就已经是护城河了。
关键要点速览
- MiniMax创始人闫俊杰是前商汤副总裁，2021年12月创业，比ChatGPT早近一年。
- MiniMax创始人谈AI的核心判断是"模型即产品"，不做纯中间层包装。
- 技术路线的关键词是混合Lightning Attention + MoE，目标是把单位token推理成本打下来。
- M1（2025年6月）用CISPO算法降低长序列RL训练开销，并选择开源。
- 开发者可以通过兼容OpenAI协议的API低成本接入，模型名以官方文档为准。
相关推荐
- **阅读相关专题**：想系统了解国产大模型的技术路线分野，可以继续浏览VergeX「大模型」分类下的架构对比与推理优化内容。
- **查看工具推荐**：需要选型、比价或找接入文档，直接去 [VergeX AI工具导航](https://nav.vergex.cn) 按场景筛选。
- **订阅更新**：MiniMax后续模型迭代和开源动作我们会持续跟进，欢迎订阅VergeX的邮件或微信推送，第一时间收到解析。
延伸阅读
- [VergeX AI工具导航](https://nav.vergex.cn)——大模型、多模态、视频生成工具一站汇总
- [VergeX 大模型专题](https://nav.vergex.cn)——训练、推理、部署相关的深度内容合集