MiniMax是什么公司？海螺AI入门指南与技术拆解

这篇就把这团线捋直。我把MiniMax从2021年成立到现在的技术路线翻了一遍，也自己写代码调过它的API，下面这些判断都基于实测和公开资料，不是照抄官网宣传语。

核心结论摘要：MiniMax（上海稀宇科技）是一家2021年底成立的国产大模型公司，海螺AI是它面向C端的AI产品品牌，主打视频生成与通用对话；技术底牌是自研的MoE架构+M1/M2系列模型，其中M2以230B总参数、10B激活参数主打Agent与代码场景。

MiniMax是什么公司？海螺AI又是怎么冒出来的

先把定义说清楚。MiniMax的正式中文名是上海稀宇科技有限公司，2021年12月成立，创始人闫俊杰此前是商汤科技研究院副院长。公司名字取自博弈论里的"minimax算法"——在最小化最坏情况损失的前提下求最优解。挺书生气的一个命名，不过放在大模型这种充满不确定性的赛道里，倒也有点意思。

海螺AI则是这家公司的C端产品品牌。2023年它在海外先推出Talkie（AI角色扮演应用），国内版本叫"星野"，做得相当成功；随后把通用助手和视频生成能力打包成"海螺AI"这个品牌推向市场。所以你现在搜索时看到的大量视频demo，基本都是海螺AI的视频模型产出的。

坦白讲，我最初对这家公司是有偏见的。2023年国内"百模大战"最热闹的时候，MiniMax的声量远不如几家大厂，产品看着也偏娱乐向。真正让我改观的是2025年。这一年它做了三件事：

• 6月开源M1模型，456B总参数、45.9B激活参数，一口气把上下文拉到100万token
• 同月发布视频模型Hailuo 02，在Artificial Analysis的视频竞技场榜单上冲进第一梯队
• 10月发布M2模型，转向Agent和代码场景，把API价格压到相当激进的水平

同年公司向港交所递交了上市申请。从"做AI社交应用的公司"到"能打硬仗的基础模型公司"，这个转身速度在国产大模型圈子里算快的。

技术原理拆解：M1和M2到底强在哪

这一节稍微硬核一点，但理解了这两代模型的设计取舍，你大概就能判断它适合干什么、不适合干什么。

MoE架构与混合注意力机制

MiniMax从abab时代就押注MoE（混合专家）架构。所谓MoE，简单说就是把一个大模型拆成许多"专家"子网络，每次推理只激活其中一小部分。M1的456B总参数里，单次前向只激活约45.9B——这意味着它有着接近千亿级模型的容量，却只需要百亿级模型的推理成本。

M1更关键的设计是混合注意力：大部分层用Lightning Attention（一种线性注意力变体），少量层保留标准Softmax注意力。官方技术报告给出的解释是，纯线性注意力在长上下文里会丢精度，纯Softmax注意力又扛不住100万token的算力开销，混着用是折中。这个选择和国内另一家做线性注意力的路线有明显区别，我在测试长文档摘要时确实感觉它的长文衰减比预期慢。

M2：参数变小，场景变窄，但更能干活

M2的参数是230B总量、10B激活，比M1小了一大截。第一眼看到时我以为是缩水，读完技术说明才明白这是一次场景聚焦：M2的目标不是聊天，而是Agentic Coding——也就是让模型在真实工程环境里自主调工具、跑测试、改代码。

| 对比维度 | MiniMax M1 | MiniMax M2 | | --- | --- | --- | | 发布时间 | 2025年6月 | 2025年10月 | | 总参数 / 激活参数 | 456B / 45.9B | 230B / 10B | | 上下文窗口 | 100万token | 约20万token级 | | 核心定位 | 长上下文推理、通用任务 | Agent、代码生成、工具调用 | | 强化学习方案 | CISPO算法 | 面向Agent场景的RL优化 | | 典型适用场景 | 长文档分析、复杂推理 | 编程助手、自动化工作流 |

（表中参数依据MiniMax官方技术报告与开源模型卡整理，具体数值以官方最新文档为准。）

10B激活参数能跑出可用的代码能力，靠的主要是强化学习阶段的打磨。这点我实测时有体会：让它写一个带重试逻辑的HTTP客户端，它不只是把代码写对，还会主动加上超时配置和日志埋点——这种"多此一举"恰恰是Agent场景需要的。

不过话说回来，M2在纯知识问答上不如M1稳。参数小就是硬约束，没有什么魔法。

多模态与视频生成

海螺AI的视频模型是另一条技术线。Hailuo 02引入了一个叫NCR（Noise-aware Compute Redistribution，噪声感知计算重分配）的训练思路，核心是在扩散模型的不同去噪阶段动态分配算力——早期噪声大的阶段少花算力，后期细节生成阶段多花算力。这个思路和业界主流的DiT架构结合起来，带来了更稳定的物理运动表现。

我拿它生成过一段玻璃杯掉落的视频，碎片轨迹基本符合直觉，这在2024年的开源模型上还很难做到。

实战：海螺AI怎么用，API怎么调

C端使用：网页和App两条路

普通用户直接访问海螺AI官网或下载App就行，核心功能是对话和视频生成。视频生成这块我踩过几次坑，分享几条实际有效的提示词写法：

• **描述镜头运动**，而不只是描述画面内容。"镜头从下往上缓慢推进"比单纯写"一个男人站在雨中"效果好得多
• **拆解时间顺序**。把动作写成"先……然后……最后……"，模型对时序理解明显更准
• **控制单次动作数量**。一段6秒视频里塞三个以上连贯动作，基本会崩

开发者调用：一段可直接跑的代码

MiniMax提供OpenAI兼容风格的API，迁移成本很低。下面这段是我项目里实际用过的简化版本：

依赖：pip install requests

import requests import json

API_KEY = "你的API_KEY"

注意：接入点与GroupId请以官方最新文档为准

BASE_URL = "https://api.minimaxi.com/v1/text/chatcompletion_v2"

def chat(prompt: str) -> str: """调用MiniMax对话接口，返回模型回复文本""" headers = { "Authorization": f"Bearer {API_KEY}", "Content-Type": "application/json", } payload = { "model": "MiniMax-M2", # 模型名按官方文档填写 "messages": [ {"role": "system", "content": "你是一名严谨的技术助手。"}, {"role": "user", "content": prompt}, ], "temperature": 0.7, "max_tokens": 2048, } resp = requests.post(BASE_URL, headers=headers, data=json.dumps(payload), timeout=60) resp.raise_for_status() data = resp.json()

返回结构中的choices[0].message.content

return data["choices"][0]["message"]["content"]

if __name__ == "__main__": print(chat("用三句话解释MoE架构的推理成本优势"))

这段代码的关键点在于`model`字段和`BASE_URL`——MiniMax调整过几次接口域名，写代码时务必对照官方文档确认，别直接抄博客里的旧地址（我就踩过这个坑，调了半天以为是密钥问题）。

国产大模型的API生态这两年变化很快，如果你想横向比较不同厂商的接入方式和定价，可以参考我们在VergeX大模型专题里维护的对比清单。

谁适合用MiniMax？一点不太中立的建议

我对这家公司的判断是：它的长板极长，短板也很明显。

值得试的场景：

1. **视频生成**——海螺AI目前是国内第一梯队的选项，物理一致性表现不错
2. **Agent与代码自动化**——M2的10B激活参数意味着推理成本可控，适合大批量跑Agent任务
3. **长文档处理**——M1的百万token上下文适合合同、论文、代码仓库级别的分析
4. **语音合成**——Speech-02系列在多个第三方榜单上排名靠前，音色克隆效果自然

要谨慎的场景：

• 需要极强世界知识和事实准确性的问答，M2这类小激活模型会吃亏
• 对数据合规有严格本地化要求的金融、政务场景，得先确认部署方案
• 追求生态成熟度的话，它的工具链丰富度还不如头部几家

如果你在选型阶段，我的建议是别只看榜单分数。拿你自己业务里最脏的那批数据去跑一轮，比看十篇评测都有用。

总结与学习路径

MiniMax是国内少数同时在大语言模型、视频生成、语音合成三条线上都有可打产品的公司，海螺AI是它面向普通用户的入口，M1/M2是它面向开发者的底座。理解"minimax是什么公司海螺"这个问题的关键，就是把公司、产品、模型这三层分开看——它们共享同一套技术积累，但面向完全不同的用户。

想上手的话，我建议的路径是：先用海螺AI网页版跑几次视频生成感受下限，再申请开发者API用上面的示例代码跑通一次对话，最后去Hugging Face把M1或M2的模型卡读一遍——技术报告里的评测数据比任何二手解读都可信。

关键要点速览：

• MiniMax（上海稀宇科技）成立于2021年12月，创始人为前商汤研究院副院长闫俊杰
• 海螺AI是其C端产品品牌，核心能力是视频生成与通用对话
• M1主打长上下文（100万token），M2主打Agent与代码（230B总参/10B激活）
• 技术核心是MoE架构 + 混合注意力 + 面向Agent的强化学习
• 优势在视频生成与低成本Agent推理，短板在事实准确性与生态成熟度

相关推荐

延伸阅读：

• [国产大模型技术路线对比专题](https://nav.vergex.cn)——覆盖MoE、线性注意力、强化学习等方向的横向梳理
• [VergeX AI工具导航](https://nav.vergex.cn)——收录海螺AI、MiniMax开放平台等工具的入口与定价信息

工具推荐： 想快速对比海螺AI与其他视频生成、语音合成工具的实测表现，可以到VergeX AI工具导航按分类筛选。

订阅更新： VergeX持续跟踪国产大模型的版本迭代与实测数据，欢迎通过邮件或微信公众号订阅，新模型发布后我们会第一时间出评测。