MiniMax是哪家公司的大模型？国产开源模型实战指南

上个月有个做企业知识库的朋友来问我：客户招标文件里写着"须支持国产大模型"，MiniMax 是哪家公司的大模型，能不能过合规那一关？我当时愣了一下——不是不知道答案，而是发现这个名字在开发者圈子里的存在感，远不如它家的消费级产品"海螺AI"和"星野"。

这个问题其实挺典型的。MiniMax 属于那种"模型很能打、公司很低调"的类型，很多人用过它的视频生成，却不知道背后的模型体系长什么样，更不清楚它已经开源了两个可以自己部署的权重。这篇文章我打算把公司背景、技术路线和实际接入方式一次讲清楚，顺手把我在项目里踩过的坑也写进去。

核心结论摘要：MiniMax 是上海稀宇科技研发的大模型系列，公司 2021 年底由前商汤副总裁闫俊杰创立，2024 年获阿里领投 6 亿美元融资，2025 年递表港交所；其开源模型 MiniMax-M2 采用 230B 总参数 / 10B 激活参数的 MoE 架构，以 MIT 许可发布。

直接回答：MiniMax 到底是哪家公司的大模型

一句话版本：MiniMax 是上海稀宇科技有限公司自研的大模型品牌，公司英文名就是 MiniMax，中文媒体也常称它"稀宇科技"。

它不像百度文心、阿里通义那样背靠大厂，而是一家独立的创业公司。团队 2021 年 12 月成立，创始人闫俊杰此前在商汤担任副总裁、通用智能技术负责人，是中科院博士出身，做计算机视觉和深度学习框架起家。整个创始团队里商汤系占比不低，这也是为什么 MiniMax 早期在工程效率上的口碑一直不错。

公司走的是"模型 + 产品"双线打法，这点和很多只卖 API 的厂商不一样：

• **C 端产品线**：星野（海外版 Talkie）、海螺 AI 助手、海螺 AI 视频生成、MiniMax Audio 语音合成
• **模型 API 线**：abab 系列对话模型、MiniMax-Text-01、MiniMax-VL-01、MiniMax-M1、MiniMax-M2
• **开放权重**：M1 和 M2 都放出了可下载的模型权重，M2 用的是 MIT 许可，商用限制很宽松

资本层面，腾讯、米哈游、IDG、高瓴、红杉中国都进过它的股东名单。2024 年 3 月，阿里巴巴领投了 6 亿美元，那一轮估值超过 25 亿美元。2025 年公司向港交所递交了上市申请，如果顺利挂牌，会是国内少数以"基座模型"为主业上市的 AI 公司。

从闪电注意力到 MoE：这家公司的技术底牌

说实话，MiniMax 最让我意外的不是参数规模，而是它在注意力机制上的执念。

2025 年 1 月发布 MiniMax-Text-01 时，官方技术报告（arXiv:2501.08313）里给了一组数据：模型总参数 456B，每次推理只激活 45.9B，上下文窗口做到 100 万 token，推理阶段还能外推到 400 万 token。做到这一点的关键是 Lightning Attention——一种线性注意力变体。它的设计是混合结构，每 8 层里有 7 层用线性注意力，只保留 1 层标准 softmax 注意力。线性注意力的计算复杂度对序列长度是线性的，标准注意力是平方级的，这就是长上下文能撑住的根本原因。

到了 2025 年 6 月的 MiniMax-M1，团队把重点转向了推理能力。同一时期的 M1 技术报告（arXiv:2506.13585）提到，他们用 512 块 H800 训练了三周左右完成强化学习阶段，算下来成本约 53.47 万美元。这个数字在动辄千万美元训练成本的行业里，算是相当克制了。

10 月 27 日发布的 MiniMax-M2 则是另一次取舍：总参数从 456B 砍到 230B，激活参数从 45.9B 压到 10B，主打 Agent 和代码场景。参数少意味着单次推理显存占用和延迟都下来了，这对要自建推理服务的团队来说很实际。

下面这张表是我整理的几代模型对比，方便你判断该选哪个：

| 模型 | 发布时间 | 架构 / 参数 | 上下文 | 开放程度 | |---|---|---|---|---| | abab6.5s | 2024 年 | MoE，未公开细节 | 约 24.5 万 token | 仅商业 API | | MiniMax-Text-01 | 2025 年 1 月 | 456B 总参 / 45.9B 激活 | 100 万 token | 开放权重 | | MiniMax-M1 | 2025 年 6 月 | 456B 总参 / 45.9B 激活 + RL | 100 万 token | 开放权重 | | MiniMax-M2 | 2025 年 10 月 | 230B 总参 / 10B 激活 | 约 20 万 token | MIT 许可 |

如果你正在做选型，可以先看看国产大模型横向对比，里面把几家的长上下文能力放在一起测过。

我拿 MiniMax-M2 跑了什么：Agent 编排的真实体感

坦白讲，我一开始对 10B 激活参数的模型做复杂 Agent 任务是持怀疑态度的。今年十月我手头正好有个内部项目，需要把自然语言需求转成 SQL 再执行、失败后自我修复，之前用的是某家 70B 级别的模型，效果稳但成本肉疼。

换成 MiniMax-M2 之后，第一周的结果比我预期好。多轮工具调用的格式遵循度很稳，基本不会出现输出 JSON 里混进解释文字这种低级错误——这一点在 Agent 场景里比"聪明"更重要。中文长文档理解也没掉链子，我们有一批 5 万字的合同文档要抽取条款，它处理起来没什么压力。

但也不是没有短板。我拿它做过几道需要多步数学推导的题，表现明显不如参数更大的模型，链条一长就容易跳步。所以我的判断是：如果你的场景是工具调用、信息抽取、代码补全这类"结构化任务"，M2 的性价比很突出；如果是复杂数学推理或者需要极强逻辑闭环的任务，还是得看更大的模型。

另一个真实感受是部署门槛。10B 激活参数意味着用单张 80G 显存的卡配合量化就能跑起来，这对想私有化部署的中小团队来说，比动辄要 8 卡集群的方案友好太多。想进一步压推理成本的话，可以翻翻大模型推理成本优化那篇，里面聊过量化与批处理的取舍。

接入实战：三步把 MiniMax 接进你的项目

MiniMax 提供了 OpenAI 兼容接口，所以如果你已经写过 OpenAI 的调用代码，迁移成本基本为零。下面这段代码可以直接跑，记得先把 API Key 换成自己的。

需要先安装：pip install openai

from openai import OpenAI

client = OpenAI( api_key="你的_MiniMax_API_Key", # 在 MiniMax 开放平台控制台获取 base_url="https://api.minimaxi.com/v1" # 国内节点；海外可用 api.minimax.io )

resp = client.chat.completions.create( model="MiniMax-M2", # 也可换成 abab6.5s-chat 等对话模型 messages=[ {"role": "system", "content": "你是一位严谨的技术助手，回答要给出依据。"}, {"role": "user", "content": "用三句话解释什么是闪电注意力机制。"} ], temperature=0.3, # 技术类问题调低温度，输出更稳定 max_tokens=512 )

print(resp.choices[0].message.content)

几个实操细节值得提醒一下：

• **base_url 别写错**。国内节点是 `api.minimaxi.com`，注意结尾多了个 i，这个域名坑过不少人。
• **模型名要区分大小写**。M2 这类新模型对名称校验比较严格，写错了会直接报模型不存在的错。
• **长上下文任务记得控制输入**。虽然 M1 能撑 100 万 token，但输入越长延迟越高，实际项目里我一般会先做一轮检索裁剪再喂进去。
• **想本地部署的话**，M2 的权重在 Hugging Face 上可以直接拉，配合 vLLM 之类的推理框架启动就行。

学习路径与选型建议

如果你刚接触这个模型体系，我的建议是按这个顺序走：先用 API 跑通一个最小 demo，理解它的输出风格和工具调用格式；然后找一个小而真实的场景（比如日志分类、工单摘要）做一周对照测试；最后再决定是继续用 API 还是自建推理。

至于选型，给几条我自己总结的判断标准：

• 需要私有化部署、预算有限 → 优先看 MiniMax-M2
• 需要超长文档理解（几十万字级别） → 关注 M1 / Text-01 的长上下文能力
• 只是想做产品验证 → 直接用 API，别一上来就折腾部署
• 对多模态有需求 → 看看 MiniMax-VL-01 和它家的视频生成模型

关键要点速览：

1. MiniMax 是上海稀宇科技的大模型品牌，独立创业公司，非大厂子品牌
2. 创始人闫俊杰来自商汤，公司 2025 年已递表港交所
3. 技术主线是闪电注意力 + MoE，长上下文是核心差异点
4. M2 以 MIT 许可开源，230B 总参 / 10B 激活，主打 Agent 与代码
5. 接入用 OpenAI 兼容接口，迁移成本极低

相关推荐

• **阅读相关专题**：想系统了解国产模型的整体格局与技术路线差异，可以关注 VergeX 的「大模型」分类专题，我们会持续跟踪各家模型的开源动向和实测数据。
• **查看工具推荐**：更多 AI 模型、推理框架和开发工具的收录与对比，见 [VergeX AI 工具导航](https://nav.vergex.cn)。
• **订阅更新**：VergeX 每周整理一次 AI 技术雷达简报，覆盖新模型发布、论文速递和工具更新，可通过站内邮件订阅或关注公众号获取推送。