深度 | 我見證了 MiniMax 的“至暗時刻”

最緊張時，內部爭吵如期而至。平息之后，我和兩位吵架主角聊天。“我覺得他當時說的是對的，但當時我就是會跟他吵架。”

“反正我們吵完架后并沒有什么個人恩怨。我們爭吵的就是非常細的一些內部參數。”而后來據我了解，在另一個場合，當再次討論到當初的定價風波時，他直接維護了并不在場的被他“點名”的同事。

“他缺的是 context，這是所有人的責任。”

作者 ｜王兆洋
微信｜ Geisterspiele

寫在前面：

剛剛過去的六月，我有機會進入大模型公司 MiniMax 的內部，獲得極高的權限，幾乎全程圍觀了 M3 模型的發布。

M3是中國模型里少有的強化了編程和agent能力的原生多模態模型，它被寄予了很高期待。

起初我被邀請了解這款模型上線的過程，而這個極度扁平化的組織，一切都很透明，于是我幾乎成了一個游蕩其中的幽靈。

然而在它發布后，MiniMax卻迅速陷入另一場圍繞模型產品如何定價的爭論里。各種復雜要素同時撞在一起，這家公司快速陷入了一場小型危機。

于是我又全程近距離體驗了MiniMax的“至暗時刻”。

這次獨特經歷和獲得的權限實屬少見，它讓我有機會看到一家仍在成長期、但已快速完成上市的模型公司，在面對挑戰時內部的爭吵、和解、反思、和對自己的思考。

一切都以10 倍速展開，很雜亂，又有很強的生命力。一家公司真正的氣質，往往也正是在這些困難時刻被真正"暴露"出來。

現在，除了那些最敏感的機密信息之外，我希望把它們全部呈現出來。

1

爭吵

爭吵如期而至。

它發生在 MiniMax 內部為新模型 M3 的發布，組建的100人“作戰”群里。M3 是一個原生多模態、擁有 1M 上下文的模型。它被 MiniMax 寄予厚望，希望在模型能力上就此再上一個臺階。

6月1日一早，M3 正式發布。這無疑是一個定位獨特的模型。當天港股早盤，MiniMax 股價一度漲超 7%。

然而，風暴卻馬上到來。

僅僅半天后，這個剛剛全員熬夜興奮完成模型發布的群里，開始被大家轉發進來的各種外部批評不停沖刷。

爭議發生在這款模型同步發布的定價方案上。

此次 M3 發布同時，新的收費體系同步上線：從過去的訂閱制 Coding Plan 切換成按 token 計費的新版 Token Plan。由于模型的改變，一些用戶很快發現，同樣強度的使用，額度消耗的速度遠超預期。更關鍵的是，這個調整是缺乏解釋的：沒有用戶短信，也沒有站內信，甚至在官方頁面上的解釋信息也不清晰。很多個人開發者登錄之后才發現：規則變了。

不滿開始發酵，有人涌向投訴平臺要求退款，有人宣布不再續訂，并在社交媒體上發泄著他們的不滿。

那時，我已經“潛入” MiniMax 一小段時間。我看到這些截圖也幾乎在第一時間涌入內部各個群里。

一個個沒怎么睡覺的人又快速聚集，討論如何向用戶解釋。內部同步了設計思路后，也第一時間意識到此前缺少溝通。很快大家提出改進辦法。晚間，道歉公告就發了出去——承認調整前沒有和用戶充分溝通、老用戶周限額的處理不妥當，“是我們工作不到位”。

但最終，MiniMax當天股價依然一路轉跌，收跌 15.71%。

每個人都在忙著，每個人都能感到，情緒在發生變化。

模型發布的第二天，焦慮和沮喪到達臨界點。一名技術負責人終于在群里直接質問開放平臺的同事：質問這個定價是如何設計的，后者是服務于模型產品用戶和客戶的部門。

對方自然要爭辯，他們就這么吵起來了。

劍拔弩張的背后，是極大的落差。過去數月，MiniMax 全員撲在一款至關重要的模型上，而現在關注點完全跑偏，每個人都想要趕快弄清楚發生了什么，并快速解決它。

我看到過模型發布前大家的期待，對我來說，這太像是一場互相指責的開端。

吵架是任何公司化運轉的組織里躲不開的事，我總覺得這是個能更好窺探一家公司特質的裂痕。而現在，它就這么毫無預警又恰到好處地我面前發生了。

他們圍繞定價檔位到底要怎么分，額度怎么對應，設計的時候到底有沒有站在用戶視角各執一詞，火藥味十足。但就在激烈情緒對抗的的一個小時內，套餐設計完成了更新。

一場高效率的吵架。

后來我發現，這樣的爭吵在 MiniMax 并不少見，它有時在大群里，有時在會議室里，有時在最高層的討論里，總之很多時候就是這樣，當著任何人的面發生。

風波平息一些之后，我約了兩位吵架主角在會議室聊天。

我跟一個人聊了一會兒，另一個人也推門進來了。我本以為他們之間會有些尷尬，但好像一點都沒有。

“我覺得他當時說的是對的，而且后來事實上已經按照他說的改了。”其中一個人指著另一個人說。“但當時我就是會跟他吵架。”

“反正我們吵完架后也沒有什么個人恩怨。”另一人說。“吵的就是非常細的一些內部參數。”

而后來據我了解，在另一個場合，當再次討論到當初的定價風波時，那名技術負責人直接維護了并不在場的、跟他吵起來的開放平臺同事：他認為定價方案的整體方向沒問題，真正的問題是后者加入公司才兩三個月，更早版本的套餐、更早的用戶情緒，他都沒有經歷過。

“他缺的是 context，這是所有人的責任。”

1

Context

在 MiniMax，大部分時間，人們在上午10點半左右陸續出現在公司。午飯晚飯由公司訂餐，不需要打卡——反而是周末來加班時才要打卡，反過來的考勤可以達到保護員工的作用。

到了中午，工區會慢慢熱鬧起來。位于漕河涇的三層辦公區，每個區域都像“大通鋪”，以各種星星命名的會議室分布四周，使用率幾乎滿轉，員工經常找不到空的會議室；幾個大會議室用來接待，以及開一周一次的全員會。這個每周五午餐時間的全員會，會請各種行業人士來分享。最近一次，一位美國研學回來的上海交大教授分享心理學和 AI 的關系，員工在線上提問，聊“Anthropic 說模型有明顯的 anxiety 和神經質，從心理學角度如何解釋這種表征，如何歸因到訓練方式和數據上”。

模型發布前一個工作日也是周五，全員會照常進行，嘉賓是《凡人修仙傳》的編劇。

公司里很多人是忠實粉絲，包括 IO（MiniMax 創始人閆俊杰的花名，本文里也都使用這個內部名字）。線上提問區關注最多的“問題”只有兩個字：催更。

氣氛輕松愉快，48小時后，被“催更”的變成了 MiniMax 自己。

6月1日，M3 發布前夜，MiniMax 的大多員工聚到上海總部。這一晚，有人在工區盯服務穩定，有人在群里追 checkpoint，也有人在小會議室圍著一桌小龍蝦，熬夜討論最終細節。

但即便如此，這家公司最習慣的協作方式依然是線上，而且最主要的群并非以部門或業務為限，誰有一件事的 context，誰就會進入同一個群里，重要事項也會迅速拉起會議，快速開始，快速結束。很多關鍵信息會在群里突然出現，被所有相關的人同時看見。

Context，是這家公司所有行動里潛移默化在強調的核心。為此，它極大程度鼓勵信息的自由流動。

這樣的組織方式給我的第一印象是混亂而熱火朝天：群多，信息快，人和人之間也就沒有太多緩沖層。像是一個廣場。

6 月 1 日凌晨，新模型 MiniMax M3 進入上線前最后階段，我看到全體算法和開發同學進入了同一個文檔，補上最新 checkpoint 里跑出的榜單成績，以及對這個模型技術細節的最終描述。

隔著屏幕看著幾十個光標同時閃爍、移動、修改，好像整家公司都擠在同一張紙上。

IO 也擠在里面。

M3 發布前的這個凌晨，我看到 IO 也被拉進一個溝通組里，在里面，算法和關鍵技術方向的同事在敲定一些核心細節，討論熱烈，所有人都在提出自己的看法。

IO 大部分時間就是聽著，并非一種所有人聽他指揮的討論方式。但在最后，在足夠多的 context 之后，他會突然開口，給出最終決定。

在觀察和體驗了這家公司的大量協作后，我發現這是一個常態——

一個重要事項需要誰來參與，想到就會第一時間把這個人喊來，因為相信 context 足夠清楚，誰都可以迅速提供和尋找新信息，IO 也不例外。而在充分的 context 下，最終他還是那個做研判、決策，以及更復雜和關鍵事項中做取舍的角色。

在發布模型前那緊張的個48小時，我能直接感受到群里蕩漾著的興奮。

M3 不是一次普通更新。它寄托了這家公司對自己的很多期待。也正是這個原因，當他們的興奮和期待，遭遇了因為“缺少 context” 的 token plan 帶來的質疑、攻擊甚至謾罵沖擊時，對團隊的很多人來說，不啻為“至暗時刻”。

1

癥結

3 月，OpenClaw 帶來了大范圍的 Agent 啟蒙，MiniMax 當時的模型 M2.5 抓住大家在瘋狂“養蝦”的機會，一個性價比極高且能力足夠的模型是這類產品的絕配，MiniMax迎來了它在模型上的一個高光時刻。

但模型格局變化太快。3月18日，MiniMax 隨即推出了 M2.7，一個激活參數僅約 10B 的模型。

而接下來的兩個月，Kimi 開源了 K2.6，DeepSeek 的 V4 做到了1M 上下文，智譜的 GLM-5.1 宣布編程能力逼近 Claude Opus 4.6；在大洋彼岸，Anthropic 已經發了 Claude 5，OpenAI 的 GPT-5.5 也壓上了牌桌。

M2.7 的用戶開始覺得這個定位的模型不夠用了。

一名產品線員工給我分享后臺用戶對模型的反饋：當時的問題分類里，六成都指向了模型的問題。

外界容易忽視的一件事是：MiniMax 是中國最早投入大模型訓練的公司，一直以來對模型所投入的資源也都是最大的。不過，因為 MiniMax 也有自己的產品，更多用戶是通過這些產品（而非模型），建立起了對 MiniMax 的第一印象。

而在模型智能水平過了一個坎之后，MiniMax M2 成為第一個被外界認知到它智能水平的模型。從內部的 KPI 與優先級實際情況來看，提升模型的智能在內部是最重要的目標，一切資源都要投入到交出更強的模型上。

M3 就是這個長期目標里的一個關鍵節點。

“我們的全部注意力都放在了模型的智能本身上了。”多名不同業務線內部員工這樣對我描述發布前幾個月這家公司所有人的狀態。

隨著圍繞 token plan 展開的爭議不斷被放大，在一天之內，我看著這家公司交出它等了數月的模型，剛開始收獲技術圈的一些驚嘆，又因為付費計劃觸發部分用戶的憤怒，然后為此發出道歉，最終蒸發了兩位數百分比的市值。

接下來的幾天，反饋從幾條消息變成各個群里不停會轉入的信息流。而后續方案也接連發出。但很多批評開始顯得偏離付費計劃本身。這些批評轉為謾罵，內部開始發現一些行為特征水軍化的賬號，成了情緒化傳播的節點。

這些都越來越讓人困惑，其中 MiniMax 內部最在意的，是這些討論沖散了人們對模型本身各個技術創新以及新能力的關注。

同時，他們也以一種最刺痛的方式意識到，缺少提前溝通，缺少對用戶的 context 造成的影響有多慘烈。

看似非常難以理解，但在很大程度上，這些問題出在沒有經驗，也源于這個公司太過理想化的行動方式。

如前所說，M3 是 MiniMax 追逐一個更強大模型的起點，但在此之前的更輕量級的模型發布里，它逐漸形成了一種習慣：模型最重要的就是給所有人用到，因此訓練好就盡快發布，大家使用過程中，對模型智能程度的反饋最重要。

在我和多個了解這些決策制定過程的員工交流時發現，這個收費方式的改變和設計，其實早已開始。它是追求模型能力提升里的產物，而非看起來的商業化動作。

大約三四月份的時候，看著訓練中的模型不停變強，內部意識到：新模型對應的付費體系需要更新：舊體系太復雜，每加進一個模型，都要配對應的次數，次數和套餐之間又是一層復雜換算。開發平臺的員工經常遇到這樣的問題——用戶看著那一溜配置，指過來問，你這個是什么？我不知道是什么。

而在模型的“終局”判斷上，內部的觀點是，人們用好的模型會越來越像用水電煤，token 變成服務本身。

既然現在的訂閱方案顯然不是未來，那就要改，怎么個節奏來改？

MiniMax 的很多決策背后的思路再次顯現：既然遲早如此，為何不早點改變。

“不改，用戶可能都沒法用好我們新的模型。”一名內部參與討論和決策的員工對我回憶當初的決定。

這不是 MiniMax 一家的困境。事實上，2026 年上半年整個行業都在重定價。“當一個行業在 6 個月里有 20 倍增速的時候，歷史債是必然發生的，你不可能每一項都停下來做好、思考好了再往前。”

而這一切在 MiniMax 身上也變得復雜。

它成立僅僅4年，一切都是快速成長的過程。但正如我近距離觀察到的那樣：它的內部儼然還是一家創業公司的狀態。

然而，它也是最快完成上市的大模型公司，面對的是復雜的資本市場和商業化的審視，各種初創公司都會忽略的問題因此會被放大數倍，在一個猝不及防的時刻，爆發式地呈現出來。

六月的一切就是這種復雜度的集中體現，一場模型進步帶來的陣痛，以最激烈的方式，逼近在所有人面前。

1

道歉

在 M3 發布后某一周的例行全員會，公司推遲了原本的外部分享，變成了內部閉門的全員復盤——全公司用表格實名提問，把尖銳問題扔進大群，IO 面對所有人。

這個會上，IO 跟所有人道歉：效果沒有達到預期，為此付出的同事，對不住。

我還是很少看到創始人如此直接地和全公司道歉。

接著，IO 分享了他全部的思考——對競爭，對技術，對內部的組織運轉方式，哪里判斷錯了，哪里沒有準備好，以及最重要的，接下來的改變動作。

“沒有很復雜。接下來要做的就是，把模型做好。”有員工這樣總結。

慌亂、沮喪、憤怒、當眾爭吵、在爭吵中快速解決問題。有“問責”，也有包容，但不撕扯，繼續往前走——這似乎并不是每個公司都會做出的應對方式。

這勾起了我更多好奇，我問更多人，也更直白：在類似這樣的時刻和過程里，有沒有過甩鍋？

一名在 AI “大廠”里待過的員工想了想，給我對比了大廠的做法——大廠的思路就是這事誰沒做好？他為什么沒做好？責任是誰的？而在這里，IO 會非常冷靜客觀地講，這件事里哪些做得好、哪些做得不好、產品團隊有哪些做得不好的地方。

“當他說的是客觀事實時，客觀事實是不會給人額外壓力的。”

這種“就事論事”的特質，我在很多員工那里聽到過類似描述，它顯然不是一種能“設計”出來的氛圍。

有在某大廠模型團隊待過，因受夠了內部山頭林立、爭搶資源、安插眼線、頻繁甩鍋等制度性缺陷對模型研發并不斷蠶食憤而離開，轉頭加入 MiniMax 的員工對我說，你其實可以很快發現這里完全不同。

“在一些公司，你在那兒是非常沒有安全感，你會擔心你的項目會突然沒有，擔心有人給你甩鍋，擔心你跟隔壁組織的協同，擔心他去投訴你，就因為 KPI 不同。而在這里，人們可以在大群里吵架，沒有關系，因為創始人會給你一種環境：我們只要把事情想對、把事情做對，就沒有問題。”

還有不少員工看到過兩名聯合創始人之間直接吵起來，吵得很兇——然后下一個會，兩人繼續正常干活。

“我一開始嘀咕，他們倆怎么能吵成這樣？吵完了馬上又好好講話。后來我覺得這也是身體力行在驗證：這就是一個就事論事的公司。”

創始人不但會直接下場吵架，也會被員工挑戰。

一名開發團隊的員工對我描述，他和 IO 也會“吵架”，吵過很多次，而有時候 IO 也會認同他說的。

還有一次我看到群里討論一些思路，某個方案下，一個“點贊”的快速回復來自 IO，表達了認可。然后緊接著，有其他掌握更完整 context 的員工，直接批評和否決了對應的方案。

說完，大家覺得新思路說得更有道理。

一切圍繞如何做好事情。當做錯了，就立正挨罵，然后快速改進。

“這種氛圍不是說出來的，當你開始做事情了，就知道它不一樣了。當你開始說一些觀點，觀察大家的反應，你就會知道。當你去跟別的部門的人溝通，發現大家之間看得非常透明，沒有人防備你，沒有人討論邊界問題的時候，你就會知道是不一樣的。”一名入職不久的員工對我說。

我也問過一些員工：這家公司這樣，是不是太 nice 了？這畢竟是一個無比殘酷斗爭的環境，內部給大家的安全感是不是太多了。

有員工的回答是：安全感保護的是做事情的人。

“只要你在你的領域里想得足夠清楚、足夠專業，所有人都會尊重這個想法。但如果你一直 get 不到大家在說什么，也會受到非常嚴厲的批評——你根本就沒有想清楚，那就是在耽誤大家的時間，不要再說話了，這件事就這么決策了。”

1

ego

顯然，這是一個鼓勵所有人從自己的專業角度提供輸入，平等交流，從而保證 context 足夠透明的公司。

當這種混亂帶來生機是可以接受的，但它顯然也不會允許一切走入無序狀態。

很多與 IO 協作更頻繁的員工的感受是：IO 在大量繁雜信息中會思考對應到這家公司，不同階段，在什么樣的資源水平下，追求的事情該是什么。

他有時候會一個人“想想”，然后把這些信息定期以全員會形式同步給所有人。

內部的另一個感受是，當判斷做出后，他就不會搖擺。

“坦誠聊，我們歷史上產品有過不少彎路，文本產品關掉過好幾個。在 IO 看來，如果這個東西已經沒有意義了，也沒有必要讓它茍延殘喘。”而繼續堅持在文本模型、視頻模型這些更大的方向上投入，“這也是來自同一種‘ think big’”。

在這家公司不用待太久，你就會意識到它是一個全員 ego 很小的公司。在一個全行業 ego 爆棚的環境里，這樣的氣質很容易分辨。

它有非常年輕的模型和技術團隊，但任何仔細關注過這家公司的人都會發現，與不少同行相比，它很少與某種“天才敘事”扯在一起。有研究員對我說，他的感受是，這個團隊在業內的普遍評價是靠譜。

“如果一個人，他有很強的實力，他很自信，然后他的判斷有邏輯、能說服大家，這就不叫 ego。但如果一個人的判斷和決策沒有匹配這個實力，沒有相應的證據，然后他又硬要大家這樣去做、必須服從他，這就是 ego。”一位核心研究人員這樣向我解釋：他們理解的 ego 是什么。

“ego大，沒什么用。”一名研發負責人對我說。

這樣的氣質也主導著 MiniMax 在研究上的投入方向。回看它的幾代模型，無一不在嘗試更好理解和改進模型最底層最核心的架構和機制，那些判斷后認沒有什么實際意義的方向，哪怕很適合用來造勢和宣傳，也不會多花時間再去糾纏。

“一家公司的氣質，基本上 99.9% 由這家公司的創始人來決定，尤其是 CEO，占股最大的那個人。”一名核心技術研究員對我說。

“IO 就是一個很務實的人，不太bragging 。如果 IO 的 ego 都不是很大、都很務實，那很顯然，如果你的 ego 很大、不是很務實，你可能就待不下去。哪怕大家不說你什么，你自己會覺得很不自在。畢竟是圍繞創始人構建的公司，自然會有正向和逆向的篩選，雙向的篩選。”

1

Scale = from Mini to Max

IO 在工區里也沒有自己的單獨辦公室。他的工位在其中一層的一個角落。在內部，他的分享話不多，往往直入主題。他想明白了的事情，會直接找負責的人對思路。當發現對方沒理解，他會直接打電話講明白。還有很多時候，他打電話是為了獲得更多 context 來幫他做判斷。

在內部，IO 最多思考、也最多和內部分享的，還是關于技術和智能演進的判斷。

在一次內部討論里，IO 提到了他對好研究的理解：像 ResNet 那樣，簡潔可解釋的東西。

ResNet（殘差網絡）是2015年何愷明提出的深度神經網絡，它的想法很簡單——通過跳躍連接讓輸入直接繞過中間層與輸出相加，使網絡學習“殘差”而非完整映射。

這一極簡設計解決了深層網絡的訓練退化問題，讓網絡可以深達數百層甚至上千層，同時，它可以讓所有人看到后立刻明白為何它可以跑通。

這樣的簡潔可復用，讓它依然是今天 AI 模型底層最重要的基礎架構之一，一個 2015 年的設計思想在十年后依然無處不在，這種對技術演進的貢獻是 MiniMax 也想追逐的目標。

因為只有簡潔的，才是最能 scale 的。

在不少員工來看，理解這家公司很多決策的最根本思路就是一個：這件事到底能不能 scale。

最直接的一個體現就是，MiniMax 是同類模型創業公司里布局最為全面的一個：有語言模型，有多模態模型，也有產品。

內部對此也有過很多爭議和討論，是否要這么全面的投入，和同行對比，這樣做會不會分散精力。對此內部達到的共識是，MiniMax 對智能的理解就是它的那句slogan —— intelligence with everyone ，要實現這所有人的通用智能，肯定要有多模態能力，有代碼能力，有 agent 能力，有整體結合在一起的能力。

同時，產品是它服務用戶的手段，與模型的關系密切，它不是過往移動互聯網的 app，自己單獨展開服務，而是會隨著模型而發展，最終會是模型 go to market 的結果。

Scale 也體現在每次具體的技術路線與創新方向的選擇上。比如在 M3 的訓練上，它做的幾個核心工作，其實都在嘗試提供更多的 scale 的可能。

M3 本身是一個從 Step 0 開始進行多模態混合訓練的模型。這種原生多模態的路線能讓不同模態數據的語義空間更天然、更高度的融合，進而更好 Scale；MSA 把模型 context 拉到1M，并進一步讓 context 上下文這個維度也可被 scale ；M3 構建了交互式用戶模擬器框架，目的就是把對 Coding 和 Agent 至關重要的真實數據 Scale up。

它也體現在這家公司的工作方式上。AI 時代最能 scale 的方式就是利用好 AI。但在我的體驗里，老生常談的 AI Native 似乎沒有被 MiniMax 的太多人掛在嘴邊，在 MiniMax，它更多通過各種細節上的選擇來形成一種共同的鼓勵真實利用 AI 創新來提效的氛圍。

“在很多公司，AI 是命題作文——你得用 AI 做出業務增量和創新點，還要服務轉化指標。然后你人傻了，想說這咋整啊，感覺 AI 做的還不如我原來做的好。”一名此前有過此類痛苦經歷的員工對我說。

“在這里沒有人這么要求。”

員工們給我列舉過不少細節。比如，內部所用的辦公軟件，給員工開放的，可以用來進行 AI 改造的權限，比他們所見到的其他任何公司都徹底。去年9月，就有人在內部辦公軟件里開發出了 “AI實習生”，也就是把 agent 接入 IM，讓它寫文檔、抓用戶群反饋、完善 PRD、分析客戶用量、排查日志。后來 OpenClaw 誕生，以”龍蝦”之名火遍全球，后來 Claude 們把這個能力直接產品化，而 MiniMax 的員工們已經這樣工作了大半年。

以及，與那些甚至搞出 token 排行榜的組織不同，公司甚至會提醒大家注意不要亂花 token。

MiniMax 內部的共識是，單純聊 AI Native 的概念會很空，它本質上就是組織在運轉的過程中、在成長發展的過程中，AI 在里面扮演怎樣的角色，以及從 CEO 開始整個公司對它的認知和運用。這個東西不是固定的，因為 AI 在快速發展。

“模型能力和應用層認知兩者都在迭代。我們不斷在發現最佳實踐，不斷在擴散最佳實踐——而且不是某一個人發現，內部有很多交流群組，大家有好的實驗都會拋出來。只要有一個人用了好用，這個事情就會擴散開來。”

那個 AI 實習生的功能，在內部沒有被強制推廣，但依然擴散開，靠的就是大家看到別人 @實習生，自己也跟著 @。最初的評價是“這什么玩意，試試看”，后來發現好用。事實上 Claude Code 在 Anthropic 內部也是這樣的方式生長出來。

“一切都變化太快。行業發展太快，任何 AI 公司里的人都不能像傳統互聯網那樣等需求，得更有前瞻性地把東西提前做出來。”一名員工說。

在和這些研究員為主的員工的密切交流里，我發現他們日常也喜歡用訓練模型的思路來討論更廣泛的問題。我拉來一個核心技術人員，問了他一個問題：

如果MiniMax是個模型，它的目標函數到底長啥樣？

“我覺得優化目標是 scaling。就是最終的規模。而規模包括最終的智能，以及為了達到這個智能，這個公司能擁有多少資源。”

也就是，Scale=智能上限x可動員的資源。

“這和我們的公司名字正好對上了。”他說。

“我們就是一群很樸素、很普通的人。Mini，就是我們現在擁有的狀態。但我們希望，一旦擁有資源，就要能夠 Max。我們始終追求一個很高的目標，但在 ego 上是比較 Mini 的。本身我們還是一家創業公司，一開始也沒那么多資源，哪怕今天 IPO 了，也不是一個巨頭。但我們就是希望用 Mini 的資源、Mini 的起點，從一開始就奔著 Max 而去。”

在 M3 發布后，它也完成開源。模型卡顯示，它是一個總參數428B，激活參數23B的模型，很多人驚訝于它參數量比外界想象的更小。

在最近的一次分享里，IO 講了他最近整體的思考。

他認為，AI 現在已經變成了一個龐大的產業，這就意味著這里沒有什么技術鴻溝是絕對無法跨越的。因此模型接下來的最大挑戰在于大量的經驗和實驗積累。而不同規模的模型在訓練里能積累的經驗也是不同的，這意味著你只能一代一代往前進步。

而這時候，最關鍵的是扎實的積累，和由此帶來的更快的進步速度。

M3 發布后，MiniMax 的計算平臺員工連續高強度的開發后，模型服務漸漸穩定下來，從內部看到的數據，M3 剛上線時的 TPS 只有 20 左右，之后一路快速優化到 TPS 100左右。這在大家日常使用的主流模型里已經很快，首包延遲后續也會繼續優化到 1 秒多，在全球范圍的模型里也屬第一檔。

同時，一些第三方服務商和很多重點客戶那里開始有更多正向評價傳回來。更加重要的是，內部看到平臺后臺的數據也顯示，最核心的指標都在增長。

6月對 MiniMax 來說是瘋狂的一個月，但這種瘋狂注定會繼續下去。這個行業停不下來，一切還在加速展開，更大的考驗會繼續出現。在MiniMax M3 的技術博客里，他們這樣寫道：

“今天的模型更新速度之快，很容易讓人忘記這依然是一件日拱一卒的事情。它有自身客觀規律，也會獎賞循著規律扎實前進的團隊。如成立之初我們所相信的那樣，我們會盡最大努力持續提升模型的智能水平，并讓更多的用戶使用到。”

據我了解，接下來 MiniMax 會有更多的資源來支撐下一代更強的模型，它的目標是讓大家在使用 Opus 級別的智能時，基本不再受到成本的限制。

而這就是從 Mini 到 Max 的那個優化函數。

點個“愛心”，再走 吧