MiniMax不想掉队

一边是立足数据，需要向市场传递持续增长的信心；另一方面，行业不进则退的紧迫感也真实存在。这种审慎的姿态，或许正是 MiniMax 在激烈 AI 赛道中，努力摸索自身节奏的真实写照。

一个值得关注的细节是，一家势头强劲的 AI 公司，在 2026 年中期财报中鲜少提及“排名”或“对标”，而“效率”一词则被反复强调，累计出现了 10 次，这从侧面反映出 MiniMax 当前关注的重心。

根据业绩会披露，MiniMax 后续模型规划清晰：近期将推出 M3.1，核心任务是验证重建后的基础设施，在稳定性、推理效率和Agent泛化能力上打造可广泛使用的模型；其验证通过后，将为旗舰级 M3 Pro 铺路，该模型参数量接近3T。视频模型 H3.1 也将在 H3 的成功基础上继续升级。

整体来看，这是一条循序渐进、稳扎稳打的技术路线。

从财报数据来看，MiniMax 在上半年交出了一份写满“增长”的财报。

报告期内，公司实现收入 1.166 亿美元，同比增长 283.1%；上半年收入已达到 2025 年全年收入的 1.5 倍，第二季度收入较第一季度环比增长 81.8%。

WorkBuddy 生成

从收入结构看，开放平台及其他 AI 企业服务收入约 7390 万美元，同比增长 703.1%。同时其占比从 30.3% 提升至 63.4%，取代 AI 原生产品成为 MiniMax 的第一大收入来源，说明 MiniMax 转向 AI 平台公司取得了成效。其中，第三季度增长最是迅猛，8 月 ARR 超过 8 亿美元，其中 To B 板块在整体 ARR 中的贡献已超过 80%。

关于 ARR 的统计口径，市场存在不同看法。行业惯用单月月均 ×12，而 MiniMax 采用周均 ×52。这种差异更多体现了不同公司对业务节奏的理解不同，但也引发了外界对数据可比性的讨论。

2026 年上半年毛利 2080 万美元，同比增长 464.8%；IFRS 口径期内净亏损由上年同期约 4.02 亿美元收窄 11.0% 至约 3.58 亿美元。

在收入高速增长的同时，毛利率从去年同期的 12.1% 提升至 17.9%，改善了近 6 个百分点。尽管改善幅度尚不及收入增速，但这背后有其行业特殊性。

大模型业务的成本结构与传统 SaaS 不同，每一次 API 调用都伴随着实时的 GPU 算力消耗。上半年 Token 消耗量已攀升至 1 月的 20 倍，远超收入 4 倍的增速，推理算力成本也随之快速扩张。因此，规模增长带来的部分效率提升，在一定程度上被 Token 使用量的爆发所对冲，这是当前阶段行业普遍面临的挑战。

从业务结构看，B 端业务占比大幅提升，理论上应对毛利率形成正向拉动。但目前 B 端客户中，中小开发者占比较高，高价值大客户的拓展仍在推进中，因此 B 端毛利率的释放需要一个逐步过程。在定价策略上，MiniMax 曾尝试对 M3 模型进行价格调整，以更好反映成本与价值，但在市场反馈后及时做出了修正，并对用户进行了补偿，这一过程对短期毛利产生了一定影响。

规模效应的真正兑现，或许并不止于收入翻倍，而更多在于推理成本下降斜率超过收入增速的那一刻。这也正是 MiniMax 反复强调“效率”的原因所在。据管理层透露，下半年文本模型单位算力吞吐已提升近三倍，这部分收益有望在后续财报中逐步体现。

不过在此之前，MiniMax 仍需直面行业共性成本压力：在 AI 这个行业，规模可以是护城河，也可以是成本黑洞。这取决于玩家跑得够不够快，以及身后的竞争者有没有吞噬你本该有的利润空间。

虽然“斩杀线”已经趋近于泛滥，但对于 MiniMax 来说，这是不得不面对的现实。

M3 发布时，对标的是 GPT-5.5 和 Opus 4.7，在当时是颇具雄心的定位。然而仅仅一个月后，Kimi K3 直接将参照系升级为 Fable 5 和 GPT-5.6 Sol；智谱 GLM-5.3 对标的是 Fable 5；DeepSeek V4 系列对标的是 Opus 4.8 乃至 Fable 5。

行业标杆的集体跃迁，让 M3 原本的目标位面临重新校准的压力。更不用说，DeepSeek 和智谱后续持续推出了多轮新模型，市场竞争的密度和速度都在不断攀升。

正如闫俊杰所言，评价模型“首先看智能等级，其次看性价比，智能等级与参数规模直接相关”。如果用这一标准来衡量，M3 在当时的市场环境中确实未能完全达到预期。

业绩会上，闫俊杰复盘时指出，M3 的问题根源在于当时公司的“评测基础设施”尚不完善，导致发布前未能充分验证模型在复杂场景下的真实表现和潜在短板。这是一个值得重视的经验教训，也促使公司在后续研发中加强了评测体系的建设。

在高度竞争的节点上，任何一个产品节奏的偏差都会被放大，对团队士气和后续规划也会带来连锁影响。MiniMax 正在积极消化这些反馈，并加速调整。

另一方面的挑战在于资源配置。MiniMax 同时推进文本模型（M 系列）和视频模型（H 系列）两条技术路线，在算力、数据和战略优先级上不可避免地需要做平衡。闫俊杰也坦诚表示，当前文本模型研发处于关键冲刺阶段，训练量明显高于视频模型——尤其是接近 3T 参数的 M3 Pro，需要大量算力投入预训练、后训练和强化学习。

从战略角度看，虽然闫俊杰认为语言模型与视频模型“能够互相促进”，并视为并行的探索方向，但在资源有限、仍需改善盈利的情况下，同时维持两条高投入管线确实存在不小的压力。

M3 的经验也提醒团队，文本模型的稳定性仍有待加强，而视频模型的后续升级节奏也可能因此需要重新评估。

多线并进，意味着更高的管理难度和更审慎的优先级判断。对 MiniMax 而言，每一项投入都是沉甸甸的选择，而这恰恰是当下 AI 赛道中，每个玩家都必须面对的课题。

两手并进，两手都要硬，考验的是定力，也是判断力。