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?！拔矣X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?！倍髞頁伊私?，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。”

本文來自微信公眾號：硅星人Pro ，作者：王兆洋

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。

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?！逼渲幸粋€人指著另一個人說?！暗敃r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?！绷硪蝗苏f?！俺车木褪欠浅＜毜囊恍﹥炔繀??！?/p>

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。”

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”。

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?！倍嗝煌瑯I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?！币幻麅炔繀⑴c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?！爱斠粋€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。

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?！庇袉T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?！?/strong>

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?！币幻肼毑痪玫膯T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。”

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?！倍^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?！币晃缓诵难芯咳藛T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?！币幻诵募夹g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?！?/p>

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?！币幻饲坝羞^此類痛苦經歷的員工對我說。

“在這里沒有人這么要求?！?/p>

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?！?/p>

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?！币幻麊T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?！?/strong>

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?！彼f。

“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?！?/strong>

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?！?/p>

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。

本內容由作者授權發布，觀點僅代表作者本人，不代表虎嗅立場。如對本稿件有異議或投訴，請聯系 tougao@huxiu.com。

本文來自虎嗅，原文鏈接：https://www.huxiu.com/article/4874057.html?f=wyxwapp