在大模型“撞墙论”不绝于耳的当下，行业比任何时候都更为迫切地渴求探索、渴求创新。
步入2025年这短短一个月之内，全球大模型玩家仿佛集体“冲业绩”，OpenAI、谷歌、DeepSeek等玩家密集发布了一系列新品。
而纵观整个大模型行业，几乎是有史以来的第一次，大模型行业内部出现了大规模分歧与非共识：
1.应用 vs技术——基础模型的更新是否已经基本停滞？行业创新的重点转移到应用？
2.价格战 vs价值战——“价格战”打不打？怎么打？创业公司打得过吗？
3.单模态 vs多模态——对于AGI来说，多模态究竟有多重要？
在这十字路口前，每家大模型企业，都自愿或是被迫地，选择了自己的站位。
例如，OpenAI的GPT-o1试图用强化学习为Scaling Law“续命”，谷歌Titans开始探索全新的模型记忆力架构；但同时也有更多玩家开始将注意力转至应用优化、功能更新、用户留存上。
作为国内“大模型六小龙”之一，MiniMax此前一直以产品力强而闻名业内，在这个时间点也通过开源和一系列更新表达了自己的态度。
2025年1月以来，MiniMax在十天内连发四个AI模型，包括基础语言大模型MiniMax-Text-01和视觉多模态大模型MiniMax-VL-01，以及视频模型S2V-01、语音模型T2A-01。而两个MiniMax-01系列模型，更是公司有史以来首度开源。
创始人在近期的媒体访谈中也直接表示，“如果重新选，第一天就应该开源”。一家商业公司从开源走向闭源是常见的，从大家调侃“OpenAI变CloseAI”可见一斑，但从闭源走向开源却不多。
从MiniMax这一系列更新可以看出来，这家公司正试图通过开源、创新、技术驱动的路径，扭转市场对其的“只有产品强”的印象。创始人表示，“技术品牌之所以重要，本质也是因为这个行业最大的驱动力是技术进化”。
同时，面对当前大模型行业的三大“非共识”，MiniMax也试图通过这一系列模型更新，给出自己的答案。
1 卷应用 vs 卷技术
行业再次来到“Transformer时刻”
从去年以来，大模型行业内部一个显著的趋势是——底层技术突破开始变慢。
OpenAI的GPT-5屡屡跳票，时至今日仍不见踪影。AI三大要素算力、算法、数据均出现了不同程度的发展停滞，2024年的模型能力似乎停止增长。
与之相对应的，是大模型应用“投流大战”的爆发。
根据AppGrowing数据，自从月之暗面（Kimi）打响国内大模型“投流大战”以来，国内前十款大模型产品合计投放广告超过625万条，按市场价折算，金额达到了15亿元人民币。
以至于坊间戏称：“大模型行业里唯一赚到钱的是B站、抖音、小红书”；“共享单车补贴战好歹普惠用户，现在赚钱的只有广告平台。”
落到应用层面，不少企业选择了专攻APP产品、定制合作项目、为政企定制小模型等方案；而在模型技术层面，无论是国内还是海外，其大部分都统一选择了较为安全的“对标GPT”方案，在技术路径上全面跟随OpenAI——而当OpenAI疑似“撞墙”后，整个行业看上去都放慢了脚步。
1月15日，MiniMax发布并开源了最新一代MiniMax-01系列模型，包含基础语言大模型MiniMax-Text-01和视觉多模态大模型MiniMax-VL-01。
与之同步公开的一份68页技术论文《MiniMax-01:Scaling Foundation Models with Lightning Attention》，更是几乎在整个AI技术圈都引起讨论。
（硅谷科技媒体VentureBeat及AI科技学者、投资人与创作者评价MiniMax-01系列模型的架构创新及长文本能力）
从参数上来看，MiniMax-01总参数规模达到4560亿，其综合性能在多个主流评测集上与GPT-4o、Claude-3.5-Sonnet等SOTA（State-of-the-Art，业内顶尖）模型持平，支持400万token的输入，可输入长度是GPT-4o的32倍、Claude-3.5-Sonnet的20倍。
在测评集LongBench V2的最新结果中，MiniMax-Text-01综合评分仅次于OpenAI的o1-preview和人类，位列第三。
（Long Bench V2排行榜，LongBench V2是面向现实情景进行长上下文多任务深入理解和推理的测试集）
如果只是模型性能很强，MiniMax-01并不会在AI研究人员中引发如此广泛的关注。
引人注目的点在于，MiniMax第一次在一个4560亿参数的超大规模商用模型上，引入了有别于传统Transformer架构的线性注意力（Linear Attention）机制，以极低的算力成本，试图为困扰着整个大模型行业的难题提供一个新的解题思路。
MiniMax-01针对大模型最底层、最核心的Transformer架构进行了重构，在传统方案（下图上半部分）的基础上，引入了Linear Attention线性注意力，相当于从“分子”层面对物质进行改变。
这也是为什么，这次MiniMax-01的开源会在AI研究圈引起如此大的关注。
（MiniM ax-01核心 架构示意图）
线性注意力技术并不是MiniMax第一个提出的，正如大语言模型技术并不是OpenAI第一个提出的，但它们却是第一个大胆、坚定地对其进行大规模应用，并围绕其进行了从算法到框架的全面创新，最终取得颠覆式成功的玩家。
正是这种针对最底层技术的创新，使得MiniMax-01能够以GPT-4o十分之一的算力成本，达到比肩业内SOTA的性能，以及国际第一的400万token超长上下文。
在技术论文的最后，MiniMax的研究人员表示，MiniMax-01仍有八分之一的部分沿用了传统Transformer技术思路。当前，他们正在研究一套更高效的全新架构，最终完全去掉传统方案，从而实现无限制上下文窗口。
这也就意味着，如果MiniMax成功了，大模型将从此不再受限于输入长度，人类离AGI（通用人工智能）前进了一大步。
正如当年BERT横空出世，大模型产业迎来“Transformer时刻”一样；从某种程度上来说，我们也许正在见证“第二个Transformer时刻”。
2 价格战 vs 价值战
算力成本居高不下，“人人都在为英伟达打工”
如果要回顾2024年大模型行业发展，有一个关键词绝对不容错过——“价格战”。
这一领域的战场主要集中在B端，更精确来说，是为to B用户提供大模型API服务并按量计价的大模型供应商们。
2024年5月初，国内初创企业DeepSeek（深度求索）在发布最新模型DeepSeek-V2的同时，突然大幅调低了API价格，其每百万token输入价格低至1元，接近于当时GPT-4 Turbo价格的百分之一。此后，字节跳动、百度、阿里、腾讯、智谱AI、科大讯飞等行业玩家全面跟进，一场轰轰烈烈的大模型价格战就此打响。
与之相对应的，却是居高不下的算力价格。
自ChatGPT于2022年底火爆以来，本已接近供不应求的英伟达GPU芯片，在全球AI大模型爆火的背景下，价格也进一步飙升，带动着英伟达公司市值一路突破3万亿美元，超越苹果，成为仅次于微软的全球第二大市值企业。
GPU不仅价格高昂，并且有价无市，2023年甚至出现过海外AI初创企业用英伟达GPU抵押融资23亿美元的新闻。由于算力昂贵而稀缺，即便在科技巨头内部，也有不少部门为集团GPU算力分配争得头破血流——不少大模型从业人员戏称“人人都在为英伟达打工”。
一边是高昂的算力成本，另一边却是惨烈的价格大战，夹在其中的大模型厂商两相为难。
不过并非没有解法。
答案似乎有些老生常谈——技术带来的问题，终究还是要回到技术找解法。
以DeepSeek为例：与MiniMax类似，DeepSeek也是坚定不移的“卷技术”派。2024年，在对技术不断优化后，其推出的V3模型参数量达到了671B，训练成本仅为557.6万美元，对比之下，2020年的GPT-3训练成本已经接近1200万美元，GPT-4的训练成本更是超过1亿美元。
事实上，模型训练成本的降低不仅与模型算法有关，它涵盖了算力和应用的中间层的多个步骤，涉及算法、架构、硬件、软件、工具链的优化与调度，一般称为AI Infra（AI基础设施）。在算力成本居高不下的背景下，AI Infra的首要目标是优化算力资源，在保证性能的同时尽可能降低模型部署成本。
而MiniMax-01所引入的Linear Attention技术，本质上是通过算法降低矩阵输入复杂度，从而降低算力成本。与此同时，MiniMax还引入了数据打包（Data-packing）、线性注意力序列并行性（LASP+）、多级填充（Multi-level Padding）等一系列技术，从数据、算法、到GPU通信间进行了全面优化，使得其在英伟达H20 GPU上机器浮点利用率（MFU）高达75%，极大降低了模型的训练与推理成本，其输入价格仅为1元/百万token，是GPT-4o的十分之一。
在被媒体问到“MiniMax过去一年比较满意的技术成果是什么？”时，MiniMax创始人的回答是：AI Infra与算力优化，以及多模态。
3 单模态 vs 多模态：我们离AGI还有多远？
多模态可能是业内分歧最小，但竞争最为激烈的领域。
模态（Modal）是计算机用语，可以理解为计算机和人之间的感知交流模式的分类——如文字、图像、声音、视频等。
目前除了极少数坚持单模态的玩家外，市场上的大部分AI企业都会瞄准多模态赛道，最基础的是文字、图像两个赛道，涉猎更多的则会涵盖音频、视频、3D建模等等。
以语音为例，1月20日，MiniMax发布T2A-01系列语音大模型，支持17种语言，目前已经上线其海螺语音产品，面向所有用户开放。
合成效果可以看看下面的示意视频。
从视频的16秒开始，在不看画面的情况下，你大概也能准确判断出说话者的性别、年龄与情绪：白发苍苍的老人、坚毅认真的女性、愤怒的青少年、稚嫩天真的孩童，语音语调里有着各自的悲伤、兴奋、喜悦、抑扬顿挫。
文本转语音其实是个老技术了，此前的发声效果一直很生硬，无法像人类一样控制语调的情绪起伏、抑扬顿挫。谷歌翻译还曾因为发音太过机械，一度成了互联网热梗。
MiniMax这次上线的语音大模型基本已经到了商用水准，AI有声书、广播剧、动画、视频配音这些场景目前看来都能够覆盖。
而比语音大模型更受关注的，则要数视频大模型。
2024年2月，Sora横空出世，带动全球AI视频大模型开始“狂飙”。不过，在此期间行业其他玩家的视频生成大模型不断涌现，Sora在发布后却始终处于“期货”状态，直到12月才正式推出。
目前AI视频大模型领域有两大主流技术路径：文生视频、图生视频。
二者各有优劣，文生视频（Text-to-Video）主流采用Diffusion技术，拥有极好的“发散思维”能力，用户可以通过文本描述生成任何想象中的视频内容；但另一方面模型训练和推理的计算复杂度高，而且视频主体稳定性极差——尤其是人物的面部。
图生视频（Image-to-Video）与其相反，模型将根据用户输入的图片生成视频内容，一个典型的应用场景就是“让老照片动起来”，其相比文生视频主体稳定性更好，计算资源需求更低，但视频自由度严重受限。
不过，MiniMax在1月10日发布的最新视频模型S2V-01却打破了两者间的壁垒，其自研基于单张图片的主体参考功能，用户在上传一张图片创建参考角色后，模型会将图片中的主体视觉信息抽取出来，再根据用户的文本Prompt进行视频生成，在保证视频主体稳定的同时，将创意表达得更灵活。
（海螺AI用户创作案例。提示词：一名男性警官打开车门，从警车里出来。镜头跟随这名男子，保持近景，聚焦于男子的面部。这名男子穿着警服。男子的表情从平静变为有攻击性。城市被夜晚的场景包围，周围有几辆警灯闪烁的警车）
（海螺AI用户创作案例。提示词：末日废土的九龙城寨，一个退伍老兵，牵着一条狗，警惕性的在街边移动着，躲避天空中不时飞过的巡逻无人机，不远处还传来类螳螂的机器人（隐约看见）在街边与反抗军对峙的开枪声）
尤其如下图所示，是在用人物特写图像生成视频时，S2V-01能够保证极高程度的人物五官、面部细节稳定、自然。
尤为值得一提的是，下图人物的眉心、脸颊、唇角各有一颗痣，海螺AI所生成的视频不仅能够清晰还原参考图中痣的细节，还能在不同镜头中保持其位置的一致性——在目前所有AI视频生成大模型中，这可能是第一个能做到的。
（海外平台上，创作者们对S2V-01表现出极高热情）
值得关注的是，MiniMax-S2V-01模型对于视觉和文字信息的处理方式，非常接近人类。
事实上，多任务、多语境、多模态是AI界“冠上明珠”——通用人工智能（AGI）——的几大主要研究方向。
在AI界的目标中，AGI是一种极其复杂、灵活的人工智能，不仅能完成图像分类或跨语种文本翻译等任务，还能模拟人类分析、策划、创造等一切认知能力。
不过，多模态并非是当前唯一的技术路径，也有技术流派将语言大模型认定为AGI的通路。不过就目前而言，在行业尚未达成明确AGI共识的当下，Agent（智能体）是个目标更明确的关键节点。
随着大模型底层技术的发展，各行各业对Agent能力要求也在不断提高，任务变得越来越复杂、数据量越来越庞大，相应而言，大模型本身不仅需要更长的上下文处理能力，同时也需要越来越“像人”，不断提升其对图像、视频、声音等多模态信息的处理能力。
2025年，可能是AI Agent爆发的一年。
结语
截止至2024年12月，根据AI产品榜数据，MiniMax旗下的AI内容社区Talkie以2977万的月活跃用户数，成为全球第一大AI内容社区——这是中国AI厂商第一次在海外超过同类应用，登顶全球第一。
按理来说，作为这场比赛中的赢家，MiniMax应该比任何人都要拥护“卷应用”。
但很有意思的是，MiniMax创始人在最近接受媒体采访时，却抛出了“中国人工智能产业过去一两年走入了巨大的误区：认为用户越多，模型能力提升越快。这也导致企业为了有更多用户，就花大量的钱来买流量”的观点，引发了业内激烈讨论。
坦白说，他可能是对的。
一直以来，MiniMax都是大模型行业里一个非常独特的存在。
一个事实是，全球许多大模型公司基本都在2022年底ChatGPT火了之后才成立，但MiniMax则早在2021年底就成立了。这也导致当年ChatGPT突然爆火之后，所有人都懵了，回过头来四处打听这个MiniMax到底是何方神圣。
在技术路径上，MiniMax也始终有些“特立独行”。
2023年，彼时国内市场还是Dense（稠密）模型的天下，MiniMax却将80%以上的算力和资源全部投入MoE（混合专家）模型的开发中，于2024年初推出了国内第一个MoE大模型。
事后，MiniMax曾经透露，当时公司没有准备任何MoE以外的备选计划。
一年后来看，MiniMax赌对了。如今，MoE路径已经成为各家共识，尤其在模型规模、计算规模越来越大的当下，混合专家技术已成为模型大规模部署必不可少的核心技术。
在行业普遍选择跟随GPT-o1路径的当下，MiniMax却大胆地瞄准了困扰全行业的“Transformer撞墙”问题，通过底层架构的创新，用有限的算力成本达到真正可以比肩国际领军模型的效果。
用户从来都是用脚投票的。
无论是文本、图像、语音还是视频，每当模型能力、处理速度有重大提升时，这一提升都会真切地反映在产品与用户体验中。MiniMax曾经透露，每当模型能力变强后，产品内用户的留存表现和使用深度都有着显著提升。
从创业第一天起，MiniMax就是一个集合了大量“非共识”的存在，它在业务选择、技术路线、AGI实现路径上都有着独立而清晰的判断，不焦虑，也不跟风，敢于在非共识路上突破上限、做难而正确的事。
当前的大模型产业，已经进入了比赛的下半场，所有“低处的果子”都已被摘光，仅靠跟风与模仿，几乎毫无胜算。
靠技术创新打开的市场，终究还是要靠技术创新站稳脚跟。
还没有评论，来说两句吧...