在很多人的印象里，談及 MiniMax，首先浮現的或許依然是曾經風靡海外的 AI 伴侶 Talkie，抑或是國內用戶熟知的星野與海螺 AI。在過去很長一段時間內，這家大模型獨角獸常被外界貼上「C 端公司」的標籤。
情況在過去的一年裡已然發生翻天的變化。
在 MiniMax 最新發布的 2026 年中期財報顯示，相比一年前消費端約 70% 遠遠領先企業端約 30%的情況，其營收結構已經徹底倒掛，呈現出 B 端占據絕對統治的情況。
MiniMax 用了一年時間進行結構性遷徙，目前已經成為了一家以全球開發者生態、多模態 MaaS 與 Agent 基礎設施為核心驅動力的算力底座公司。
根據已經披露的數據，MiniMax 的整體收入規模獲得巨大提升，2026 年上半年實現總收入約 1.2 億美元，同比增長 283.1%，僅半年的收入就達到了 2025 年全年收入的 1.5 倍。
這其中，以開放平台及其他企業服務為主的 B 端業務收入高達 7390 萬美元，同比暴增超 700%，占總收入的比重從去年同期的 30.3% 飆升至 63.4%，一舉躍升為公司最大收入支柱。
狂飆的企業級市場增長，為 MiniMax 的 ARR（年度經常性收入）帶來顯著增幅，截至 8 月達到了 8 億美元，其中To B 業務占比已高達約 80%，To C 僅占約 20%。
（需要注意的是 ARR 並非一個公認會計準則的審計數字，存在天然的水分，但對於 AI 模型公司、SaaS 類公司仍是一個有價值的考量指標。）
另外，MiniMax 上半年海外市場貢獻了約六成收入，其全球化底色再一次被凸顯。
在收入暴漲的同時，銷售及分銷開支同比下降了 17.9% 至 2700 萬美元，毛利則同比增長 464.8% 至 2081 萬美元。
虧損方面，本期淨虧損從上年同期約 4 億美元降低到了 3.6 億美元左右。
這意味著，MiniMax 徹底告別了依靠早期泛娛樂 C 端應用買量獲客的早期階段，在全面發力基礎模型以及多模態模型能力之後，已經轉向由企業和開發者生態驅動的自然網路增長。
再做一個簡單的橫向對比：
- 根據 The Information 報道，DeepSeek 今年前七個月里實現 7070 萬美元收入，去掉熱鬧的七月的話，毛估 MiniMax 上半年營收是 DeepSeek 約兩倍上下；
- 雖然 DeepSeek 的營收淨值低於 MiniMax，但前七個月實現了 2025 年 10 倍的全年收入，增幅遠高於 MiniMax；
- DeepSeek 的前七個月淨虧損為 1.06 億美元，MiniMax 本期淨虧損是 DeepSeek 的約 3.4 倍。
新老共識
MiniMax 透露，Token 消耗量的斷層式拉升是本期收入暴增的重要原因。
僅今年 7 月，MiniMax 全平台的 Token 消耗量就達到了 1 月份的整整 20 倍。 截至目前，其全球企業客戶與開發者數量突破 200 萬，是 2025 年底的 10 倍之多。
Token 消耗出現如此誇張的非線性躍遷，答案在於模型消費範式的遷移。
CEO 閆俊傑透露，模型消費的範式已經從「人與 AI 的直接對話」，全面躍遷至「Agent 與 AI 的多輪級聯交互」。
由 Agent 驅動的推理需求增長，顯著快於人類用戶數和消息數的增長。這直接導致單用戶的 Token 消耗呈倍數級爆發。
這在日新月異的模型行業已經是「老共識」。
而更重要的新共識，則是後訓練成為 Scaling 的新上限。
從近期智譜 GLM 5.3、DeepSeek V4 Flash（0731 版本）、Gemini 3.x Flash 的公開資料來看，越來越多模型廠商在小版本更新中重度依賴，甚至僅靠後訓練，就能夠顯著提高模型在特定主流任務上的表現。
閆俊傑也在業績會中提出這一新的行業共識的轉變：當前大模型的 Scaling 正在從單一的預訓練，快速拓展至中訓練、後訓練以及強化學習。
在後訓練階段，海量的合成數據生成、強化學習中的環境 rollout（推理/生成）、生成任務的試錯驗證，其本質都是推理計算。而單位算力下的推理成本越低、吞吐越大，模型在後訓練中能夠吞吐的軌跡與實驗規模就越大。這也是為什麼包括 MiniMax 在內的一眾模型廠商，在中訓練和後訓練階段投入的算力占比越來越高。
閆俊傑指出，在相同的算力規模下，推理計算效率的提升倍數，跟後訓練的規模變大倍數呈現基本線性相關。這句話可以粗略理解為：後訓練使得勁越大，推理的效率提升越多，模型呈現出的最終效果越好。
換言之，無論人們認為 Scaling Law 是否已經撞牆、模型參數量是否已經卷到了極限——後訓練的效率提升仍然可以提高 Scaling 的上限。
新模型：M3 Pro、M3.1
MiniMax 透露正在穩步推進三個新模型的研發：M3 Pro、M3.1 和 H3.1。
其中，M3.1 的定位是面向主流用戶，可以被大量、廣泛使用的新「標準版」模型。M3.1 在 M3 基礎上進行充分的預訓練，並持續 Scaling 後訓練規模。其主要提升方向在於提升任務完成質量、推理效率、穩定性、插入到多種 Agent 產品中作為基模調用時的適配性。
M3 Pro 則是一個更加全面能力升級的模型，參數規模在 3 萬億左右。它的基座會是一個更大的基礎模型，目標是更強的泛化能力和更高的智能上限。M3 Pro 會採用 MiniMax 自主研發的新注意力架構 MSA 的第二代 MSA 2.0，能夠顯著提高推理階段緩存命中率，從而提高整體算力利用率。
在穩步推進這兩個基座模型的同時，MiniMax 目標是在 M3.1 推出時，將其推理成本降至 M3 初期上線時的三分之一左右。閆俊傑指出，推理成本的下降有兩個好處，一是通過降價來降低使用門檻，從而擴大用戶基數和 Token 用量，二是用於改善公司毛利率。閆俊傑認為這兩者並非不可兼得。
除了語言模型，MiniMax 另一張王牌是多模態。
前不久 MiniMax 發布了多模態模型 MiniMax H3，並繼續堅決採取開源策略。僅三周後，H3 的全球下載量已突破 2400 萬次，衍生出超過 300 個公開模型，成為 2026 年全球最火爆的模型之一。
H3 是時隔多年以後，首次有開源多模態模型在生成效果和工具鏈適配上達到或接近於前沿閉源模型。其核心並非單純的擴散生成，而是將語言模型深度嵌入視覺生成流中，實現了全局的上下文感知、多主體的一致性控制、鏡頭精細化調度等面向影片專業用戶友好的效果。
閆俊傑認為，H3 的開源能證明了兩件事情：語言模型能力可以進一步提高視覺生成模型的上限；開放權重模型、產品和 API 可以形成相互促進的生態，而非彼此蠶食。而長期來看，類似語言模型+視覺生成模型相結合的範式，在其他更加前沿的領域可能會持續湧現。
MiniMax 的公司名稱令人想起 Min-Max 這一多功能術語。套用在模型實驗室的身上，則體現該公司「最小化單位智能成本才能實現最大化智能水平」的認知，也即儘可能降低單位智能的供應成本，從而讓更高水平的智能更加廣泛地進入人們的生產生活。
這一認知的直接體現，就是 MiniMax 今年上半年在後訓練階段持續發力，以更低成本實現模型能力預期提升的做法，而這一做法又直接帶來了兩大相互關聯的重要變化：模型能力被更加注重性價比的企業端市場重視，以及公司營收顯著增長。
事實上，這一認知已然成為行業的新共識，從這一點上看 MiniMax 也並沒有多麼特立獨行。
APPSO 一直認為大模型行業將不可避免進入價格戰階段，而那些率先押注單位成本的模型廠商，將比盲目追求大參數、大智能的對手們領先一籌。
