真正的命门不是营收，下半年三款新模型才是关键。

文｜魏琳华

编｜刘俊宏

2026年上半年，MiniMax交出了上市以来一份够特别的财报。

从收入上，公司保持着高速增长态势，但收入的结构出现反转：2026年上半年收入1.17亿美元，同比增长283%。其中，B端开放平台及企业服务收入占比从30%跳至63%，首次大幅压过C端。

比财报信息量更大的是业绩电话会。会上，MiniMax表示，8月ARR突破8亿美元，B端占据80%。接下来半年，M3.1、M3 Pro、H3.1三款在研新模型将先后发布。

但真正决定MiniMax命运的，不是营收曲线，而是新模型能否在第一梯队排上名号。M3开始，MiniMax的模型正在向第一梯队发起追赶。下半年，新模型的成绩将进一步决定MiniMax的估值。

对于如何做好模型这件事，MiniMax给出了一个有点特别的答案——押注后训练和推理效率。

“只有最小化单位智能成本，才有可能最大化智能水平。”闫俊杰在电话会上给出了这样的答案：

这与DeepSeek的技术路线指向同一个方向：在预训练加码的基础上，智能增长同样和后训练的强化学习和推理优化相关。智谱最新发布的GLM-5.3-Flash走的是同一条路：稀疏激活、混合注意力、后训练引入环境反馈强化学习。

后训练的重要性已经不可忽视。大模型竞争的下半场，比的已经不再是谁先摸到上限，而是谁用更少的算力摸到上限。

赚钱跑赢烧钱，B端收入首次压过C端

单看数据，MiniMax在今年上半年交出了一份漂亮的成绩。

2026年上半年，MiniMax收入1.17亿美元，同比增长283%，相当于半年跑完了去年全年的1.5倍。财报会上，MiniMax还透露，Q2总收入环比增长81.8%，保持加速增长的迹象。

Token消耗的爆发是收入加速的引擎。据财报，7月，MiniMax的Token用量达到1月的20倍。 与之对应的是B端用户的扩充，MiniMax表示，目前企业用户已超200万户，和去年年底相比达到10倍。

Token的飞增，踩中的是时代的顺风。

放在行业里，AI Coding成熟、Agent产品爆发让大模型公司们的Token消耗一路狂飙：智谱的MaaS平台ARR一年涨了60倍，从2025年初的不到3000万元，跃升至今年3月的17亿元；月之暗面ARR三个月翻三倍，3月初刚破1亿美元，6月中旬已突破3亿美元。

从收入结构来看，MiniMax上市以来第一次，B端收入压过C端，而且是大幅压过。

当B端场景的应用得到验证，这也改变了MiniMax总收入的业务比例。B端开放平台及企业服务收入约7400万美元，同比增长703%，从去年同期的30%跳到63%。C端AI原生产品（海螺AI、AI社交应用Talkie等）收入约4300万美元，同比增长101%，占比降至37%。

收入结构的变化其实是正向的，放在当下，C端AI原生产品还不是一门好生意。

审视MiniMax的C端产品，以AI社交产品Talkie和星野为例，据招股书中的披露信息，其产品毛利率仅4.7%，客单价5美元/月。

再看亏损和毛利率，亏损上，MiniMax给出了两个不同的口径：净亏损约3.58亿美元，同比收窄11%；经调整净亏损约2.93亿美元，同比扩大了111.2%——后者加回了股权激励、金融负债公允价值损失和上市费用。把这部分费用加回，实际账面是在收窄的。

导致亏损扩大的主要原因是MiniMax上半年研发费用为2.97亿美元、同比增长138%，但这里有一个值得乐观的剪刀差：收入增速远快于研发增速。这意味着如果趋势持续，亏损扩大有望在未来几个季度见顶。

烧钱的速度还在加快，但赚钱的速度跑得更快。只要剪刀差持续扩大，拐点就是时间问题。

毛利率从2025年全年的25.4%回落至17.9%。一定程度上，B端的低毛利收入占比上升，拉低了整体利润。从毛利率层面看，Minimax当下是能规模卖Token的基础模型公司，但还没形成定价权的水平。

跟Minimax自己相比，毛利率水平相对去年上半年要好，对比去年全年是退步。与同行相比，这一水平明显低于OpenAI和Anthropic的综合毛利率，接近智谱云端MaaS早期水平。

较低的毛利率，从模型发布的情况来看，是Minimax以价换量策略的结果。

6月1日，MiniMax发布M3旗舰模型，同步将沿用已久的“Coding Plan”从按次计费切换为按量计费的Token消耗模式，由此引发用户对涨价的质疑。为了平复用户，6月15日，MiniMax宣布将M3 API价格永久砍半，过低的价格一定程度上导致了毛利率降低。

但毛利率的大幅降低应该只是暂时的，短期的价格回调会随着后续模型的更新而解决。先拿到用户，再降低推理成本，比纠结一时的定价权更重要。

可以说，MiniMax在B端API收入暴涨的时代，依然能够坐在牌桌上。在“模型即产品”的当下，新模型的迭代和市场位置才是决定下一份财报的关键。

ARR很漂亮，但模型才能定生死

财报回答的是过去半年赚了多少，电话会回答的是接下来能赚多少——后者的信息量，比前者更大。

财报会上，MiniMax给出了8月ARR收入达到8亿美金的数据。把MiniMax的ARR增长轨迹拉出来，ARR增长仍然处在高速增长的状态：2026年2月来到1.5亿美元，4月较2月再度翻倍、约3亿美元，8月突破8亿美元，其中B端占据80%。由此，管理层对年底10亿美元的ARR目标保持充分信心。

驱动这条曲线的三个引擎，MiniMax在电话会上给出了解释：M3带来的API增量、Agentic带来的消耗翻倍、以及200万以上企业客户在办公等新场景的持续解锁。

但这场马拉松真正的主赛道，还在于模型本身。

MiniMax 的收入都会是B端占大头。前文提及，8月的80%收入来自企业客户，这个结构很长一段时间内都会是常态。而B端生意和C端有一个本质区别：C端靠的是产品、技术和流量，B端客户则是为Token付费，用户们用脚投票，只认模型能力。

客户付费买的是什么？管理层在电话会上给了一个判断：“模型即产品”。企业客户选择API供应商的唯一标准是看谁的模型跑得效果更好、价格更便宜。

而MiniMax的模型之路，恰恰是从落后开始的。

这一点，管理层在电话会上承认了。闫俊杰复盘M3研发时说得很直白：公司在判断与执行上存在不足，评测侧的基础设施做得不好。MiniMax也直接表示，后续公司内部重建了整套底层研发基建。

从M2后期部分模型到M3模型的推出开始，模型是落后于第一梯队的。

M3的发布其实是一次“补课式”追赶：MiniMax把原先的注意力架构整个换掉，从M2走偏的全注意力换成MSA稀疏注意力，并靠此把上下文长度从128k提升到1M。客观来说，1M的上下文是2026年旗舰模型的标配。但至少要达到这个水平，才能为长程Coding和Agent能力的提升打好基础。

下半年到明年，MiniMax的命门押在三款预告的新模型上。

M3.1的定位是给M3“打补丁”。管理层表示，M3.1的任务是先把基建打平、形成闭环。它定位为面向主流用户的新基准模型，在M3基础上，它会做充分的预训练并持续Scaling后训练，重点提升任务完成质量、推理效率、稳定性，以及作为多种Agent产品基模调用时的适配性。

闫俊杰给它的KPI更多定在成本上：M3.1推出时，推理成本要降到M3初期上线时的三分之一左右。相当于通过性价比扩大用户基数，并提升B端毛利率表现。

M3 Pro则会继续靠模型训练的各个阶段“大力出奇迹”，用MiniMax自己的话说，它在规模、训练效率与后训练的每一步都在追求Scaling Law上限。

先从预训练阶段来说，M3 Pro的参数规模预计提升至约3万亿，接近M3的7倍。这也是行业里通用大模型迭代的统一方向，在此之前，Kimi K3就把自己的参数干到了2.8万亿级别。

架构上，它同步创新的MSA2.0，相当于前一代稀疏注意力MSA的演进版，显著提高推理阶段的缓存命中率、提升整体算力利用率。管理层表示，它在3T档位的推理速度与推理成本将具备显著优势。

也就是说，这个模型追求的可能是在性能达到第一梯队的情况下，依然主打“性价比”的标签。

H3.1则要延续H3带来的价格优势，它面向多模态的下一代。相比上一代，H3.1要做的，是在 H3 的开源口碑基础上，把能力再抬一档。管理层明确表示，文本与多模态不是互相竞争的关系，而是在底层相互增强。

对于早早押注多模态的MiniMax开始，它是Coding之外另一个被验证的AGI市场，而且多模态与音频生成模型的毛利率更高——对正被API收入稀释毛利率的MiniMax而言，多模态带来的优势，是当下必须抓紧的筹码。

后训练飞轮，大模型们想成为Deepseek

模型的暂时落后，不代表一家公司要永远离开牌桌。

“任何单一模型版本的领先都不保证持续领先，公司要的是持续定义与修正技术路线。”MiniMax管理层在电话会上说。

这一点，曾经的月之暗面就是例子。2024 年到 2025 年上半年，月之暗面是被唱衰的那个：押注C端、疯狂投放广告的情况下，Kimi K1.5的发布晚于Deepseek R1版本，但R1成为后续大模型迭代的“标杆”。

短暂的错失，没有让它失去再度领先的机会。在主动放弃和大厂抢流量的情况下，杨植麟把筹码全部押到模型上，后续Kimi K2冲到了全球开源代码模型前列。K2.5上线不到一个月，ARR 突破 1 亿美元。

无论是海外Anthropic靠企业级和Coding市场逆袭OpenAI，还是国内大模型厂商的身位变动，均证明了一件事：路线错误可以翻盘，只要后续还能拿出更有优势的模型。

对MiniMax而言，M3之前的落后与M3引发的信任危机，都不构成终局判断。真正的胜负手是未来半年内M3.1、M3 Pro、H3.1的落地质量。

模型能力从哪来？MiniMax 把答案拆成两段：预训练与后训练。预训练决定上限的高度，后训练决定摸到上限的速度。

预训练段，Scaling依然是持续验证的规律。数据和算力的投入仍然能带来规模化的能力提升，这也是M3 Pro要把参数堆到3万亿的理由。

MiniMax在预训练上的真正看点除了堆参数外，注意力架构的变化也值得注意：M2还是全注意力，M3换成了自研的MSA稀疏注意力，提升上下文长度的同时保证成本可控。

而MiniMax明确把后训练视为下半场的核心之一。

放眼行业，早已达成的一个共识是，当前大模型的Scaling正在从单一的预训练，快速拓展至后训练甚至是模型的Harness工程，后训练阶段包括合成数据生成、RL（强化学习）和长程任务的试错验证，这些本质上都依赖模型的推理能力。

同等算力下，推理成本越低，模型能榨出的智能红利就越多。闫俊杰给出了一个观点：在相同算力规模下，推理计算效率的提升倍数，与后训练规模的扩大倍数基本线性相关。

MiniMax想把自己变成另一个DeepSeek——用极致的算力效率把模型成本压到最低，再以低定价和开源策略席卷市场。

MiniMax 为此准备了三个新应对方式：一是训推调度的精细运营，夜间推理请求显著减少时，把算力导向评测与算法验证；二是国产芯片的接入，MiniMax在电话会上表示，四季度国产芯片在各模型中的使用占比将提升，使用国产芯片可降低单Token成本。三是评测与数据基建的重建，我们在前文中也有提及。

而就在这份财报发布的前一周，智谱用一种近乎戏剧化的方式，给出了同样的答案。

8月20日，一个名为“Ox Alpha”（牛来）的匿名模型悄然出现在OpenRouter上，没有厂商署名，靠着免费使用，几天之内，它就冲上了热门榜首。直到8月26日深夜，智谱揭下面具——Ox Alpha就是GLM-5.3-Flash。

剥开新模型的技术内核，你会发现它和MiniMax的路线图有很多相似之处。GLM-5.3-Flash是一个3200亿总参数、仅激活180亿的MoE模型。其稀疏激活的思路，与MiniMax将激活比例压到2%以内的做法如出一辙。

并且，“牛来”匿名测试期间的全跑在数万颗国产芯片上，通过后训练环节，智谱引入了环境反馈强化学习，重心落在后训练RL和推理时计算上，智谱创始人唐杰也在GLM-5.3的分享中提出，Scaling不止一个旋钮，后训练是其中提升效果最大的一个。

当DeepSeek用R1证明了纯RL能涌现推理能力，用V3和V4证明了芯片加算法协同能把推理成本打穿地板，MiniMax和智谱的同期动作表明：在预训练加码的基础上，后训练的RL能力、推理效率优化空间，正在重新决定谁坐在牌桌上。

对MiniMax而言，M3之前落后的学费已经交过，M3.1、M3 Pro和H3.1是它补完课之后的第一次真正冲刺。它的打法能不能验证成效，就要看新模型的成绩了。