業績會第一現場

參與了話題 · ·

MINIMAX2026年中期業績直播

【AI 要點總結】

財務表現

- 2026年上半年收入約1.2億美元，同比增長283%，上半年收入已達去年全年收入的1.5倍

- 第二季度收入相比第一季度環比增長82%

- 毛利約2100萬美元，同比增長465%，毛利率由12.1%提升至17.9%

- 八月份ARR已超過8億美元，其中to B板塊在整體ARR中的貢獻已超過80%

業務進展

- 陸續升級了M2系列模型，推出了M3，推理吞吐增加

- 推出H3多模態模型，三週內下載量超過2400萬次，誕生超過300個衍生模型

- 全球企業客戶和開發者規模快速擴大，已超過200萬，是去年年底的10倍

- 海外市場貢獻超過60%的收入

下一季度業績指引

- 預計在未來一段時間內，模型發佈週期會顯著縮短，智能提升速度會變得更快

- 接下來幾個新系列包括M3.1、M3Pro和H3.1的更新

- 預計今年下半年毛利應該會持續改善，明年會有進一步提升空間

- 預計在今年Q4，國產芯片的使用佔比會變得更高

機會

- 產品創新：正在研發旗艦模型，進一步提出minimize Slive attention 2.0版本，計算效率相比上一代提升三倍

- 市場擴張：多模態和專業領域決定智能能夠進入多深和多廣闊的真實世界

- 運營效率：通過高效調度讓算力利用率變高，單位資金效率下的後續規模估計至少還有三倍空間

【AI 會議實錄】

Operator

大家好，歡迎參加mini Max 2026年半年度業績交流會。下面把時間交給公司投資者關係總監奧利維亞莎。

奧利維亞莎

請發言，謝謝各位投資者朋友，大家晚上好。歡迎參加mini Max 2022年中期業績電話會。出席今天電話會議的管理層包括，mini Max CEO 嚴俊傑COO 運業一以及副總裁薛子昭。

下面我先簡要宣讀免責聲明，今天的討論可能包含前瞻性陳述，包括但不限於對公司業務前景及預期財務表現的展望。此類陳述受多項風險和不確定因素的影響，實際結果可能與前瞻性陳述所表達或暗示的內容存在重大差異。

本次電話會議將主要以中文進行，包括管理層發言和問答環節，並由第三方口譯團隊提供英文同聲傳譯。英文翻譯僅爲方便與會者理解，如果英文翻譯與管理層的中文原始陳述存在任何差異，請以中文原始陳述爲準。下面我把時間交給CEO 嚴俊傑。

嚴俊傑

各位投資者分析師，大家晚上好感謝大家參加，2026年的中期業績會。今年以來呢，我們陸續升級了M2系列的模型，推出了M3和以及推理的吞吐的增加在業務上呢，我們整體實現了快速的增長。

七月份的脫空消耗量呢相比於今年一月份，基本上是增長了二十倍。然後Q3的這個收入相比Q1環比增長了百分之81.8。然後在八月份呢，AR 的話進一步提升到了超過八億美金。

隨着M 系列和H 系列兩個模型管線的持續完善，公司預計在未來一段時間內，模型發佈的週期會顯著縮短，同時呢，就是智能提升的速度會，變得更快。今天藉助這個機會呢，我來分享一下我們的定位和戰略。

首先呢是說大語言模型的帶動的智能提升，目前是幾乎沒有盡頭，從去年下半年開始的Coding 和agent 能力的使用到後面這種更加自主性和創造性的來完成這種長城任務，再到未來可預期的這種能夠端端來交互結果。我們持續在追求這種更高等級的智能，但是呢算力對每家公司來說都是有限的。

Minimize the inference cost and maximize the intelligence with everyone這是我們一直以來堅持的技術路線。我們認爲呢，這不只是說在提供一種性價比的服務，更是說面向更高級的智能進行有效scaling 的這種核心能力原因的話是說，後續人的規模在模型能力中的作用越來越大，而這種inference 的成本決定了這種後續人的規模。

對於模型來說，首先看智能的等級，其次看性價比，模型的智能等級呢，跟模型的參數規模有直接的關係。而我們的選擇呢，是說在這種模型規模上我們持續來研發行業最大的一檔，同時呢，我們探索這種最優的架構來實現預訓練的這種loss 和計算效率的平衡。

然後呢，再借助於計算效率的優勢來在後訓練中然後儘可能的能夠來scaling。首先呢，是預訓練，在這種大參數的模型的架構選擇上，我們，分佈探索兩種極限，第一個的話呢是說混合專家的稀疏，我們專業的稀疏度呢，在2%以內，依然能夠保持良好的收斂性。

第二個的話呢，是說這種attention 的稀疏除了這種main Max start attention 的架構在保持訓練穩定的同時，能夠大幅的壓縮長上下文的計算效率。我們正在研發的在我們正在研發的這個旗艦模型中，我們進一步提出了這種minimize Slive attention 的2.0的版本。

進一步壓縮了這種開啓需要的技術容量，從而使得在推理的時候呢，能夠來增加的這種緩存命中率，以及呢能夠增加by size，從而使得這種算力利用率能變得更高。在最大參數量的這個檔位上，我們的計算效率相比於上一代的這種M MSA 的1.0進一步提升了三倍，並且是說在越長的任務上，它的這個優勢就會越大。

其次的話呢，是說在這種middle training 和post training 上，算力實際上佔比是越來越多的。那這裏面的訓練脫困呢，有越來越多的來自於這種核心數據，強化聚集訓練過程中的這種rollout以及這種支撐實驗的這種大量的評測，這3種計算模式呢實際上都是推理。

尤其是隨着這種長任務的佔比越來越高，長生下文的下的這種推理效率就變成了sling 的關鍵，推理越高效的結構，越容易在這種沒有training 和這種post training 中sling 的更快，從而長期能夠更佔據優勢。在這種相同的算力規模下呢，可以認爲是說推理計算效率的提升的倍數基本上是說跟這種候選人的規模的變大的倍數基本是線性相關的。

我們這種，大參數模型上架構上帶來的優勢和創新以及這種後訓練規模能夠持續變大，預計會在我們後續的模型更新中，會有非常直接的體現。接下來討論一下基礎設施，在跟雲廠商加強合作的基礎之上呢爲了能夠進一步增加我們的算力供給，我們實際上是國內最早的兩家，建立規模化長期穩定的基礎設施的獨立大模型公司之一。

這是我們能夠來同時來研發兩款模型的關鍵的支撐。目前呢，我們這個自建的基礎設施已經能夠獨立支撐我們目前最大的這個訓練任務，它的這個etr也就是這個有效訓練時間的比例，現在也能達到97%，是行業內目前我們所知的，最高的一兩個水平。

這種全棧的這種能力呢，其實不光能夠提升我們的訓練規模，還是還使得我們在這種體系結構的設計上有非常高的靈活性而從而實現在這種AI 原生的訓練和推理上能夠有大幅的改進的空間。比如說藉助於這種內存SSD 和這種網絡的協同設計可以實現這種可以開啓命中率的顯著提升而從而成倍的降低這種profit 的成本。

隨着這種後訓練中的這種agent 類的任務的佔比越來越高這就需要大量的這個CPU 的爲基礎的沙盒而我們的這種多模態的業務中的推理集群中有大量的這種CPU 的就是能夠提供一個非常好的這種混合調度的空間。同時呢就是說在線上的這種推流量的這種潮汐的性質呢又給我們做小規模的驗證實驗和強化級的這種rollout，提供了，非常多的這種，可以使用的算力。

基於我們在這種infer 上的這種全站能力，我們，單位資金效率下的後續的規模我們估計，至少還有三倍的空間，以及呢，是說我們的推理效率的提升，能夠持續增加我們的後續的這種毛利水平，最後呢，我們討論一下多模態。跟大部分的大目前公司不同，我們在設計模型的時候一直是把一直是原生的考慮動態的信息。

語言的話是說我們認爲，視覺的理解和生成，是生產力的重要的組成部分，動態生成呢目前也是，這個除了編程之外，AGI 裏面的第二大的市場。H3呢，我們就是三週之前推出的H3，實際上是一個這種語言模型和視覺生成相結合的一個實踐，這不只是把語言模型作爲一個encoder那更重要的是說利用語言模型的來做這種精細的上下文感知從而可以實現全方位的參考和，精細的生成能力。

這個mini Max A3的這個效果的突破還有我們選擇的開源策略，以及這種，我們展現出來的這種性價比的優勢實際上是改變了這個領域的先進模型，基本上都屬於大廠且走封閉路線的這樣一個格局。在這個創作者和開源社區中的受歡迎程度，實際上是遠超我們的預期從A13開源到今天三週多的時間吧Mate mask 與它的下載量，其實已經超過了2400萬次誕生了超過三百個這種衍生的，這種公開的衍生模型這應該是，今年全球下載量最大的模型。

藉助於這種良好的社區的口碑和性價比，我們自己線上提供的官方服務的使用量，也有了一個爆發式的增長。隨着動態和語言模型這種更加深度的融合物理世界信息的引入，以及這種encoder 上下文計算和數據等環節的skating我們認爲接下來的多模態模型還會有這種多次能力編輯上的躍升。

基於我們獨特的這種在，語言模型和生成模型兩方面的這種技術儲備，我們認爲，後續在這個領域裏面，我們的技術領先性市場份額和這個影響力，也會進一步的增加。更長遠來看呢，我們認爲這種類似語言模型和設計生成模型的這種結合的範式在接下來一段時間內會在一些更加前沿的領域裏面持續來湧現。

我們回到這種最開頭的這種問題，就是midmax 追求的其實不只是說在智能跟成本之間來做取捨，只有最小化這種單位智能成本，才有可能進一步訓練出來這種最大化的這種智能水平。只有這種降低單位智能的這種供給成本，才有可能讓更高水平智能進入到更廣泛的生產和生活。

模型創新呢其實決定我們能夠把智能到底推動的有多高而模型的效率呢，決定了這種智能能夠提供多大的供給強化學習和這種現實世界的反饋呢，決定了下一輪的智能能夠進步的有多快而多模態和這種專業領域決定了這種智能能夠到底進入的有多深到底能夠進入這種多深和多廣多廣闊的真實世界。

我們也清楚，就是單個模型並不，意味着全部核心其實還是背後研發模型的這種基建和研發體系，能不能持續的scaling 。我們實際上在這個M3的研發過程中，其實曾經有過這種時間上的不足但是對我們而言，其實更重要的事情還是說能不能持續的定義和迭代自己的技術路線能不能不斷加速我們的智能智力的提升密度能不能，將更高水平智能以更低的成本，交付給更多的用戶，這個的話也是我們，公司堅持的願景就是intelligence with everyone 。感謝大家的這關注和支持，我們也會繼續努力。謝謝大家。

薛子昭

下面有請公司副總裁薛子昭介紹財務情況，大家好。我是子昭，下面我簡要介紹一下集團2026年上半年的財務表現。報告期內，我們實現了收入約1.2億美元同比增長283%，上半年的收入已達去年全年收入的1.5倍。其中第二季度收入相比於第一季度環比增長82%。

收入的增長的核心在於，我們圍繞文本及多模態模型形成了獨特的定位在提供前沿模型能力的同時優化推理效率，實現了具有吸引力的性價比。憑藉這一優勢，我們的全球企業客戶和開發者規模快速擴大API 調用量及模型推理需求持續增長，推動模型能力加速轉化爲實際產品使用和商業化收入。

從收入結入結構上看開放平台及其他AI 企業服務收入約7400萬美元同比增長703%，佔總收入的比例由上年同期的30%提升至63%主要由付費用戶及企業客戶數增長API 調用量增長以及token plan 快速獲得採用所帶動AI 原生產品的收入約4300萬美元同比增長101%，海外市場貢獻了超過六成的收入。

進入第三季度收入加速度增長目前八月arr 已超過八億美元，其中to B 板塊在整體arr 中的貢獻已超過80%。在技術和基礎設施層面，隨着minimax sparse attention 等模型架構創新落地以及基礎設施能力的持續增強，我們不斷提升模型的計算效率。

2026年上半年毛利約2100萬美元，同比增長465%，毛利率由12.1%提升5.8個百分點至17.9%。費用方面，研發開支約三億美元，同比增長139%主要由於我們持續投入基礎模型能力的研發研發開支增速顯著低於收入增速，體現研發成果轉化爲業務增長的效率進一步提升。

銷售及分銷開支約0.3億美元，同比下降18%主要由於用戶自然增長的策略持續推進，推廣開支相應減少行政開支約0.3億美元，同比增長104%佔收入比例由49%下降至26%，經營槓桿逐步體現。由上年同期約四億美元收窄11%至約3.6億美元。

經加回股份支付金融負債公允價值虧損及上市費用後2026年上半年經調整淨虧損約兩點九億美元上年同期約1.4億美元，同比增加111%主要反映了我們對於基礎模型能力和基礎設施的持續投入。爲進一步增強公司的資金儲備和財務靈活性2026年7月，公司完成了配售發行，合計款項總額爲160億港元。

目前公司現金儲備超過三十億美元，爲我們持續投入前沿模型研發算力基礎設施建設及吸引頂尖人才提供了堅實的保障。總體來看，上半年公司的收入規模業務結構和毛利率均取得明顯進展費用指標持續改善，我們將繼續在保持長期戰略投投入的同時提升研發運營和商業化效率。謝謝大家。

Operator

以上是公司的發言內容，接下來可以進行QA 的交流環節。感謝領導的分享下面進入互動交流環節，歡迎各位投資者舉手語音互動或發送文字提問。大家好，如需提問電話端的參會者，請先按話機上的*鍵，再按數字一網絡端的參會者，您可以在直播間互動區域內文字提問或點擊旁邊的舉手按鈕申請語音提問。謝謝。

楊澤源

下面有請中信證券楊澤源進行提問，有請好的感謝各位mini Max 文騰給我這個提問的機會也非常恭喜公司上半年已經取得了這個長足的快速的進展。我想請教兩個問題，我一塊兒說了，第一個問題是這樣就是市場其實最近，比較關注這個coding 的這個競爭的加劇，當然也包括部分的，其實一架海外的模型商業化增速的變化。

剛剛其實還有講的過程中我們也在認真的學習，就是我看咱們提到說，咱們判斷全球的這個模型智能仍然有很大的提升的這個空間這個是爲什麼做出這樣的判斷，然後進一步講說在coding 之後哪些的比如說能力的突破，或者說應用場景最可能成爲下一輪這個規模化需求的來源這是第一個問題，就是關於coding coding 之後的這些事兒的判斷。

第二個問題是這樣，就是公司剛剛也披露了七月份的這個token 的消耗量其實也達到了，這個應該一月份，如果我們已經說應該達到一月份的二十倍吧而且八月份的這個AR 應該也增長很快，應該也達到進一步超過了八億美金對吧。那能否辛苦管理層具體去拆解一下這個增長它主要是來自於是新增客戶，還是說是現有客戶的擴容還是說是模型能力的提升，或者說是我們因爲我們有動態有有文本還是來自於這個產品結構的變化，這個來源是什麼。

然後現在咱們BC 的這個結構，或者說地域的結構就是區域的這個結構大概是什麼，也就是我第二個問題就辛苦領導能不能幫我們拆解一下咱們剛剛講的這些增長的數據。謝謝，就這兩個問題。

嚴俊傑

好這個，感謝這個提問，首先第一個是關於coding 相關的，我覺得這個智能的提升空間呢，其實它具有這種技術上的，這種變化，然後也有這種來自市場上的變化。首先我們先說技術上，就技術上的話呢實際上在過去幾個月，實際上的話就是模型智能提升的一個一個一個關鍵的評價指標呢其實是說，衡量模型能夠做複雜城市任務的這種能力。

那在這個，就城市任務的話呢，指的是說比如說一個任務他經常比如說需要做這種幾百輪的這樣的這個就是需要做幾百輪的這種，比如說工具調用然後比如說coding ，比如說結構驗證然後類似這樣，就是類似這樣級別的一個複雜的任務吧。那，從過去幾個月，外面的進展包括我們內部能夠做到大量的實驗，我們可以觀測到一個趨勢就是說，只要是一個能力，它可以被精確的評估然後它可以可以被構造出來這種強化學習的這種，學習的環境基本上呢就是，基本上就是說，模型基本上就可以學出來。

這個是一個，我覺得這已經是一個非常確定性的一件事兒。那這裏面的這個核心的競爭力或者是核心的感應方向呢其實是來自於是說，怎麼樣把這些專業裏面的問題把它抽象成一個一個這種高質量的這種強化學的環境，然後呢，然後呢就是讓然後可以驗證讓模型能夠持續來，學習，然後呢那，就是，，那基本上就是說，比如說模型來提升這些能力。

那在一個足夠大的一個預訓練的基礎之上呢接下來就來自於，比如說sft 和強化學習基本上就是在sft 的時候它，比如說這個這個裏面的話呢，就是說數據的學習效率相對偏低，所以可以用比較大量的數據然後在強化學習的時候呢，基本上就是用這種最高質量的數據然後實際上呢，我覺就是就，根據我們剛才提到的就是說，我覺得，在過去跟接下來一段時間吧我覺得這個強化學習的這個環境和規模，可能會，區分不同的公司的這個模型進步的速度，然後實際上我們已經投入了大量的精力來完善這件事情。

然後呢，那個從這個市場的角度來說，就是說我們認爲就是說，首先coding 其實是所有的能力裏面，目前可能是最核心的一個能力，那其次的話呢是說這個但是即使這樣我們發現就是說單純的coding 的能力其實還是，有很多提升空間的，比如說呢，那其實很顯然就是現在扣運的使用還是停在代碼生成和一些輔助開發的階段然後這些更加端端的這種交付的，這樣的任務裏面現在其實其實我們認爲市場空間還是非常大的。

然後呢這是第一個，然後第二個的話呢，是說，我覺得現在其實出現了越來越多的這種，就是泛扣定類的這樣的任務比如說舉例子，比如說像網絡安全在過去一段時間，大家看到的其實就是一個非常典型的例子就是從這，本質上就是說，當一個模型的科學能力足夠強然後再加上大量的這種安全相關的環境和迭代之後那在網絡安全上其實展現出來這種驚人的能力甚至說改變了這個網絡安全這個行業。

那，我們現在其實能看到是說，就是隻要是說能夠建立這種數據的閉環能夠這種可被驗證的來構造出來這樣的強有的環境，其實很多行業都能看到這樣一個趨勢比如說像芯片設計，比如說一些類似的這樣一些領域吧我覺得大家可以預期的事情是說，，可能再接下來幾個月這樣的事情可能會出現好幾次，這是第一個。

然後第二個的話呢，是說，就是我想說一下這個就是商業化相關的，就是說其實可以發現是說當目前能力突破一個邊界之後就是就是模型的這個增長，不管是行業還是我們公司，它其實不是這種，這種連續的，它其實是說，一個好的模型出來之後呢它其實會有一些這種階梯式的這樣的釋放，而不是簡單的這樣一個這種連續的線性的變化。

我們，其實在這個今年七，七月份，就是說我們這個投困消耗量呢相比一月份多了很多，它其實主要是來自於兩步的增長第一步的話呢是在今年春節的時候就是，一些這種agent 的這種任務上，其實取得了一個非常大的增長然後第二的話呢是說在M3出來之後呢，我們其實提供了這種原生的動態的能力擴能力其實也有一定的加強，然後同時的話它計算速度其實也變得更快，其實就進一步帶動了這種通用效應的一個增加吧。

對，然後呢，那就是說，接下來講一下第二個事情就是說，關於這些這個，收入稅率的一個拆分首先呢就是說八月份的這個AR 超過八億美金呢其實這個核心的驅動力呢，還是來自於模型能力的提升我們呢其實一直在踐行這種，極致的智能的極致性價比，在M3在相比於M2的這個模型價格不變的情況下其實我們首先提供了更高的智能水平，，然後呢第二的話呢，是說我們其實吸引了不少新的客戶他的這個企業客戶和他者的數量呢，我們前段時間統計了一下，其實已經超過了兩百萬其實是去年年底，，其實是去年年底的十倍左右。

然後另外一方面呢，就是說老用戶老客戶吧其實也是因爲模型能力的提升而進一步來解鎖了更多的場景比如說舉例子，比如說，除了coding 跟agent 之外比如說很多辦公的場，比如說很多客戶會進一步來使用這種辦公的場景我們觀測到呢，就是說這這種，模型的消費呢，正在從這種，人類與AI 的這種交互變成了這種agent 與AI 的這種多輪的交互。

然後呢，人類的問題呢，然後通過a 的形式被展開成這種多輪的這種模型請求工具調用和a 的任務而這種由於這種agent 驅動的這種推理需求的增長呢其實顯著快於這種人類用戶的數和消息數然後這些變化呢，其實也發生在我們的模型身上，從結構維度來看呢，就是說這種，單個用戶的這種通用消耗其實在快速的增長。

剛才還提到這個，AR 的這個結構這邊的話是這樣的，就是說從客戶結構來看就是說，在當前，就是在這個八月份的時候裏面的這個to B 的這一部分，它的佔比應該是80%左右然後在去年的時候呢，它的這個to B 的佔比其實百分之大概是30%然後在這個裏面的話呢，我們可以看到這種企業和開發者對模型的採用速度，其實是在明顯加快的，我們認爲呢就是說在這個AI 時代其實模型本身就是產品，所以不管是to B 還是to C 本質上都還是客戶爲這種模型能力而付費。

這個的話也是我們作爲一個大模型公司，就是把這種持續提升模型的智能水平作爲一個最核心的一個目標並且不斷打磨出來，，這個更優秀的模型能夠被更廣泛的用來使用然後從這個地區結構上來看呢，我們這個國際化依然是公司非常重要的特點在這個今年的上半年，我們海外的收入佔比其實是超過了，，應該是60%左右對，然後從這個模態的角度來看呢就是說我們其實能夠觀測的，當然比如說在S3出來出來之後動態的這個增長其實是有了一個非常大的增長。

我們其實但是但是其實語言模型其實也依然在增長本質的原因是因爲我們其實提供了非常優秀的這種性價比，然後呢，在這種，我們觀測到我們的這個客戶跟用戶，我們可以發現是說這種，，越來越多的客戶會同時使用這種語言視覺和這種聲音的能力所以說呢，就是說在這個從六月份到八月份吧我們認爲它的這個，其實是語言模型和動態模型是兩個東西加在一起來驅動這種AR 的增長。

然後如果再往後展望的話，我們認爲下一階段最重要的增長來源還是這種模型能力的變化了就是更強的模型肯定會帶來更多的用戶和任務而且呢，這種更高的推理效率其實也會讓客戶可以以更加可接受的成本能擴大使用的範圍吧，我們後續可以期待這種我們接下來幾個新的系列包括M3.1，包括M3Pro，還有那個H3.1的這個更新。

Ronald Kong

好的，感謝，也期待公司更多的心意，謝謝。好的，感謝領導的解答，下面有請高盛Ronald Kong 進行發言有請謝謝袁總提某的招呼Olivia 那兩個提問。有一些友商是不不斷的提價的，也有一些也有一些模型是在降價的那公司能否進一步解釋一下，給我們說一下那個爲什麼降低推理成本那不只是一個商業上的性價比策略，，但也會直接影響這個模型Maximize intelligence now Pro.那能跟我們分享目前研發和這個發佈的節奏如何嗎在coding agent 和一些長城的任務上市場應該關注哪些可驗證的進展。謝謝。

嚴俊傑

首先這個第一個問題，就是說，，其實我覺得推理，它其實不光是一個網慢來提供這種智能的這麼一個服務，它其實也是我們內部能夠產生下一代智能的一個重要的一個過程吧原的話是因爲，，我們可以非常清晰的看到是說一方面比如說在預訓練階段還是可以變態公司給領從比如說接下來3t的模型到再往後比如說更大規模的模型它的預訓練的規模其實也是在參數規模和對應的這種token 量就是基本上是一比二十還是可以持續能夠往外scaling 的。

但是在另外一方面就是說其實後訓練的這個佔比其實是越來越高的後訓練的話呢，這裏面的話其實是需要依賴於非常多的這種比如說這種，數據的合成，比如說依賴於這種比如說agent 的這種環境的構造和這種採樣，比如說依賴於比如說在強小學的時候，然後需要做大量的這種Run out那這些當然了，最重要的事情是說因爲後訓練裏面有非常多的不確定性需要做大量的實驗。

然後那這些實驗的話，它其實也都需要來做評測這種非常精確的評測那在這個裏面的話呢，其實可以看到大部分計算量實際上也是就是在後訓練中其實大部分計算量其實是推理，那也是因爲這個原因我認爲其實推理效率其實是決定了，在後訓練中我們到底能夠scan 到一個什麼樣的規模那就是，，這個的話，是，就是我覺得基本上可以認爲是說這種在同樣的規模的模型下推理效率越高，其實它能夠從候選人中能夠享受到紅利其實就越大。

然後推理效率的核心呢，其實它也不光是說這種單個偷工的成本其實是說在單位時間相同的算力下，能夠完成多少次的這種有效推理然後呢，那這種更多的推理，那就意味着更多的訓練軌跡，更多的實驗，然後呢，更快的評測，那所以說它的迭代其實就會越來越快那這個的話是我們，就是，就是爲什麼這麼重視推理效率的原因就是從這種對外服務的成本和對內的這種模型的研發的加速和skinny 上我覺得，它基本上都是，這兩方面其實都非常的重要。

這個的話也是我們認爲是說我們下代模型的這個非常核心的競爭力然後以及是說說我們再往後的模型上，在性能上能夠取得領先的基礎然後呢就是我們說一下這個，接下來的這個模型更新的節奏實際上我覺得模型的發佈，它其實只是一方面，它更實際的事情是說在研發的模型的過程中能夠能不能形成這這些可可以沉澱，可以積累的這樣一些基建然後從這個數據到算力到預訓練的這種框架強化學的框架評測，然後包括這種推理的基建。

然後當然對我們來說還有更底層的，包括這種規模化的集群建設軟件的優化，然後呢再到這是整個環節，很多這種基建和研發同事，算法同學優化同學之間的這種，相互的配合這其實是一個非常完善的過程實際上的話呢，就是說我們之前在那個M3的時候其實我們經歷過一些這種，比較比較有挑戰的時刻吧它的它的時，它的背後其實反映的事情是說我們的這個評測的基建其實是沒有做好對那那這個的話其實也是我們爲什麼這麼這個認真的在來做下半期我們花了非常大的力氣來這個，基本上是重建我們的基建的一個最真實的原因吧。

然後那那那就是說，隨着這些基建目前其實已經這個越來越高效了，所以說呢，我們其實對接下來的這幾代模型吧就是其實從H3的時候，其實已經有了一個初步的驗證那接下來的話就是M3.1m三Pro 和這個H3.1，這個的話是我們目前就是，就是就是接近完成的一些這個模型吧那更具體來說呢，其實我們的M3.1的定位呢其實是說是，把我們的這個整個基建能夠完整的跑通然後呢能夠這個得到一個，這個，這個就是從這種穩定性質量推理效率率和這種agent 的這種泛化能夠這種能夠得到一個這種被大量廣泛使用的模型，這個的話就是我們的這個M3.1的一個定位。

然後呢，那，可以就可以認爲是說，就是如果M3.1的話它的這個效果能夠達到我們的預期，那幾乎是說咱們三Pro 上我們的整個的後續鏈其實已經，基本上是可以有一個被充分的一個驗證那M3Pro 的定位呢，它其實是一次這種模型的規模，參數量和這種能力上的一個全面的提升那M30Pro 的話是一個這種，參數上接近3t的一個模型並且呢是說是一個這種從這個預訓練的這個數據量訓練效率，我們這種機器人訓練大衆的能力到這種候選人上能夠來做這種非常長任務的訓練其實它是一個這種，就是在每個環節上嘛它都在追求我們的一個到了一個上限這個的話是我們這個M3Pro 的定位，然後在M3Pro 的就是除了這種規模上能夠到一個這種，四個音的極限之外其實我們還做了大量的創新，包括在架構上其實又做了一次很大的升級包括在這個推理的效率跟推理的速度上，其實也有非常多的升級就是就是就是就是它的這個效果的上限我們現在還要取一些我們這個候選人的一些進展。

然後呢，但是我們現在已經可以確定的事情是說它的這個推理速度和推理成本它應該是在3t列檔模型裏面，其實是一個有非常顯著優勢的這樣的模型然後呢，那，然後呢，那還有的話呢是說這個H3.1H3.1，其實H3.1我們的H3出來之後呢其實已經有了一個非常大量的一個使用瞭然後呢，但這裏面的話其實除了愛總觀的服務也來自於很多這種科研社區的用戶然後H3.1的話其實是再次進入之上又做了一次這種能力上比較騷的一種提升那這個的話是接下來這個幾個模型的定位吧。

好，謝謝，，然後呢就是再稍微補充一下就是說這個，其實我把就這些模型呢，其實我們的核心是把每個環節做紮實，還是把每個環節做紮實然後把這個基建，然後能夠真的能夠做好然後呢，我們也會努力讓大家能夠這個儘快用上這個新的一些模型。好感謝。

Gary

好的，感謝領導的解答，下期下面有請摩根士丹利Gary謝謝iotimo 指教跟nollivia 我的問題是關於算力的，那現在算力可以說是大模型公司最重要的資源國家也都在積極儲備，算力的芯片，我們目前算力的儲備是如何M3Pro 跟後續模型所需要的算力是否已經到位，那訓練跟推理的資源分配是如何以及最後，想問一下國產芯片的適配情況也也是如何。謝謝哦。

嚴俊傑

對，這確實是一個非常關鍵的問題，這個總體來看呢，就是我們現有的這個算力以及是在規劃中的算力，我認爲都還是能夠支撐我們目前看到的這些，模型的這個後續迭代和下階段的並且呢是說，，藉助於我們這個自主建設的經驗吧我們其實也在籌劃這種更大量級的這種模型訓練的這種，前期的儲備吧然後呢，就是圍繞這種就是就當前來說，就是圍繞這種3t這種量級的這種文本模型，還有的話是說我們的這種視頻的模型我們其實已經準備了比較充足的這種訓練算力和這種一部分的這種推理算力我們通過這種自主可控的這種核心集群，跟雲廠商的這樣的合作然後以及跟這種，通用工廠的這種合作其實搭建了一個比較綜合的這種，算力供給網絡，那，然後呢就是通過我們自主的這種，一個非常大規模的這樣的算力調度來來實現這種3種來源就是我們機械集群雲廠商的合作和通過上的合作來這個實現這種靈活的擴展。

然後呢在這種自主可控的這種核心集群上呢我們的主要的目標呢是說來保障我們最旗艦模型的這種預訓練，後訓練和這種強化學習的這種訓練任務然後呢，這種大規模的這種訓練集群，其實它這個上面的這種最大的模型的這種訓練它其實是需要這種，長時間的連續運行，然後對這種網絡穩定性然後這種軟件的協同的效率其實要求都很高同時呢就是說爲了能夠配套這樣一個集群，沒有需要來自主來搭建周邊的這些，比如說高網，比如說這種專線，比如說服務器，比如說存儲那誰，然後就是就是這個事情它可能不會體現在這種這個短期的業績裏但它但是我認爲實際上，我們在這部分，其實我們在今年上半年取得了一個非常實質的一個變化，然後它是我們後面的一個，更大規模的一個最核心的技術，然後其次的話呢是說是跟雲廠商的這種加深的合作，實際上呢是說它跟我們的這個模型訓練，還有線上推理其實都提供了這種更強的保障，和這種非常多的這樣一個彈性。

然後呢，在這個推理層面，包括我們的很多在線業務其實是，依賴於這種跟雲廠商的合作，我們會，基於我們的這種模型，任務實驗和成本來供給然後，現在也有了這種，，更多的選擇然後第三個呢，其實是這個通用工廠，其實說除了我們的這個自建集群科學上的合作，其實通用工廠它也是一個這種推理算力的一個這種非常好的一個補充吧那，那我們現在的話其實是基於這種實際的這種頭疼的需求我們其實是，，這個通過，，其實通過通過工廠其實也是增加了很多的供給來這種承承載我們的這種業務的增長，然後以及這些這種，階段性的這樣一些峰值這樣的話的組合呢其實是說它既可以保障我們自己的服務質量，其實呢也能夠跟我們的這個合作的同工廠去幫他們來增加他們的這個這個這個服務的規模。

然後呢，就是說我們內部呢，因爲我們有不同模型在研發其實是說我們的這個，內部的算力分配和這個資源調度，其實也是一個，我們對我們來說其實是可能是一個獨特的需要來面對的問題吧，然後呢，我們這邊呢，其實是說這個就是這個，不同的模型呢，它，實際上是說是在不同階段其實是有些這種，根據需要的這樣的一些動態變化比如說在當前這個階段，其實是我們這個文本研發比較關鍵的階段它的這個目前的訓練量其實是比這個，視頻是要大不少的然後呢那，那但是另外一方面，其實大語言模型做的更好其實也承擔了這種對我們動態的模型的這個理解上樣的理解和任務的規劃提供一個基礎。

，同時呢，就是像那你剛才提到的，我們其實也在這個實實際上我們現在已經開始用了一部分的國產芯片然後並且我們認爲在今年Q4的時候吧，國產芯片的使用佔比其實會變得更高從這個遠模型上到動態模型上，其實都是這樣的目前我們還是能夠觀測到是說，國產芯片其實是一個，能夠提高我們整體利用率甚至能夠降低我們單位通用成本的一種但是更重要的事情是保障供給其實是能夠提供一個非常好的選擇。

於中海

好的，感謝領導的解答，下面有請中金公司於中海進行提問有請嚴總，各位領導，感謝給我這個提問提問的機會，今年公司有一個亮點是上半年咱們毛利率改善也挺明顯的那我的問題就是隨着模型價格持續下降，那公司如何通過降低單位智能成本保持並提升毛利率，下半年毛利率改善，這個趨勢將主要來自於推理優化集群利用提升還是供應鏈管理上的優勢。謝謝。

嚴俊傑

對，我覺得這個是一個，，其實是我們非常重視的一個指標，我覺得這個事情呢，它其實是通過好幾個環節的組合來實現的並且我實際上我們認爲在接下來一段時間內它的提升空間還是依然還是非常大的首先第一個的話呢，是說這個，最重要的一個事情是說這個算力的優化的能力，比如說我們在過去兩個多月實際上我們文本模型的這個單位算力下的這個吞吐其實是提升了接近三倍，當然了，這個算力的漲價呢，其實是讓它的這個提升的這個幅度其實有一些對沖但是呢，它整體上還是，，其實還是在這個顯著的改善這是第一個。

然後呢第二個的話呢是說，其實我們這個，因爲我們公司的算力，其實它既做訓練又做推理實際上我們是通過這種非常高效的調度來這個來來，讓我們的算力的這個利用率能夠進行的高比如說舉例子，比如說在這個，夜裏的時候那它的這個，流量的潮汐，它的這個現在現在文本的推理推理的流量其實就會，比白天工作的時候要顯得的變少那在這個時候呢，其實這些算力就會被自動調動來做比如說評測，然後來調來來做，比如說這個算法的一些驗證實驗那這樣的話其實就可以讓我們的整體的利用率其實能夠，然後能夠，然後能夠持續變高就是，因爲我們現在有有一些這個基建是我們自己來建設的所以說其實這個靈活性是非常大的，然後可以讓我們比較快的能夠實現這一點。

然後呢，那第三個的話呢，其實是說這個，其實剛才你也提到這個採購供應鏈那隨着我們這個資建的規模變大吧，其實我們在這一方面其實也有了一個相比於，之前只是從雲網上採購，其實是有了一個非常直接的一個，對供應鏈有個非有一個非常直接的一個理解吧其實它上面也有了一個很大的一個提升空間，然後呢就是在這個成本下降之後，其實我們當然可能還有最後一點就是其實剛才也反覆提到了我們在模型的這個架構設計上，我們其實非常贊是重視這種推理的成本，因爲它能讓我們更好的scaling這個事情其實也是我們一個，在技術上一個非常核心的和獨特的一個，然後一個地方，然後呢就是說，，我們的山上的選擇是說成本下降之後呢其實我們會也會把一部分的這種成本下降的收益讓讓渡給客戶通過降價降低使用門檻帶來，更多的用戶和更大的這種投困規模，然後呢，也可以保留一部分的這種收益來改善我們自己的毛利率我們認爲，就是我們其實不認爲這種降價和毛利率是矛盾的其實只要是說單位的投困，它依然能夠保持正向並且它的毛利能夠持續改善，其實規模就會變大規模變大呢，其實給這種更大的更高的毛利其實就提供了空間。

從這種業務結構上來看呢，我們現在的這個多模態的生成和語音的業務，它的毛利其實向來不是更更高的文本的這個，，它的收入佔比其實是在快速提升但是它的這個，毛利呢，其實提升空間還是比較大的我們認爲呢就是說，隨着我們目前的優化規模的擴大以這種集群利潤的利用率的進一步提高吧我們預計呢就是說，文本接下來會變成這種改善毛利率的一個比較重要的一個驅動力，就是再往後來看的話呢，我們認爲在今年下半年吧，我覺得我們的毛利應該會持續改善並且在明年應該會有進一步的這個提升空間。

Michael

好的，感謝領導的解答，下面有請Michael alley感謝嚴總和各位管理層給我這個提問的機會也恭喜公司在八月份取得強勁的A22，我的問題主要是分兩部分，，就是關於H3的發佈和開源，想請教一下就管理層認爲這個讓，我們對於多模態模型和通用智能的發展有了哪些新的驗證，H3我們目前選擇的這個開源的這條道路會不會削弱，公司後續商業化的，，商業化和定價的能力然後另外一部分呢，就主要是跟進剛才管理層提到的這個資源分配的問題在公司目前，同時推進語言模型和多模態模型的發展情況下，公司準備如何去平衡資源的投入。謝謝。

嚴俊傑

對，，實際上是說我們這個在過去很長一段時間裏面吧我們其實一直在，，實際上是，，其實我們也收到了很多，就是很多投資者朋友關心吧，就是說我們爲什麼，然後，就是一定要這個做動態生成模型，然後，我覺得就是隨着這個H3的這個它取得的影響力吧我覺得這個應該是被稍微打消一些，但是我也解釋一下是說你們爲什麼要這麼來做你爲什麼要開源，，首先呢，我覺得最重要的事情是說，第一呢是說這個領第一呢是說我們認爲這個領域它其實上是一個生產力它其實是跟AGI 的整個的這個提升生產力我覺得是非常契合的第一個第二的話呢是說，，實際上我們發完三的時候呢我們一個最實的想法是說我們希望能夠改變這個行業，因爲，因爲這個領域長期來說其實是被這種閉緣的生態然後呢這種非常高的這種定價然後來那幾乎是來壟斷的那我們認爲這種就像語言模型一樣就是我們認爲一個非常良性的一個上一個然後一個然後一個領域，然後能夠這種更大的能夠來產生這個社會影響力和這種商業的增長它其實是需要更開放那所以說呢，我們的選擇就把它給開放，然後呢並且呢是說它實際上也是非常的早期，因爲我們其實可以看到是說這個就是它的這個設計的關注度是遠超我們預期但是它的能力呢，雖然說現在我們一定程度上可以做很好的內容但是它距離這種，我們理想中的這種，更高等級的智能然後它能夠來這種更高的穩定性，然後呢它這種能夠表達更豐富的內容，甚至它的這個速度能夠更實時其實還有非常遙遠的距離。

那我們的做法就是說第一，通過，開源來改變這個行業第二的話呢是說通過我們接下來持續的skating 來推動這個領域的智能的進展那第三呢，就是說通過我們每一次的這種能力的提升和對這種我們的用戶開發者和創作者實實在在的價值能夠不停的提升我們的這個商業化的能力我覺得呢，U3呢，算是一個，非常好的開始然後呢，那從這個資源配置上來說，我們，其實不會把這個語言模型和動態模型看成是這種，彼此競爭的這樣的兩個關係而是說呢，認爲是說兩者在模型能力，數據和基建上都可以相互來促進我們的目標呢，還是說讓兩條路線可以這個協同發展來共同提升智能，然後呢把更好的這種生產力交付給我們的用戶。

對，我最後再想簡單說一下，就是說，就如何看待語言模型和視覺模型的關係其實我剛才提到了，就是說，，我覺得就是說，，在我們未來來看，其實是有很多更前沿的領域比如說芯片設計，比如說製藥，它其實都是把兩個不同的模態的東西能夠融合在一起然後把兩個領域的就是不同的這種模態的輸入不同的信息能夠融合在一起我覺得我們在語言模型跟動態上其實是已經走通了一條路就是說怎麼樣能夠就是，通過更好的理解來做更好的生成怎麼樣把兩個領域的數據能夠串在一起，怎麼樣能夠協同訓練怎麼樣能夠改變一個領域我覺得隨着我們的這個這個語言模型將來變得越來越好我認爲，，在這個今年Q4，是包括明年Q1不管是我們還是我們的友商，不管是中國還是美國都會有越來越多的這樣的兩個領域跨界結合的這樣的新的機會的出現這個的話實際上就是我們可以看這種科學的發展其實很多時候它都是兩個東西的一個交叉。

Jeffrey

好的，感謝領導的解答，下面有請Jeffrey晚上好，謝謝管理層接受我的提問在中國模型加速追趕全球國內待產與AI pure pay 競爭格局加劇的背景下，公司如何看待下一階段的競爭格局這個第一個問題，第二個問題是，minimax 認爲，確定長期競爭力的核心能力是什麼。謝謝。

嚴俊傑

，感謝提問，我們認爲，，就這個行業它其實不是一個簡單的零和的競爭，，因爲原來的話是因爲，我覺得每個時間點來看都是剛剛開始，因爲再往後看智能的提升幾乎還沒有盡頭，就是往三個月六個月之後看我們現在的這些智能它其實都還是比較早期，那也是也，然後也是因爲這個原因吧，就是所以說我覺得，，，這裏面最實際的東西還是進步的速度實際上從去年下半年開始，我們可以看到這種coding agent 的能力開始具備使用價值那接下來過去幾個月，以及可能接下來一段時間吧模型肯定會更加的自主，更加有創造力，能夠完成更加長遠的任務並且最終呢，能夠來走向這種端端的交付，然後這種可被驗證的結果。

在這個過程中呢，我覺得其實任何一家公司的技術進步只要是說能夠把這個邊界能夠往前推進，它最終都會擴大整個行業的這種價值讓更多的人能夠受益我覺得其實下一階段的競爭的核心，它可能不是，可能不只是算力規模用戶規模，甚至一定不是用戶規模這裏面更重要的事情其實還是能不能，有自己獨特的這種正確的問題的定義，並且能夠有效的這種選擇有效的路徑能夠把它，因爲這裏的話有太多的選擇了從這種參數的規模到架構到訓練算力的分配到強化學習，到推理到評測，有太多的這種這種探索空間了所以說呢，每家公司自己的對模型的定義自己的技術路線選擇其實會非常的不一樣，所以說這個領域它一定是一個它其實一定是一個這種，百花齊放的狀態。

那對minimax 來說呢，我們的路線其實已經非常的明確了其實就是在持續提升智能上限的同時，最大化我們的這個單位算力能夠產生的智能這種極致的性價比對我們來說呢，其實它不單是這種價格策略它也是一條技術路線，讓我們的這個後續鏈可以更好的scaling 然後這種，這個的話其實就是我們目前最堅持的這樣一個也是最獨特的這麼一個技術路線吧然後呢，最終呢就是那個，，模型，因爲AI，它的實質是一個生產力的提升那模型還是要以能解決多少這種現實世界中的真實問題作爲一個價值的評判標準其實不管是在coding 上還是在這種生品生產上都已經證明了一件事兒就是說，用戶會爲這種更高的這種完就是更高的這種任務完成質量和更低的這種使用成本還有更好的生產效率來付費我覺得其實也不需要簡單的把今天理解成這種，大廠和這種獨立的這種大型公司之間的競爭，而是說看更更本質的事情就是說誰能夠持續的提升智能，誰能夠降低成本誰能夠有更高的這種智能的轉化效率這個的話就是我們對這個問題的思考好。

Operator

謝謝，由於時間關係，我們不再介入其他問題感謝大家參加本次會議本次會議的內容基於截至目前可獲得的公開信息準備相關數據僅供參考，如與公司正式披露的信息存在差異請廣大投資者以公司正式發佈的財務處罰爲準那麼到此結束，祝大家生活愉快，再見。

更多細節：MINIMAX-W IR

提示：以上內容是基於公開數據與第三方的自動字幕由AI語言模型生成。以上內容不代表富途的任何立場,不構成任何投資建議。富途集團概不就上述內容的準確性、合時性或完整性作出任何明示或暗示的保證或聲明。

100

瀏覽 33.2萬