成立996天的MiniMax主动揭开神秘面纱
作者 | 刘宝丹
编辑 | 黄昱
作为国内最受追捧的 AI 独角兽之一，MiniMax 在这波 AI 大模型浪潮中成为不可忽视的存在。
近日，MiniMax 在上海举办了一场主题为 "2024 MiniMax Link 伙伴日 " 的活动，创始人闫俊杰分享了基于 MOE（混合专家模型）+ Linear Attention（线性注意力）的新一代模型技术的应用，并展示了公司最新的音乐模型、视频模型的研发成果。
这是 MiniMax 第一次主动发声。在成立 996 天后，这家国内估值最高的 AI 独角兽公司试图讲清楚自己正在做的事情。
纵观全球，AI 大模型仍处于激烈的技术竞赛当中，这也是 MiniMax 当前最重要的事情。
闫俊杰对华尔街见闻表示，" 目前的阶段，最重要的东西还不是商业化，是真正地对技术到达广泛可用的程度。"
会上，MiniMax 推出基于 MOE+ Linear Attention 的新一代模型技术。据闫俊杰介绍，在与 GPT-4o 同一代模型能力对比上，新一代模型处理 10 万 token 时效率可提升 2-3 倍，并且随着长度越长，提升越明显。
" 相比于通用 Transformer 架构，新架构的原生线性计算复杂度大幅减少了大模型的训练和推理成本。在 128K 的序列长度下，新架构成本减少 90% 以上。" 闫俊杰如是强调。
MiniMax 是中国首个研发 MoE 大语言模型并持续在模型算法上做创新的公司，这背后体现的是公司对技术路径的判断。
闫俊杰表示，不管是做 MOE 还是 Linear attention，还是其他的探索，本质上还是让同样的效果模型变得更快。" 快意味着同样的算力可以变得更好，这是我们底层做研发的思路，除了 Linear attention、MOE，可能还有一些其他的比较有价值的事，我们也在探索。"
同时，这也是 MiniMax 推出 AI 大模型产品和功能的支撑和底气。
MiniMax 首次推出视频模型和音乐模型，由此，公司在模型产品的布局上囊括了文本、语音和视频，成为布局最全面的 AI 创业公司之一。
具体来看，MiniMax 视频模型具有压缩率高、文本响应好和风格多样等优点，可生成原生高分辨率、高帧率视频。
闫俊杰表示，" 视频这次确实取得很大的进展，我们内部来评测，包括跑一些分，应该比像国外 Runway 有更好的效果，这个东西只是我们的第一版，很快还会有更新的版本。"
MiniMax 的第一款音乐模型，可以合成纯音乐，为制作人快速构建歌曲的基本结构，由歌手自由演绎主唱或和声部分。据悉，MiniMax 语音模型已实现对粤语、日语、韩语、西班牙语等多语种支持的升级。
目前，MiniMax 音乐生成模型与视频生成模型已经在开放平台和海螺 AI 网页版上线。闫俊杰透露，abab 7 系列文本模型将于未来数周内正式发布，并采用新一代创新技术。
对于外界最关注的商业化问题，MiniMax 也给出了清晰的思路。
闫俊杰表示，整个公司的商业化基本上分成两个形式，一个是开放平台，现在已经有两千多家的客户； 第二点，在公司产品里面也有广告的机制。
对于视频模型的商业化考虑，他表示，再等一两周，更新后达到一个更加满意的状态之后，可能会考虑一些商业化。
一个重要的参考标准还是产品能力。MiniMax 国际业务总经理盛静远表示，对国内市场 2B 或者工具类，现在的思考是不断地把偏工具类的产品，比如海螺，打磨出新的功能，直到有用户粘性。
对 MiniMax 来说，用户粘性是考虑 ROI 和 retention 的前提条件。显然现在还不是时候。
"ROI 会有转起来的一天，但不是今天的产品形态。" 盛静远直言，今天的产品形态，作为一个普通的消费者，没有任何的忠诚度可言，一旦收费，消费者就可以换到另外一个产品，这个模式是不成立的。
在经过了一年多的技术狂奔后，AI 大模型创业公司已经开始进入产品竞赛阶段，随着 MiniMax 多模态产品的发布，也将行业的竞争带入新阶段。
以下为对话实录（经编辑）：
问：最近《黑神话悟空》很火，MiniMax 会把 AI 生成视频应用在游戏里面吗？
闫俊杰：《黑神话悟空》是传统的建模渲染的方式，基于视频生成的方式至少提供一种可能性，并且原则上来说上限会更高，基于渲染的方式，进步速度很慢。
生成视频跟生成文本是一样的，2 年前可能完全不可用，现在变得可用。现在大家看到的效果，不管是我们做的，还是可灵做的，还是 Runway 做的，还是 Open AI 做的 Sora，都只是一个开始，这只是第一年，接下来的进步速度一定会变得非常快。
我不太知道能否替代掉传统的渲染引擎，但是至少能够提供一种可能性，因为进步速度快，越长期看，进步越快的东西就越好。
问：有人评价，公司 AI 智能的算法还是比较厉害的，请介绍一下生成视频算法的事情。
闫俊杰：视频最主要解决的问题是这样的，比如说为什么我们的推出，比可灵要晚一两个月，核心是我们在解决一个更难的技术问题，如何能够原生的训练算力比较高的东西，这件事情为什么这么难？在训练视频生成能力的时候，也需要先把视频变成一些 token，视频变成的 token 会非常的长，非常的长之后越长复杂度就越高，之前的方法是平方的关系，我们其实算法上主要干的事是说怎么样把复杂度往下降低一些。压缩率变得更高，这个事花了我们很多的精力，就晚了一两个月。
现在也看到了收获，当你真的把算法变得更好的时候，确实是有一个更好的效果。不管是视频、文本、声音，核心的东西都不是说找一个算法提升 5%、10%，比较重要的是找一个东西能不能提升几倍，如果能提升几倍就一定要做出来，如果只提升 5% 就不太值得做，这个就是我们做研发的思路。
问：后续是在哪个方向迭代？
闫俊杰：数据、算法本身，包括更加方便使用的细节，比如说现在只提供了文生视频，比如图生视频，文 + 图生成视频，可编辑的可控性这个事都会陆续出来。
问：今年视频生成赛道非常激烈，MiniMax 为什么要做视频生成，对你们整个布局来说有什么必要性吗？然后挑战和难点。
闫俊杰：在人类社会大模型的核心意义做更好的信息处理，大部分的信息体现在多模态的内容里面，而不是体现在文字上。
为了能够有高用户覆盖度和使用深度，唯一的办法是能够输出动态的内容，这是一个非常核心的判断。之前我们先做出来文字，又做出来声音，其实很早做出来了图片，只是现在技术变得更强，把视频也做出来。这个路线是一以贯之的，一定要能够做多模态。
问：挑战和难点呢？
闫俊杰：首先这件事还挺难的，如果不难，不会全球只有两三家公司能做得很好。
难点在于有些独特的东西，然后有些可以复用的东西。独特的东西在于视频，工作复杂度比做文本更难，因为视频的 context 的文本天然很长，比如，一个视频是千万的输入和输出，这天然就是一个很难的处理。其次，视频量很大，比如看一个 5 秒的视频有几兆，但 5 秒看的文字可能都不到 1K，这是几千倍的存储差距。
挑战在于，之前基于文本建的这套底层基础设施怎么来处理数据，怎么来清洗数据，怎么来标注，对视频上都不太适用，意味着基础设施也需要升级。
还有的话是耐心，做文字有很多开源的东西，做视频开源的东西没那么多，很多东西需要重新来做，需要付出的耐心也更大。
问：关于 AI 出海，想问一下 MiniMax 你们怎么看出海这个市场的？
闫俊杰：其实我们国内用量不比海外小，但是我不太知道为什么大家都只觉得我们出海做得好，其实我们的技术起来非常领先的，但大家总觉得我们产品做得好，我不太理解为什么会这样。
问：最近快手有推出飞船，整个产品风格有点类似于星野，从 MiniMax 的角度来说，国内还比较卷，怎么能够把我们自身的壁垒提升？
闫俊杰：这个事就是一个发展的客观规律，作为一家小的创业公司来说，我们在竞争中打不赢，那就应该被淘汰，其实也没有其他的选择。
我们能做的就是，觉得有可能变强的事无限地放大，两点：一是技术如何提升，二是如何跟用户做更好的共创，也就只有这两点，这两点都需要一些非常关键的判断，需要靠非常长期的积累。
问：不知道方不方便透露投资人对 MiniMax 有什么期待？包括阿里和腾讯这边，是比较在乎商业化的进展还是技术方面的进展？
闫俊杰：实际的情况是投资人不是一个人，投资人是一个组织，一个组织意味着大部分时候没有一个统一的观点，真实的情况就是这样。
我们还是一家很小的公司，公司各种各样的数据，尽管已经提升了很多，在某些领域里面有些优势，相比这些大公司非常成熟的业务来说，占比都是非常小的，甚至可以说是不值一提。我觉得核心不是他们怎么看，核心还是我们自己怎么样做得更好。
问：星野和海螺的用户画像分别是什么样的人？
闫俊杰：星野是一个很独特的内容平台，是完全基于 AI 的一套内容社区，这个事在全球范围都是挺独特的。
抖音、小红书、B 站、知乎都是一个社区，至少在 AI 内容社区这件事上星野还是做得比较靠前。AI 本质上是一种新的内容交互形态。
星野的用户画像二三线城市为主，年龄在 17-24/25 岁之间。海螺用户画像更泛一些，海螺本来就是工具型的产品。
问：目前很多星野或者 Talkie 上面的用户，对产品的需求是想要一个很帅气的对象陪伴我，但目前智能体，或者虚拟的角色很难进行深度的聊天和陪伴，会导致用户的流失。像这样一类的产品，会如何应对这样一个问题？
闫俊杰：现在确实有这样的问题，本质上就是模型不够好，当前的模型没有很长的记忆，理解不了特别复杂的指令就会这样。社区是所有的互联网产品里面最难做的产品，这件事需要一步一步演化，不是一蹴而就。
问：之前 MiniMax 一直拿的是美元基金的钱比较多，后面哪些钱可以入场？如果这边融资困难的话，会做哪些应对？
盛静远：一家公司真正的价值在于自身创造商业价值。今天讲的 " 快就是好 "，也是在同等计算 GPU 的条件下，尽可能训练更多的轮次，训练更大的数据。经过几次科研的突破，我们能以比较有限的资源做出一个在国际上，也能在第一梯队的多模态的表现，这个我们目前还是比较骄傲的。
作为所有中国大模型公司里面，基本上少数几个能讲商业化，能讲变现，能讲产品跟模型一起驱动，甚至很有可能在比较短的时间内实现自负盈亏以及盈利，这个是一个最有希望说，也最 sustainable 的一个方式。
最核心的还是技术突破，产品是技术突破的体现，这个产品能够最终实现商业化，来反哺到后续的技术投入，这是公司真正转起来的标志，可能我们现在在半山腰的状态，如果做得比较成功，很快就能达到一个正向的循环。
问：怎么判断大模型技术，有什么通用的指标吗？
闫俊杰：技术好坏怎么判断这个事很难。我们也经历过，当评价标准不够好的时候，模型迭代有时候也会误入歧途。我们目前用的方式，有可能也不是对的，至少我认为比较可能的方式是这样的。
我们的开发平台大概有 3 万多个开发者，付费的客户就有几千家，有些客户对场景看重，要求保证产品效果，我基于这样的场景构建一个测试级，还是比较客观的，原因是这个测试级上所有的国产化模型都比 GPT4 差得很多，你看其他的排行榜基本上 GPT4 都要排到中间去了，但是在我们的排行榜上确实 GPT-4o 排在最靠前，包括我们的模型在内，所有的模型都跟 GPT4 有本质上的差距，而且越难的问题差距越大，这个是我们的评估方式。
至少按照这个评估方式来看，我觉得我们的提升空间还是挺大的。这个事每个公司有自己不同的思考。
