成长复盘：MiniMax发展历史——通用多模态大模型能力持续迭代
国内较早布局通用大模型的AI公司之一，围绕多模态能力持续演进：公司成立于2021年，聚焦通用人工智能方向，核心研 发自研大语言模型及多模态模型，覆盖文本、语音、图像等核心能力。自成立以来，公司持续推进模型能力升级与产品化 落地，逐步构建起较为完整的通用多模态模型体系与应用矩阵。
成长复盘：公司已历多轮融资，累计融资规模超15亿美元
截至IPO前，MiniMax已完成约7轮融资，累计融资金额超过15亿美元。公司在早期即获得头部财务投资机构支持，随后引入 多家产业资本，股东结构兼具长期资金稳定性与产业协同属性。最近一轮融资发生于2025年12月，融资金额约3.5亿美元， 投后估值超过42亿美元。招股书披露，公司股东中已形成多家头部互联网及内容平台的交叉持股结构：本次公开发售前，阿 里巴巴持股13.66%，为第一大外部股东；米哈游持股约6.4%，为最具业务协同意义的战略投资方；腾讯持股2.58%，以战 略布局为主；其余股权由 IDG、高瓴、红杉、经纬、明势、云启等机构及创始团队持有。
成长复盘：创始人闫俊杰为公司实际控制人，阿里巴巴为第一大外部机构股东
闫俊杰博士通过其直接及间接控制的持股平台（包括 Alpha EXP、Local Linearity等），并结合贠女士通过 Apricity Investment Limited等持有的股份，作为一致行动方，合计持有公司约30.75%的已发行股本权益 （以全球发售完成前计算）。作为公司最大的单一一致行动方，该一致行动人组合在股东大会及董事会层面 对公司拥有实质性影响力与控制力，闫俊杰博士为MiniMax的实际控制人。
主营业务：AI 原生产品（ToC 为主）
公司围绕自研通用大模型与多模态技术能力，面向个人用户推出多款 AI 原生应用（AI-native Apps），以“智能交互+内容生成+个性化陪伴”为核心，构建以Agent、对话、语音、 多模态内容创作为特征的消费级 AI 产品矩阵。该业务以用户规模与使用频率增长为核心目标，当前以产品打磨与生态扩张为主，中长期通过订阅制、虚拟内容消费及能力外溢实现商 业化。 MiniMax（智能 Agent）：MiniMax是公司面向个人用户推出的通用型智能 Agent 产品，基于自研通用大模型，为用户提供自然语言交互下的智能辅助服务。该产品能够理解用户复 杂意图，并在多轮对话中完成信息整合、任务拆解与内容生成，覆盖学习、写作、信息查询与日常效率工具等高频场景。MiniMax以提升用户使用频率和长期留存为核心目标，通过 持续交互积累用户偏好与上下文数据，为后续高级功能订阅及能力延展奠定基础。 海螺 AI：海螺AI是公司在 AIGC 方向推出的多模态内容创作类应用，主要面向泛内容创作者及普通用户，提供低门槛的文本与创意内容生成服务。该产品支持多风格、多角色的内容 输出，强调情绪化、人格化表达与互动式创作体验，广泛应用于故事创作、脚本生成、文案辅助等场景。海螺 AI 通过提升用户创作效率与娱乐属性，增强用户黏性，并探索以会员订 阅和内容增值为核心的商业化路径。 MiniMax 语音：MiniMax语音是公司在语音合成与语音交互领域的重要 AI 原生产品形态，体现其多模态大模型在语音维度的落地能力。该产品能够提供高自然度、多音色及多情绪的 语音生成效果，适配内容朗读、虚拟角色配音及语音互动等多类应用场景。MiniMax 语音既作为独立的用户产品存在，也为公司其他内容类与陪伴类应用提供语音能力支持，为未来 语音订阅及相关能力输出提供基础。 Talkie / 星野：Talkie / 星野定位于 AI 角色陪伴与互动应用，以虚拟角色为核心载体，为用户提供长期、连续的情感交流与沉浸式互动体验。产品通过人格设定、剧情化对话及长期 记忆机制，使 AI 角色能够与用户形成稳定关系，具备较高的用户停留时长与情感黏性。该类产品在 ToC 业务中具备较强的内容消费与虚拟付费潜力，是公司探索虚拟 IP、角色订阅 及衍生内容商业模式的重要载体。
大模型训练与推理：技术流程与产业共性
大模型训练流程：大模型训练是一个高投入、强工程化、分阶段推进的系统性 过程，核心目标是在可控成本与稳定性前提下，最大化模型智能水平与泛化能 力。整体可拆分为以下关键环节：
数据准备与预处理：大模型训练依赖覆盖多行业、多模态、多语言的海量数 据。在正式训练前，数据需经过系统性的筛选、清洗、去噪、去重与质量评 估，以确保训练样本的可靠性与代表性。数据质量与多样性直接决定模型能 力上限，是影响训练效果的关键基础。
模型架构设计：当前主流大模型普遍基于 Transformer 架构，并引入 MoE （混合专家）、稀疏激活等机制，以提升计算效率与扩展性。模型架构设计 需在参数规模、训练与推理效率以及长期成本之间取得平衡，长上下文处理 能力与多模态统一建模已成为重要发展方向。
预训练：预训练阶段通常在大规模无监督或弱监督数据上进行，用于初始化 模型参数并学习通用统计规律与结构特征。该阶段消耗绝大部分算力资源与 训练时间，是大模型研发中成本最高、资源最密集的核心环节。
后训练与对齐：在预训练基础上，模型通过监督微调（SFT）与大规模强化学 习（RL）进一步优化，引入人工标注与偏好反馈，使模型输出更符合人类意 图、安全与合规要求。该阶段显著提升模型在真实应用场景中的可用性、稳 定性与可靠性。
高性能计算与训练框架：大模型训练高度依赖大规模高性能计算集群，对并 行计算能力、通信效率及系统稳定性要求极高。行业头部厂商通常自研或深 度定制训练框架，以提升算力利用率、降低单位训练成本，并支撑模型的持 续迭代升级。 推理阶段指模型训练完成后对外提供实时或准实时服务的过程，是模型价值转 化为商业收入的关键环节。相比训练，推理更强调低延迟、高并发与成本效率， 行业普遍通过稀疏激活、注意力机制优化及算力调度等方式，降低单位推理成 本并提升响应效率。随着大模型应用规模扩大，推理效率已成为影响商业化可 持续性的核心因素之一。
全模态统一底座+工程化效率优势构筑长期壁垒
全模态能力：以“统一底座模型”支撑多场景落地。公司自成立起即采用全模态一体化路线，围绕文本、语音、图像、视 频等多种模态进行统一建模与协同优化，而非单点模型拼接。这一策略使公司能够在AI原生产品（ToC）与企业级API/项 目交付（ToB）场景中，持续输出具备一致性、可扩展性的智能能力，显著降低跨模态开发与集成成本。全模态能力不仅 提升模型通用性，也为 Agent、交互式内容生成、沉浸式应用等下一代 AI 形态奠定基础，构成长期技术护城河。
战略与商业化：可扩展架构+ToC/ToB 双轮驱动放大规模效应
可扩展架构：支撑模型、客户与调用规模的持续放大。公司采用高度模块化、可横向扩展的系统架构，包括模型层、算力层 与应用层相对解耦，支持多模型并行演进与版本快速迭代，以及可根据客户需求灵活扩展推理资源池。该架构使公司能够在 token调用量快速增长、客户数持续扩张的情况下，保持系统稳定性与交付质量。
（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）
