2026年MiniMax公司研究报告：看好Agent与垂类新市场突破

MiniMax 发展历程梳理：从多模态布局到 Agent 聚焦

MiniMax 成立于 2022 年，作为一家 AI 科技公司，围绕原生多模态大模型开展研发与产品 布局，以实现通用人工智能（AGI）为长期目标。公司采用“C 端产品矩阵+B 端技术服务” 的双轮驱动模式：其中，C 端覆盖通用 Agent、AI 视频、语音生成平台及 AI 情感陪伴等应 用场景；B 端则以开放 API 平台为核心，对外输出底层模型能力。

MiniMax 历史沿革

2021-2023 年 2 月：业务探索期，AI 陪伴起家

2022 年，MiniMax 推出首个文本模型 abab1，并上线 AI 聊天应用 Glow（星野前身），获 得一定反响。针对产品中的上下文理解不足、幻觉等问题，MiniMax 基于用户交互数据对 模型开展定向训练。

2023 年 3 月-2024 年 1 月：多模态布局落地，MoE 架构实现突破

模型层：公司开启多模态拓展，于 23 年 11 月推出语音生成模型 Speech，并率先引入 MoE 架构持续优化文本底座，于 24 年 1 月发布基于 MoE 架构的文本模型 abab6。 产品层：公司于 23 年启动全球化布局，在 Glow 下架后，分别于 6 月和 9 月推出海外 AI 情感陪伴 app Talkie 及其国内版本星野。同期，公司开放 API 接口，切入通用大模型服务 赛道，拓展 ToB 业务。

2024 年 2 月-2025 年 8 月：多模态产品密集落地，模型能力多点开花

模型层：音频方面，MiniMax 于 25 年推出音乐生成模型 Music-01，并迭代语音模型至 Speech-02，覆盖 32 种语言，重点强化人声声纹还原与情感表达能力，与 Music 模型形成 互补；视频方面，25 年发布 Hailuo-02，采用创新性 NCR 架构，在复杂指令遵循方面表现 较佳；文本方面，MiniMax 开发 Lighting Attention 算法与 Transnormer 等架构，并在此基 础上推出融合MoE与CISPO等算法的混合架构通用大模型MiniMax M1，支持100万Token 超长上下文，同时开始更加重视成本效率。 产品层：公司于 24 年年中正式发布 AI 视频产品海螺 AI，并于 25 年 1 月和 6 月分别推出 MiniMax 语音与 MiniMax Agent，业务框架由此落地为三大核心板块，即通用 Agent、多模 态平台和 AI 情感陪伴。

2025 年 8 月至今：M 系列模型集中迭代，产品重心转向 Agent

模型层：25 年 10 月至 26 年 3 月，MiniMax 相继推出 M2、M2.1、M2.5 和 M2.7，通过算 法深度优化，在保留长上下文窗口和高性价比优势的同时，进一步强化 Agent 能力。其中， M2.5 伴随 OpenClaw 出圈，调用量快速提升。 产品层：公司聚焦 Agent 相关能力建设，基于 OpenClaw 推出 MaxClaw，持续探索模型性 能与成本之间的更优平衡。

股权架构和核心团队

从股权架构看，MiniMax 由创始团队居于核心位置（创始人闫博士投票权占比约 72%），外 部股东则兼具长期资金属性与产业资源支持。根据公司招股说明书，MiniMax 早期已获得 红杉中国、高瓴等头部 VC 投资，随后又陆续引入阿里（持股 12.52%）、米哈游（持股 5.24%）、 腾讯（持股 2.84%）等资本，其中阿里和公司在云服务等领域存在战略合作关系。

截至 25 年末，MiniMax 研发人员达 317 人，占员工总数的 74%。公司核心团队具备深厚 产业背景，广泛吸纳来自微软、Google、阿里、字节等头部企业的核心技术人才。 创始人、CEO 兼核心研发带头人闫俊杰：全面负责研发战略及技术底座建设，并在 MoE、 Linear Attention 等架构创新上颇有建树。2015 年获得中科院 AI 领域博士学位，随后在清 华从事博士后研究；闫总已在顶会及期刊发表学术文章约 200 篇，总被引超 3 万次，并先 后获得吴文俊人工智能自然科学及科技进步奖（2019）和广东省技术发明一等奖（2020）。 执行董事、大语言模型研究与工程负责人赵鹏宇：主导大语言模型研发落地，本硕均毕业 于北京大学计算机专业，曾任北京葫芦科技研究级软件开发工程师，长期深耕推荐算法， 在神经网络、强化学习等前沿算法领域经验丰富，并发表多篇高水平论文，为公司大模型 迭代提供了较强的工程化支撑。 执行董事、视觉模型研究与工程负责人周彧聪：负责公司视觉模型研发突破，拥有北京航 空航天大学数学学士与计算机硕士的复合背景，在计算机视觉、自动化机器学习及 AI 训练 系统设计方面拥有丰富的产研经验，并在深度学习领域发表多篇论文。

高频迭代+极致性价比，tokens 调用加速放量

当前业内新品形态持续涌现，垂类领域办公/金融等场景发展空间广阔，我们预期公司 M 模 型调用量与 Agent 渗透率亦实现持续攀升。我们认为，MiniMax 模型能力有望保持在前列 梯队，其核心支撑在于： 1）MiniMax 模型迭代节奏显著快于行业。公司凭借扁平化团队架构，以及技术端的优势（训 练基建与模型架构），确保了全系列模型高频迭代的节奏，从而能够快速补充功能短板，进 而维持能力曲线和用户满意度在前列。 2）研发效率处于行业领先水平，现金流压力相对可控，为长期投入奠定基础。据招股说明 书，公司推理端 MFU（模型算力利用率）达 75%，显著高于行业 40-50%的平均水平，算 力利用效率突出；2025 年公司研发费用仅 2.5 亿美元，明显低于 Grok 4 约 4.9 亿美元的训 练投入，以及 OpenAI 24 年约 50 亿美元的研发支出。 3）从战略角度看，公司通过前瞻布局，选择付费意愿较高的海外市场，短期通过“龙虾” 等 Agent 新品绑定，中期通过 AI 办公等垂类应用扩大订阅群体。我们预期公司充分受益于 本轮 Agent 产业浪潮，在产品定位上与互联网大厂形成有效错位竞争。 4）业内新品形式不断涌现，M 模型调用量和 Agent 渗透率也随之持续攀升。OpenClaw 出 圈后，公司对 M2.7 进行快速迭代后，维持价格优势，显著提升复杂任务 Agent 的边际 ROI， 从而改善长时运行 Agent 的行业痛点。据 OpenRouter 数据，受 OpenClaw 热度带动， MiniMax 模型自 1 月末起 token 调用量持续提升，市占率一度登顶，我们认为其在 Agent 场景下的性价比优势持续得到验证。

MiniMax 大语言模型保持高频迭代，并在性价比层面构筑差异化优势。①M 系列模型以高 性价比为核心卖点，自 M2 起采用更为节约成本的 MoE 架构，M2 总参数约 2300 亿，每次 激活约 100 亿。据 Artificial Analysis 数据，M2.7 性价比位居行业第一梯队（对比智能指数 与成本指数），我们认为，其有效覆盖 C 端及中小 B 端长尾调用场景。②MiniMax 迭代节奏 领先，M2 发布后约 100 天即升级至 2.5 版本，并在 Agent 与编程基准测试中跻身行业前列， 进步速度快于 Anthropic 与 OpenAI 等头部厂商。

我们复盘 MiniMax 大语言模型的迭代历程，公司自 2H25 起迭代明显加速，模型能力成长 曲线亦显著陡峭化：①M2：25 年 10 月发布，首次将编码、工具调用与 deep search 统一 为能力底座，正式确立 Agent 模型路线；②M2.1：25 年 12 月发布，升级聚焦多语言编程 能力，以及速度与稳定性的提升；③M2.5：26 年 2 月发布，进一步优化速度与性价比，适 配 OpenClaw 需求；④M2.7：26 年 3 月发布，可规划复杂 Agent 工作流并与多 Agent 协 作，持续外延模型边界。M2.1 至 M2.7 密集发布、版本间隔较短，使得 MiniMax 与行业头 部新模型间的差距持续缩小。 从技术层面看，2 月 M2.5 发布，Agent 能力提升后，速度与性价比大幅改善，使长时间运 行复杂 Agent 在经济层面具备可行性，呈现三方面核心进步：①架构师级编程能力：模型 可在编码前完成对功能、结构及 UI 的原生拆解，再进行代码生成，覆盖多语言与全栈、多 平台开发流程。MiniMax 内部约 30%的整体任务已由 M2.5 自主完成，生成代码占新代码 的 80%；②工具调用与搜索路径更为精简：搜索更精准、token 使用效率更高，在测评任 务中较 M2.1 的搜索调用轮次减少约 20%，路径更短、资源消耗更低；③办公场景交付能 力提升：在 Word、PPT、Excel 金融建模等办公场景能力提升，在内部 Agent 评测 GDPval-MM 中，与其他模型两两对比的平均胜率达 59%。 3 月 M2.7 发布，核心进步仍聚焦于 Agent 能力，在编程与办公场景中的能力显著提升，同 时 M2.7 已具备自主构建、迭代复杂 Agent Harness 的能力（即能自行拆解并优化处理任务 的工作流，进行多 Agent 分工及工具调用，并基于结果再优化流程）。