MiniMax不藏了，大秀视频/语音/文本全模态模型家族，“每天与世界交互30亿次”

明敏 衡宇 发自 凹非寺

量子位 | 公众号 QbitAI

终于，MiniMax不藏了。

首次正式公开亮相，最强大模型、最亮眼产品战绩，全部对外展示。

模型全家桶最新版齐上阵，从文本、语音到视频覆盖全模态——达成如此丰富模态且同步开放，属实是国产创业公司中首位。

尤其是视频模型如期发布，兑现了7月WAIC上创始人兼CEO闫俊杰放出的承诺。

旗下产品最新战绩也正式公开：

每天30亿次交互量。

其中生成文本量3万亿文本tokens，生成图片2000万张、生成语音7万小时。

什么概念？

• 30亿次文本交互=3000人一辈子的文本处理量；
• 2000万张图片=400座故宫的画作收藏量；
• 7万小时语音=读完7000本书。

而3万亿文本tokens这个数据处理量，在第一梯队其它友商披露出5千到1万亿tokens日处理量的当下，也有断层优势。

需要注意的是，这些数据，都是1天时间内在MiniMax产品上产生的。

一直以来，无论技术、产品还是融资，MiniMax一有风吹草动，都会引发海内外各界关注。但他们始终保持着闷声搞事的路线。模型发布、产品上线总是让人猝不及防，公开的大型活动更是几乎没有。

成立近1000天，MiniMax到底想做什么？外界的好奇，早已呼之欲出。

终于，带着最能证明实力的技术和产品，闫俊杰站在自家聚光灯下给出回答。

Intelligence with Everyone

这是MiniMax的愿景，更是路径。

初创公司中首先拿下全模态

MiniMax想要做什么？

先来看最新技术进展——

本次活动上一共发布了4种模态大模型，分别是：

• 视频模型，abab-video-1
• 音乐模型，abab-music-1
• 语音模型，abab-speech-1
• 文本万亿多模态模型，abab-7

这些模型，支撑起了全国最大的AI交互量，在一年前的今天，当时的交互时长大约只有ChatGPT的3%；到了今天，交互时长已经超过了其50%。

也构筑起了MiniMax的坚实壁垒——放眼国内AI大模型初创公司，MiniMax率先完成了全模态模型的研发和开放。

实力不可谓不雄厚。

其中最值得说道说道的，是MiniMax视频模型abab-video-1以及语音大模型abab-speech-1。

视频模型abab-video-1

视频模型是今年自Sora发布以来最热门的模型选手。

从文生图时代一路传承下来的宇航员骑马，也成为了各家视频模型小试牛刀的必考题。

我们自然也没放过MiniMax家的abab-video-1（手动狗头）：

不只是我们，哪怕是在X上，网友们也已经玩疯了！

AI电影人迫不及待用abab-video-1做出了超越自己前作的电影《地狱之地》。

还有些网友脑洞大开，想出的提示词都别具一格：

一位留着长胡子的标志性亚洲美女，身穿比基尼，沿着海岸线向镜头跑去。夕阳透过云层在背景中闪烁，所有这些都以慢动作捕捉。

但abab-video-1压根没在怕的：

据了解，abab-video-1画质方面最高支持1280*720的25fps，“拥有电影感镜头移动”，并且支持带文字元素。

目前AI视频时长最高6秒，未来或支持10秒。

除了现有的文生视频功能，未来还将推出图生视频和文图结合生成视频的能力。

综合官方demo和人肉测试，MiniMax视频模型有两个非常显著的特点，一个是一致性连贯性方面，视频中所有的画面主体，几乎不会发生剧烈形变或崩坏的情况。

另一个是视觉呈现方面，所有生成视频内容整体画面色彩偏鲜艳。

划重点：限时免费。

官方口吻是，今后新版本达到满意状态后，考虑开启商业化计划。

视频生成的复杂度远高于文本，包括处理长上下文、巨大的存储需求以及基础设施升级等问题，同时视频背后的存储量很大，100个文字可能不到1k，但5秒视频占据几兆之多。

不过闫俊杰表示：

我们确实在视频模型生成方面取得很大的进展，根据内部评测以及跑分，我们比其他模型的（生成视频）效果都要好。

相比已经在国际市场上打响名声的国内视频模型先头兵快手可灵，MiniMax的视频生成模型推出时间晚了一两个月。

闫俊杰说，这是因为团队一直在解决更具挑战性的技术问题，特别是如何训练算力较高的内容。

语音模型abab-speech-1

接着来聊一聊MiniMax的语音模型。

只需要20秒真人语音作为语料数据，喂给abab-speech-1，几乎只用眨一次眼睛的时间，AI语音就热乎出炉了。

如果要用一组词来形容abab-speech-1的特色，那大概可以是不同音色、饱满情绪、多种语言、轻松生成。

而且，是超拟人的那种。

具体来看，它能支持多种语言的语音，譬如中文、英文、西语、日语，国内方言如粤语也不在话下。

听起来也真的很去“AI味”，跟真人发送的语音消息一般无二。

有实例为证——之前央视节目《嗨！AI-音乐季》中，MiniMax语音大模型对歌手龚琳娜的语料进行采集、分析、模拟。

然后AI龚琳娜语音和其母亲打了个电话，完全没有被识破。

虽然叫“语音大模型”，但其实它兼具音乐生成的能力。

只需经历输入灵感——生成歌词——选择风格——生成歌曲四个简简单单的步骤。

曲风上面，不管是节奏布鲁斯、说唱还是电子，都轻松拿捏。

别看它刚刚亮相，但其实MiniMax的语音大模型从去年11月开始就已经上岗就业。

迄今为止，它服务了近500家企业用户，在语言学习、PC语音助手、语音声聊唱聊、超拟人情感配音等十余种场景都有落地案例。

上述所有的一切，都基于MiniMax的技术底座构建。

在底层技术上，MiniMax核心关注3方面：

• 持续降低模型错误率
• 无限长输入输出
• 多模态

这是模型之上的产品，能够更快更强的关键要素。

闫俊杰认为，大语言模型领域，两个模型性能相似，一定是速度更快的那个模型更容易带来产品数据增长。就好像Scaling Law一样，算法相同情况下，训练数据量更大的模型往往会取得更好效果。

在如何让模型变得更快上，MiniMax做了两次重大的技术变革：第一是MoE，第二是Linear Attention。

这两者，都集中体现在数周后将正式对外的多模态模型abab-7身上，没错，就是使用MoE+Linear Attention技术的那种。

首先是在MoE（混合专家模型）尚未形成共识时，就已经决心押注，并且身体力行地在路上。

展开来说，今年1月，MiniMax发布了国内首个MoE大语言模型abab-6；又很快地在4月推出了abab-6.5系列。

基于这个结构，模型可以处理复杂任务，同时提升计算效率，在单位时间内训练更多（多到“足够多”）的数据。

MiniMax官方表示，其MoE模型取得了比Dense模型快3-5倍的速度。

具体在模型表现上，abab-6.5s在1秒内可以处理近3万字的文本。

其次是对Linear架构的选择。

过去的线性注意力存在缺陷，建模效果逊于标准注意力，速度也不如标准注意力，且召回能力有限，使得复杂推理能力偏弱。

针对这些问题，MiniMax设计了全新的Linear架构，在保证精度和效率的同时，解决了Linear Attention召回能力弱的问题，使得新架构可以适用于复杂推理任务。

在Benchmark上，新Linear架构达到相同效果所需训练算力减少了三成；推理侧，尤其是长文推理成本显著降低，128k窗口推理成本下降到二分之一，10M窗口推理成本甚至降低了85%。

另外，面对快速增长的推理压力，MiniMax一边进行上下文缓存持久化（即把对话历史的LLM Attention kv cache持久化/半持久化保存下来、持续复用）和多阶段推理（即在容器层面保持单一用途），提升性能和资源的利用效率。

另一边，MiniMax的模型背后是超大的推理集群，支持海量高并发吞吐，以此支撑将各个版本、各个模态的模型应用于大规模用户产品中。

不难看出，算力实力打底，全模态多点开花，作为国内最早入局大模型创业的公司之一，MiniMax凭借着自己雄厚的研发实力稳步向前。

大模型每天30亿次交互

所有的技术积淀，都只为了一个目的：

Intelligence with Everyone。

目前，MiniMax旗下主要有四款产品：星野、Talkie、海螺AI和开放平台。

前三者主打2C，开放平台更多面向开发者。

2C不难理解，这代表了更广阔的市场。不过为什么要做这么多产品？

一方面，从触及所有人的目标出发，多个不同定位的产品，能更快速触达更多用户。

另一方面，站在初创公司内部视角来看，多尝试才能找到真正正确的答案。与此同时，闫俊杰认为对于初创公司，如果没有足够好的产品能力来承接技术，那么哪怕取得了一定的技术进展，这些东西最终也不是你的。

但如今，行业对于大模型的商业化路径都还模棱两可。技术和产品之间该如何平衡，哪个更重要？

在闫俊杰的最新分享中给出了回答：以Intelligence with Everyone为起点，技术和产品密不可分。

产品是技术落地的平台，它能直接体现技术的价值，也是实现AGI愿景的必要路径。技术是产品前进的核心驱动力。如何抵达Intelligence with Everyone的终局，核心只有两点：

• 怎样提升用户的渗透率
• 怎样提高用户的使用深度

我们认为提升这两点只能通过一件事来完成，一句话总结：科学技术是第一生产力。

比如，如何提高渗透率。转化到技术角度，应该考虑的是如何持续降低模型错误率、无限长度的输入和输出以及多模态。

降低模型错误率是为了让模型能处理更复杂的任务，这是增加用户使用深度的核心手段。

让模型的输入输出尽可能长，则是让AI更进一步像人。

考虑到人类社会中，文字信息的占比非常小，更多信息交流是通过语音、图文、视频来传递，所以多模态也很重要。

基于这些产品方面提出的要求，MiniMax提出了“快就是好”，通过技术创新，来让模型变得更快、更好，这一点在他们的最新技术成果MoE+Linear Attention架构中也已全面展示。

每当模型有重大提升后，MiniMax也能直接从用户层面得到反馈。比如使用深度显著变高，也会遇到对话量显著下滑的事故。而这也更进一步验证了在AI领域里，技术和产品之间密不可分的关系。

目前，MiniMax的产品每天可产生30亿次交互，积累用户超过6000万。

其中有诸多企业客户，比如快递100、智联招聘。MiniMax的模型可以完成客服服务、地址补全、甚至是OKR调整等任务。

更多的是广大普通用户，他们每天在星野、海螺AI上与AI对话。AI创造的形象、智能体也成为了他们日常生活的一部分。

不鸣则已

成立996天，MiniMax终于自己搭建了舞台，完成了对外首秀。

为什么要等这么久？

毕竟，MiniMax从不缺关注度。明星创始团队、热门AI应用、一笔又一笔大额融资……只用跨一步，MiniMax就能完成华丽的登台亮相。

等到现在，或许是公司策略上的考量，或许是团队个性使然。

一方面，MiniMax似乎更愿意用实绩说话。

产品每天30亿次交互、3万亿token处理量，大概已是国内公司中的No.1，“并且可能比第二名多2-3倍”。底层MoE模型，在性能和效率上都已验证实力，6000万用户就是最好的证明。以及率先达成全模态能力，不发模型则已，一发就是视频语音音乐全都来。

更重要的是，MiniMax的路线已被验证。

Intelligence with Everyone。技术和产品并驾齐驱，让MiniMax能更快从用户侧得到反馈，在技术上进行提升、产品上进行优化。重2C但是也做2B，满足普通用户和开发者的需求，当然也是更健康的商业模式。

最关键的是，带着这样一份亮眼的成绩单首秀，MiniMax的实力不言而喻。

另一方面，MiniMax绝对称得上是一家有个性的初创公司。

大模型目前仍旧是一个非共识议题，技术路线的选择一定程度上决定公司的生死。

闫俊杰曾直言，自己选了一条非常激进的路线。

去年，在其他公司还在迭代稠密模型时，闫俊杰转去赌MoE路线。大模型趋势日新月异，几个月时间里别人都在快速进步，但MiniMax把80%以上的算力和研发资源都用来做MoE，且没有Plan B。

过程中，前后失败了两次。模型训了半个月，指标离前期估测越来越远。背后不仅是团队精力、时间、资金的巨大投入，也是对信心的考验。

换来的是，MiniMax成为国内首个推出MoE大模型的公司。也刚好和OpenAI走在了同一条路线上。

从外部视角来看，有能力、有个性是MiniMax最为鲜明的特点。

而从内来看，闫俊杰表示，MiniMax的内核要素还有最重要的一点：乐观。

我们对技术的进步充满了乐观，对用户充满了乐观，对产品的迭代效率充满了乐观。

尽管有时候会遇到很多挑战，但是我觉得我们可能是大模型里面能够最坚持往前来迭代技术，最坚持跟用户互动的大模型公司，也是最国际化的一家大模型公司。

悲观者正确，乐观者永远勇于前行。

完成首秀后，MiniMax的脚步也一点不停歇。

在活动上，闫俊杰放出重磅预告，最新一代旗舰模型abab-7即将正式亮相。

结合最近OpenAI风声不断，新一代模型呼之欲出。

那么国内，谁能是最快追赶的呢？有好戏看了。