Ipinakilala ni MiniMax ang kanilang unang kalahating taon na ulat pagkatapos ng listing sa Hong Kong Stock Exchange, kung saan tumataas ang kita ng 283.1% patungo sa 1.5 beses ang kabuuang kita para sa taon 2025, at tumataas ang gross profit ng 464.8%. Lumampas ang ARR sa $800 milyon noong Agosto, kung saan 80% ng kita ay galing sa B2B, at ang paggamit ng Token noong Hulyo ay umabot sa 20 beses ang dami noong Enero. Ipinakilala ni Yan Junjie, ang tagapagtatag, ang teknikal na direksyon na “minimisahin ang gastos sa pagpapaliwanag, maksimisahin ang智能化” (inteligensya), at sa pamamagitan ng kanilang sariling MSA architecture, nabawasan ang gastos sa pagkalkula ng Token para sa mga mahabang teksto na may milyon na mga salita sa halos 1/20 ng tradisyonal na buong attention mechanism, na nagpapahintulot sa pagkamit ng balanse sa pagitan ng inteligensya at gastos sa ilalim ng limitadong computing power, at nagbibigay ng bagong landas para sa mga lokal na malalaking modelo sa China upang makilahok sa pandaigdigang kompetisyon.

May-akda ng artikulo, pinagkukunan: Zhixidong

Agosto 26, ang pangunahing kumpanya sa China na nagpapalabas ng malalaking modelong AI, ang MiniMax (Xiyu Technology), ay naglabas ng kanilang unang kalahating taon na ulat mula pa noong kanilang paglalabas sa stock exchange ng Hong Kong.

Ipinakita ng financial report na tumataas ang kita ng MiniMax ng 283.1% kumpara sa parehong panahon noong nakaraang taon, at ang kanyang kalahating taon na kita ay nasa 1.5 beses na ang halaga ng kabuuang kita para sa taong 2025; tumataas din ang gross profit ng 464.8%.

Sa pagpapaliwanag ng pagsusuri, si Yan Junjie, tagapagtatag, pangulo ng board, CEO, at CTO ng MiniMax, ay ipinahayag na noong Agosto, ang ARR ng MiniMax ay lumampas sa $800 milyon, at ang bahagi ng kita mula sa B2B ay umabot sa 80%, habang ang pagkakagamit ng Token noong Hulyo ay 20 beses ang dami nito noong Enero.

Bukod sa data, ang isang pahayag ni Yan Junjie sa nakaraang pagpupulong tungkol sa performans ang nakatanggap ng aking pansin. Sinabi niya: “Ang pagpapaliit lamang ng unit cost ng artificial intelligence ang maaaring magdulot ng pagpapakita ng pinakamataas na antas ng artificial intelligence.”

Dapat mong malaman, sa nakalipas na dalawang taon, ang mga malalaking modelo ay mayroon lamang dalawang landas: o sumusunod sa Scaling law sa pagpapalaki ng mga parameter para sa inteligensya, na may gastos na mataas; o pagbawas ng epektibidad para sa pagiging accessible, ngunit ang antas ng inteligensya ay laging kulang.

Ang industriya ay tila nagtatanggap na ito ay parang isda at alimango, hindi maaaring makamit ang pareho.

Bakit pumili ang MiniMax ng isang daan na “kontraintuitibo” sa industriya? Maaari ba talagang matupad ang daang ito?

Ang智能化 at gastos, bakit mahirap magkaroon ng pareho?

Ang Scaling Law ang nag-drive sa kuwento ng AI sa nakalipas na ilang taon: mas malaki ang parameter, mas mataas ang intelligence.

Sumusunod sa Scaling Law, ang mga parameter ng modelo ay naging 2-3T na ngayon, at tumataas din ang intelehensya nito, kaya'y nagkakaroon ng malaking pag-asa na darating na ang AGI.

Sa likod ng pag-unlad, ang patakaran na ito ay nagtatago ng isang panganib: kapag pumasok ang modelo sa antas ng trilyon na parameter, ang gastos sa pagpapatakbo ay nagsisimulang maging mahalaga.

Si CEO ni NVIDIA, Jensen Huang, ay nagbigay ng pagtataya sa GTC Conference 2026: "Nawawala na ang panahon kung saan ang gastos sa pagtuturo ang pangunahing driver ng gastos. Ang inference ang kasalukuyang workload, at ito ay mabilis na lumalawak."

Ang pagtaas ng gastos sa pag-iisip, kasama ang paglago ng workload ng Agent, ay nagpapalipat ng AI mula sa isang tanong at isang sagot patungo sa maraming hakbang na awtomatikong pagpapatupad. Maaaring may sampu o kahit ilang dosenang pagtawag sa model sa likod ng isang solong hiling ng user, na nagdudulot ng eksponensyal na pagtaas sa mga tatak ng computing ng buong industriya.

Result, ang industriya ay naging dalawang pangkat:

Isang maliit na modelo na may mabilis na bilis at mababang gastos, ngunit may katamtamang pagganap sa pag-iisip.

Ang Google ay ang klasikong halimbawa ng这条路. Mula sa Hulyo hanggang Agosto 2026, ipinakilala ng Google ang tatlong magkakaibang lightweight model: Gemini 3.7 Flash, Gemini 3.6 Flash, Gemini 3.5 Flash-Lite, at Gemini 3.5 Flash Cyber.

Ang 3.5 Flash-Lite ay ang pinakamabilis at pinakamurang modelo sa serie ng 3.5, na disenyo para sa mga high-throughput workload at mas maliit na mga gawain sa malalaking AI agent systems. Ang paggamit ng output tokens ng Gemini 3.6 Flash ay bumaba ng 17% kumpara sa nakaraang bersyon.

Ngunit ang gastos ay malinaw. Hanggang ngayon, hindi pa inilabas ng Google ang kanilang flagship model na Gemini 3.5 Pro, na dapat ay ipinakilala sa I/O Conference noong Mayo.

Sa kabilang panig naman ay ang malalaking modelo na may mataas na intelihensya, ngunit may mataas na gastos at tumataas na gastos sa pag-deploy.

Ang mga lokal na tagapag-develop ng malalaking modelo ay nagmamadali sa daang ito. Noong Hulyo 2026, ipinakilala ng Yue Zhi An Mian ang Kimi K3, na may sukat na parametro na humigit-kumulang 2.8 trilyon, ang pinakamalaking open-source model sa buong mundo sa kasalukuyan.

Agad na inilabas ng Alibaba ang Qwen3.8 Max na may halos 2.4 trilyong parameter; ang Baidu Wenxin 5.0 ay nagkamit din ng 2.4 trilyong parameter; ang DeepSeek V4-Pro ay may 1.6 trilyong parameter.

Ang pagtaas ng laki ng parameter ay nagdudulot ng makikita na pagpapabuti sa intelihensya. Ang Kimi K3 ay lumampas sa Claude Fable 5 at GPT-5.6 Sol sa maraming Agent rankings. Ang Qwen3.8 Max ay inilarawan bilang “isa sa mga pinakalaking laki ng parameter at pinakamalakas na performance sa mga open-source model”.

Ngunit tumataas din ang gastos.

Ang presyo ng API ng Kimi K3, ang non-cached input ay tumaas mula sa ₱6.5 bawat milyong Token patungo sa ₱20, habang ang output ay tumaas mula sa ₱27 patungo sa ₱100, na nagdulot ng pagtaas ng 208% at 270% ayon sa pagkakasunod-sunod. Inirerekomenda ng opisyal na gamitin ang 64 o higit pang accelerated cards upang mabuo ang super-node.

Dalawang araw lamang pagkatapos ng pagpapahayag, ipinahayag ng Moon Shadow ang pagpapahinga sa pag-subscribe ng mga bagong user sa C-side, at isinakop ang lahat ng computing power para sa pagpapanatili ng mga umiiral na user.

Mas malaki ang mga parameter ng modelo, mas mataas ang gastos sa paggamit, mas mataas ang hadlang sa pag-deploy, mas kakaunti ang computing power… Tilado ito bilang isang mahirap lutasin na circle.

MiniMax, hindi nagpapasya

Para sa mahirap na pagpili sa pagitan ng gastos at智能化, ang pagsasagot ni MiniMax ay: Gusto ko lahat.

Nilinaw ni Yan Junjie ang buong lohika ng MiniMax sa pagpupulong ng financial report:

Ang computing power ay limitado para sa bawat kumpanya. Nais naming maabot ang “Intelligence with Everyone” sa pamamagitan ng “Minimize the Inference Cost, Maximize the Intelligence.” Ito ang aming patuloy na sinusunod na teknikal na landas at aming orihinal na pangarap bilang mga entrepreneur.

“Minimize the Inference Cost, Maximize the Intelligence” ay nangangahulugan ng “Minimisahin ang inference cost, maksimisahin ang intelligence”. Ipinapakita ng MiniMax ang pagbawas ng gastos at pagpapataas ng intelligence sa isang parehong istoriya.

Bakit maaaring isama ang dalawang bagay na ito sa isang pag-uusap? Dahil iba ang pag-unawa ni MiniMax sa “reasoning”:

Una, ang pag-iisip ay ang mga midya ng produksyon para sa paggawa ng susunod na henerasyon ng inteligensya.

Noong nakaraan, itinuturing na ang inference ay “paggamit ng model” at ang pagtatrain ay “paggawa ng model”. Ngayon, ang mga pangunahing bahagi tulad ng synthetic data, rollout sa reinforcement learning, pag-e-evaluate at pag-verify ng model, at interaksyon ng agent at kapaligiran, lahat ay nagpapatakbo ng inference load.

Ang pagkatapos ng pagtuturo ay nagiging mas malaki ang bahagi nito sa kabuuang computing power ng pagtuturo. Ang inference ay hindi na isang gawain na lumalabas pagkatapos ng pagtuturo, kundi isang konsumo na sumasakop sa buong proseso ng pagtuturo.

Kaya, ang efisyensiya ng pag-iisip ay hindi lamang nagdedetermine sa espasyo ng pagtatakda ng presyo ng API, kundi pati na rin sa antas kung saan maaaring itrain ang susunod na henerasyon ng modelo.

Pangalawa, ang pag-optimize ng pagkalkula ay isang kinakailangan para sa intelligent na pagpapabuti.

May limit sa pisikal na computing power, ngunit patuloy na lumalaki ang laki ng model. Kung hindi bababa ang gastos sa inference, mas lalaki ang gastos sa hinaharap at maaaring magpahinga sa pag-unlad ng intelligence.

Sa limitadong budget para sa computing power, ang kakayahan na baguhin ang bawat piso sa epektibong intelligent output ang masusukat kung gaano kalayo ang model iteration.

Ikatlo, gamitin ang pinakamababang unit ng smart cost upang abutin ang pinakamataas na antas ng katalinuhan—ang dalawang bagay na ito ay dalawang aspeto ng iisang layunin.

Noong nakaraan, ang industriya ay nagtatrabaho sa dalawang magkakaibang landas: “smart-first” at “cost-first”. Ngunit kung hindi mababawasan ang gastos sa pagpapatakbo, anumang mataas na antas ng智能化 ay hindi makakamit.

Sa simpleng pag-unawa, ang ideya ni MiniMax ay isama ang pag-optimize ng gastos at ang pagpapabuti ng智能化 bilang iisang bagay. Mula sa unang araw ng disenyo ng modelo, ang pagiging epektibo sa pagpapatakbo ay ginagawang pangunahing tuntunin at isinama sa buong siklo ng pag-unlad.

Ayon kay Yan Junjie: "Hindi hinahanap ng MiniMax ang kompromiso sa pagitan ng inteligensya at gastos. Ang paghahanap ng mas mataas na antas ng inteligensya ang layunin, habang ang pagpapabuti tuloy-tuloy sa gastos at efisensiya ng pagpapaliwanag ay ang paraan upang makamit ang mas mataas na halaga."

Ang MiniMax ay patuloy na sumusunod sa ganitong pangunahing layunin upang buuin ang isang teknikal na pundasyon.

Ang pinakamahalaga ay ang kanilang sariling nilikhang arkitekturang MSA (Sparse Attention). Sa simpleng salita, ito ay binalik ang gastos sa pagkalkula ng bawat Token sa mga teksto na may habang milyon na salita sa halos 1/20 ng tradisyonal na buong atensyon, kaya ang M3 ay may halos 1/20 ng pagkalkula sa bawat Token sa konteksto ng 1M kumpara sa nakaraang henerasyon.

Ang susi sa pagtemo ay: ang kabuuang bilang ng mga parameter ang nagtatakda ng hangganan ng kakayahan sa kaalaman ng modelo, ngunit ang bilang ng mga aktibong parameter ang nagtatakda ng gastos sa pag-iisip para sa bawat token. Maaaring magkahiwalay ang dalawa: ang pagpapalawak ng laki ng parameter ay hindi nangangahulugan ng parehong pagtaas sa gastos sa pag-iisip.

Kaya ng M3 na pataasin ang antas ng inteligensya nang hindi nagbabago ang presyo, habang kayang gawin ng M3 Pro ang pagpapalago ng reinforcement learning at pagtatrabaho sa mahabang misyon habang nagpapanatili ng halos 3T na sukat ng parameter.

Sa antas ng imprastruktura, ang ETTR (effective training time ratio) ni MiniMax ay maaabot ang 97%, at isa sa mga unang independiyenteng kumpanya sa bansa na nagtatayo ng isang malawak at matatag na sistema ng computing power.

Nakabuo ng network ng pagkakaloob ng computing power sa pamamagitan ng kombinasyon ng self-managed clusters, cloud providers, at TokenFactory, at ang kasalukuyan at plano na computing power ay kayang suportahan ang patuloy na pag-update ng mga text at video model na may sukat na 3T.

Wakas: Kung hindi nagtataglay ng kinakailangang computing power, saan nakabatay ang mga lokal na modelo upang makahabol?

Lagi itong tinutukoy na ang hardware ay isang hindi maiiwasang paksa kapag pinag-uusapan ang pagkakaiba ng malalaking modelo ng China at Estados Unidos.

Noong nakaraan, itinuturing na ang sinumang may mas advanced na proseso ng chip at mas mataas na computing power ay makakagawa ng mas mahusay na model. Ayon sa lohikang ito, tila magpapalabas pa ang AI ng China sa AI ng Estados Unidos ng ilang buwan hanggang kalahating taon.

Kailangan ba talaga ito?

Binigyan ng MiniMax ng isang bagong landas: Minimize the Inference Cost, Maximize the Intelligence.

Ang pagbaba ng gastos sa bawat unit ng intelligence ay nagpapataas din sa taas ng intelligence. Dahil ang pagkatapos ng pagtuturo, ang synthetic data, at ang reinforcement learning ngayon ay batay sa inference load. Mas mataas ang efficiency ng inference, mas maraming eksperimento ang maaaring gawin sa parehong computing power, at mas mataas ang ceiling ng intelligence.

Sino man ang makakapagproduksyon ng mas mataas na inteligensya sa mas mababang gastos, siya ang makakapaglakad ng mas malayo sa loob ng limitadong computing power, at samantala ay papasukin ang mas mataas na inteligensya sa mas malawak na buhay.

Maaaring ito ang pinakamalaking pagkakataon para sa mga lokal na malalaking modelo na makilahok sa pandaigdigang kompetisyon. At ang MiniMax ay nagsimula nang patunayan ito.