MiniMax 下一代模型曝光：M3 Pro 上 3T，M3.1 成本再砍 2/3

MiniMax 发了半年报

MiniMax 昨天发了 2026 年半年报：8 月 ARR 超 8 亿美元，上半年收入同比涨了 283%

晚上 8 点也开了场业绩会，透露了下一代模型路线：提升能力、降低成本

• M3.1 继续把推理成本往下压，目标是 M3 初版的三分之一左右

• M3 Pro 参数规模上到约 3T，继续往智能上限走

下一代模型模型

MiniMax 接下来要发布两款模型：M3.1 和 M3 Pro，我们分开来说

M3.1 是 M3 的延续，沿用当前底座进行，继续扩大后训练规模。重点增强 Coding、工具调用和 Agent 能力，更强调任务完成质量、稳定性和推理效率。闫俊杰给它的定位是一个「能够被大量、广泛使用的模型」

在过去两个多月，MiniMax 文本模型的单位算力吞吐已经提升了三倍。M3.1 的推理成本目标是 M3 刚上线时的大约三分之一

M3 Pro 则探索了新架构，参数规模提到约 3T，在更大的基础模型上继续扩大强化学习和长程任务训练

架构上引入 MSA 2.0，通过压缩 KV Cache 存储容量，提升推理阶段 Prefill 的缓存命中率，支持更大的 Batch Size。在最大参数量这个档位，计算效率预计比第一代架构提升约 3 倍，任务越长优势越大

但 M3 Pro 做到 3T，大家自然会问：卡从哪来？

算力供给走三条路：自主可控的核心集群负责旗舰模型训练，云厂商提供弹性保障，Token Factory 做推理算力的弹性补充

当然这里还有几条关键信息：

• MiniMax 是国内最早两家建立规模化、长期稳定基础设施体系的独立大模型公司之一。目前 MiniMax 有效训练时间占比，已达 97%。现有及规划算力可以支撑 3T 级文本模型
  

• 当前文本模型的训练资源投入约为视频模型的 4 倍。M3 和 H3 正在适配国产芯片，大规模国产算力集群将逐渐承载真实生产流量
  

MiniMax 模型训练的背后，有一个明确的思路：推理即训练

「推理是对外供给智能的过程，也是内部生产下一代智能的过程」

原因是现在越来越多训练工作，本质上都是推理。合成数据、RL Rollout、Evaluation、Agent 环境、Mid-training 和 Post-training 等等这些东西都需要大量推理。而这些环节在训练算力中的占比越来越高。推理效率越高，相同算力能做的后训练规模就越大，于是推理效率不单单决定 API 的价格，也开始决定下一代模型的训练程度

而闫俊杰给了一个关系：在相同的算力规模下，可以认为推理计算效率的提升倍数，跟后训练的规模变大倍数基本线性相关

只有把推理成本继续压下来，才有算力资本把后训练继续往上 Scaling

今天的推理，既是在卖智能，也是在生产下一代智能

单个模型版本没那么重要，背后的基建和研发体系能不能继续 Scaling，才重要

回归财报

MiniMax 上半年收入约 1.166 亿美元，同比增长 283.1%，已经超过 2025 年全年收入

毛利同比增长 464.8%。Q2 比 Q1 环比增长约 81.8%。8 月 ARR 超过 8 亿美元，于此同时毛利率，从 12.1% 提高到了 17.9%，财报给出的主要原因是基础设施效率提升

这里说一个背景，今年 MiniMax 做了一轮价格下调，直觉上会觉得模型降价，收入可能增加，但毛利率应该承压。MiniMax 当前的数据是：模型越来越便宜，规模越来越大，毛利率也在提高

闫俊杰的解释是成本下降之后，一部分收益让给客户，通过降价降低使用门槛，带来更多用户和更大的 Token 规模。另一部分留下来改善毛利率。只要单位 Token 保持正向且持续改善的毛利，规模扩大就带来更高的绝对毛利

而作为数字依据，7 月 Token 消耗量已经达到 1 月的 20 倍，其中企业和开发者数量突破 200 万，是去年年底的 10 倍

正如闫俊杰在电话会上所说「模型消费正在从人类与 AI 的交互，拓展到 Agent 与 AI 的多轮交互」，一个人提一个需求，Agent 展开之后会变成多轮模型请求、工具调用、子 Agent 任务。单用户 Token 消耗在快速增长

Agent 时代，模型需求可能第一次开始脱离人类用户数增长

模型用量不在以 DAU 为基准，而之前一直在讲的 To-A 赛道，现在又了业务注脚，这也体现在了 MiniMax 的另一个数据上「B 端爆了」

今年上半年，MiniMax 的 C 端产品产品收入同期也增长了 100.9%

与此同时，上半年开放平台及其他 AI 企业服务收入同比增长 703.1%，占总收入 63.4%。去年同期占比是 30.3%。到了 8 月，To B 对 ARR 的贡献已经超过 80%，同一时间，C 端翻了一倍，B 端涨了八倍

这也解释了为什么 MiniMax 会这么看重 M3.1 的推理成本和 Agent 能力。成本降低以后，真正会把调用量快速放大的，是企业、开发者和 Agent

顺道说一句：在这里的收入结构中，海外占比约 60%，国内约 40%

最后

引用几句闫俊杰在业绩会上的讲话话，作为收尾：

• 大语言模型行业并不是一个简单的零和竞争，大语言模型带来的智能提升几乎没有尽头。从去年下半年开始，Coding和Agent能力逐步具备实用价值。接下来，模型还会更加自主、更具创造力地完成长程任务，并最终走向端到端交付可靠、可验证的结果。在这个过程中，任何一家公司的技术进步，只要能够把智能的边界向前推进，最终都会扩大整个行业的价值空间，让更多人受益

• 下一阶段模型竞争的核心，不是算力规模、用户规模，而是能不能定义正确的问题。选择有效的技术路径，并持续提高把算力转化为智能的效率。模型智能的提升，不只是简单的把模型参数规模做得更大，而是要把架构设计、训练、强化学习、推理、评测以及Agent环境等各个环节更好地连接起来。基础设施也不只是拥有更多算力，还要让集群运行得更稳定、训练和推理更高效，能够持续产生和回收高质量数据，并支持更大规模的实验和强化学习。这些基础能力越强，我们就能做更多有效实验，更快发现和解决问题，模型迭代的速度也就越快

• 对MiniMax来说，我们的技术路线比较明确：在持续提升模型智能上限的同时，最大化每一单位算力产生的智能。极致性价比对我们而言不是单纯的价格策略，而是一条技术路线。更高的模型和系统效率，一方面可以降低推理成本，另一方面也可以支持更大规模的实验、强化学习和真实任务验证，让效率和智能形成正循环

• 最终，模型还是要用于解决现实世界中的真实问题。Coding和视频生成已经证明，用户会为更高的任务完成质量、更低的使用成本和更好的生产效率付费。我们不会简单地把竞争理解为大厂和AI pure plays之间的竞争，也不会只看谁拥有更多的初始用户或供应链资源。长期来看，真正重要的是，谁能持续提升模型智能，降低单位智能成本，并把模型能力更快地转化为真实的使用价值

• 对MiniMax而言，我们希望建立的不是依赖某一个模型版本或某一项资源优势的竞争力，而是一套能够持续定义问题、持续进行有效Scaling、持续提升智能密度和智能高度的系统能力