文章作者、来源：硅星人Pro

写在前面：

刚刚过去的六月，我有机会进入大模型公司 MiniMax 的内部，获得极高的权限，几乎全程围观了 M3 模型的发布。

M3是中国模型里少有的强化了编程和agent能力的原生多模态模型，它被寄予了很高期待。

起初我被邀请了解这款模型上线的过程，而这个极度扁平化的组织，一切都很透明，于是我几乎成了一个游荡其中的幽灵。

然而在它发布后，MiniMax却迅速陷入另一场围绕模型产品如何定价的争论里。各种复杂要素同时撞在一起，这家公司快速陷入了一场小型危机。

于是我又全程近距离体验了MiniMax的“至暗时刻”。

这次独特经历和获得的权限实属少见，它让我有机会看到一家仍在成长期、但已快速完成上市的模型公司，在面对挑战时内部的争吵、和解、反思、和对自己的思考。

一切都以10 倍速展开，很杂乱，又有很强的生命力。一家公司真正的气质，往往也正是在这些困难时刻被真正"暴露"出来。

现在，除了那些最敏感的机密信息之外，我希望把它们全部呈现出来。

1

争吵

争吵如期而至。

它发生在 MiniMax 内部为新模型 M3 的发布，组建的100人“作战”群里。M3 是一个原生多模态、拥有 1M 上下文的模型。它被 MiniMax 寄予厚望，希望在模型能力上就此再上一个台阶。

6月1日一早，M3 正式发布。这无疑是一个定位独特的模型。当天港股早盘，MiniMax 股价一度涨超 7%。

然而，风暴却马上到来。

仅仅半天后，这个刚刚全员熬夜兴奋完成模型发布的群里，开始被大家转发进来的各种外部批评不停冲刷。

争议发生在这款模型同步发布的定价方案上。

此次 M3 发布同时，新的收费体系同步上线：从过去的订阅制 Coding Plan 切换成按 token 计费的新版 Token Plan。由于模型的改变，一些用户很快发现，同样强度的使用，额度消耗的速度远超预期。更关键的是，这个调整是缺乏解释的：没有用户短信，也没有站内信，甚至在官方页面上的解释信息也不清晰。很多个人开发者登录之后才发现：规则变了。

不满开始发酵，有人涌向投诉平台要求退款，有人宣布不再续订，并在社交媒体上发泄着他们的不满。

那时，我已经“潜入” MiniMax 一小段时间。我看到这些截图也几乎在第一时间涌入内部各个群里。

一个个没怎么睡觉的人又快速聚集，讨论如何向用户解释。内部同步了设计思路后，也第一时间意识到此前缺少沟通。很快大家提出改进办法。晚间，道歉公告就发了出去——承认调整前没有和用户充分沟通、老用户周限额的处理不妥当，“是我们工作不到位”。

但最终，MiniMax当天股价依然一路转跌，收跌 15.71%。

每个人都在忙着，每个人都能感到，情绪在发生变化。

模型发布的第二天，焦虑和沮丧到达临界点。一名技术负责人终于在群里直接质问开放平台的同事：质问这个定价是如何设计的，后者是服务于模型产品用户和客户的部门。

对方自然要争辩，他们就这么吵起来了。

剑拔弩张的背后，是极大的落差。过去数月，MiniMax 全员扑在一款至关重要的模型上，而现在关注点完全跑偏，每个人都想要赶快弄清楚发生了什么，并快速解决它。

我看到过模型发布前大家的期待，对我来说，这太像是一场互相指责的开端。

吵架是任何公司化运转的组织里躲不开的事，我总觉得这是个能更好窥探一家公司特质的裂痕。而现在，它就这么毫无预警又恰到好处地我面前发生了。

他们围绕定价档位到底要怎么分，额度怎么对应，设计的时候到底有没有站在用户视角各执一词，火药味十足。但就在激烈情绪对抗的的一个小时内，套餐设计完成了更新。

一场高效率的吵架。

后来我发现，这样的争吵在 MiniMax 并不少见，它有时在大群里，有时在会议室里，有时在最高层的讨论里，总之很多时候就是这样，当着任何人的面发生。

风波平息一些之后，我约了两位吵架主角在会议室聊天。

我跟一个人聊了一会儿，另一个人也推门进来了。我本以为他们之间会有些尴尬，但好像一点都没有。

“我觉得他当时说的是对的，而且后来事实上已经按照他说的改了。”其中一个人指着另一个人说。“但当时我就是会跟他吵架。”

“反正我们吵完架后也没有什么个人恩怨。”另一人说。“吵的就是非常细的一些内部参数。”

而后来据我了解，在另一个场合，当再次讨论到当初的定价风波时，那名技术负责人直接维护了并不在场的、跟他吵起来的开放平台同事：他认为定价方案的整体方向没问题，真正的问题是后者加入公司才两三个月，更早版本的套餐、更早的用户情绪，他都没有经历过。

“他缺的是 context，这是所有人的责任。”

2

Context

在 MiniMax，大部分时间，人们在上午10点半左右陆续出现在公司。午饭晚饭由公司订餐，不需要打卡——反而是周末来加班时才要打卡，反过来的考勤可以达到保护员工的作用。

到了中午，工区会慢慢热闹起来。位于漕河泾的三层办公区，每个区域都像“大通铺”，以各种星星命名的会议室分布四周，使用率几乎满转，员工经常找不到空的会议室；几个大会议室用来接待，以及开一周一次的全员会。这个每周五午餐时间的全员会，会请各种行业人士来分享。最近一次，一位美国研学回来的上海交大教授分享心理学和 AI 的关系，员工在线上提问，聊“Anthropic 说模型有明显的 anxiety 和神经质，从心理学角度如何解释这种表征，如何归因到训练方式和数据上”。

模型发布前一个工作日也是周五，全员会照常进行，嘉宾是《凡人修仙传》的编剧。

公司里很多人是忠实粉丝，包括 IO（MiniMax 创始人闫俊杰的花名，本文里也都使用这个内部名字）。线上提问区关注最多的“问题”只有两个字：催更。

气氛轻松愉快，48小时后，被“催更”的变成了 MiniMax 自己。

6月1日，M3 发布前夜，MiniMax 的大多员工聚到上海总部。这一晚，有人在工区盯服务稳定，有人在群里追 checkpoint，也有人在小会议室围着一桌小龙虾，熬夜讨论最终细节。

但即便如此，这家公司最习惯的协作方式依然是线上，而且最主要的群并非以部门或业务为限，谁有一件事的 context，谁就会进入同一个群里，重要事项也会迅速拉起会议，快速开始，快速结束。很多关键信息会在群里突然出现，被所有相关的人同时看见。

Context，是这家公司所有行动里潜移默化在强调的核心。为此，它极大程度鼓励信息的自由流动。

这样的组织方式给我的第一印象是混乱而热火朝天：群多，信息快，人和人之间也就没有太多缓冲层。像是一个广场。

6 月 1 日凌晨，新模型 MiniMax M3 进入上线前最后阶段，我看到全体算法和开发同学进入了同一个文档，补上最新 checkpoint 里跑出的榜单成绩，以及对这个模型技术细节的最终描述。

隔着屏幕看着几十个光标同时闪烁、移动、修改，好像整家公司都挤在同一张纸上。

IO 也挤在里面。

M3 发布前的这个凌晨，我看到 IO 也被拉进一个沟通组里，在里面，算法和关键技术方向的同事在敲定一些核心细节，讨论热烈，所有人都在提出自己的看法。

IO 大部分时间就是听着，并非一种所有人听他指挥的讨论方式。但在最后，在足够多的 context 之后，他会突然开口，给出最终决定。

在观察和体验了这家公司的大量协作后，我发现这是一个常态——

一个重要事项需要谁来参与，想到就会第一时间把这个人喊来，因为相信 context 足够清楚，谁都可以迅速提供和寻找新信息，IO 也不例外。而在充分的 context 下，最终他还是那个做研判、决策，以及更复杂和关键事项中做取舍的角色。

在发布模型前那紧张的个48小时，我能直接感受到群里荡漾着的兴奋。

M3 不是一次普通更新。它寄托了这家公司对自己的很多期待。也正是这个原因，当他们的兴奋和期待，遭遇了因为“缺少 context” 的 token plan 带来的质疑、攻击甚至漫骂冲击时，对团队的很多人来说，不啻为“至暗时刻”。

3

症结

3 月，OpenClaw 带来了大范围的 Agent 启蒙，MiniMax 当时的模型 M2.5 抓住大家在疯狂“养虾”的机会，一个性价比极高且能力足够的模型是这类产品的绝配，MiniMax迎来了它在模型上的一个高光时刻。

但模型格局变化太快。3月18日，MiniMax 随即推出了 M2.7，一个激活参数仅约 10B 的模型。

而接下来的两个月，Kimi 开源了 K2.6，DeepSeek 的 V4 做到了1M 上下文，智谱的 GLM-5.1 宣布编程能力逼近 Claude Opus 4.6；在大洋彼岸，Anthropic 已经发了 Claude 5，OpenAI 的 GPT-5.5 也压上了牌桌。

M2.7 的用户开始觉得这个定位的模型不够用了。

一名产品线员工给我分享后台用户对模型的反馈：当时的问题分类里，六成都指向了模型的问题。

外界容易忽视的一件事是：MiniMax 是中国最早投入大模型训练的公司，一直以来对模型所投入的资源也都是最大的。不过，因为 MiniMax 也有自己的产品，更多用户是通过这些产品（而非模型），建立起了对 MiniMax 的第一印象。

而在模型智能水平过了一个坎之后，MiniMax M2 成为第一个被外界认知到它智能水平的模型。从内部的 KPI 与优先级实际情况来看，提升模型的智能在内部是最重要的目标，一切资源都要投入到交出更强的模型上。

M3 就是这个长期目标里的一个关键节点。

“我们的全部注意力都放在了模型的智能本身上了。”多名不同业务线内部员工这样对我描述发布前几个月这家公司所有人的状态。

随着围绕 token plan 展开的争议不断被放大，在一天之内，我看着这家公司交出它等了数月的模型，刚开始收获技术圈的一些惊叹，又因为付费计划触发部分用户的愤怒，然后为此发出道歉，最终蒸发了两位数百分比的市值。

接下来的几天，反馈从几条消息变成各个群里不停会转入的信息流。而后续方案也接连发出。但很多批评开始显得偏离付费计划本身。这些批评转为漫骂，内部开始发现一些行为特征水军化的账号，成了情绪化传播的节点。

这些都越来越让人困惑，其中 MiniMax 内部最在意的，是这些讨论冲散了人们对模型本身各个技术创新以及新能力的关注。

同时，他们也以一种最刺痛的方式意识到，缺少提前沟通，缺少对用户的 context 造成的影响有多惨烈。

看似非常难以理解，但在很大程度上，这些问题出在没有经验，也源于这个公司太过理想化的行动方式。

如前所说，M3 是 MiniMax 追逐一个更强大模型的起点，但在此之前的更轻量级的模型发布里，它逐渐形成了一种习惯：模型最重要的就是给所有人用到，因此训练好就尽快发布，大家使用过程中，对模型智能程度的反馈最重要。

在我和多个了解这些决策制定过程的员工交流时发现，这个收费方式的改变和设计，其实早已开始。它是追求模型能力提升里的产物，而非看起来的商业化动作。

大约三四月份的时候，看着训练中的模型不停变强，内部意识到：新模型对应的付费体系需要更新：旧体系太复杂，每加进一个模型，都要配对应的次数，次数和套餐之间又是一层复杂换算。开发平台的员工经常遇到这样的问题——用户看着那一溜配置，指过来问，你这个是什么？我不知道是什么。

而在模型的“终局”判断上，内部的观点是，人们用好的模型会越来越像用水电煤，token 变成服务本身。

既然现在的订阅方案显然不是未来，那就要改，怎么个节奏来改？

MiniMax 的很多决策背后的思路再次显现：既然迟早如此，为何不早点改变。

“不改，用户可能都没法用好我们新的模型。”一名内部参与讨论和决策的员工对我回忆当初的决定。

这不是 MiniMax 一家的困境。事实上，2026 年上半年整个行业都在重定价。“当一个行业在 6 个月里有 20 倍增速的时候，历史债是必然发生的，你不可能每一项都停下来做好、思考好了再往前。”

而这一切在 MiniMax 身上也变得复杂。

它成立仅仅4年，一切都是快速成长的过程。但正如我近距离观察到的那样：它的内部俨然还是一家创业公司的状态。

然而，它也是最快完成上市的大模型公司，面对的是复杂的资本市场和商业化的审视，各种初创公司都会忽略的问题因此会被放大数倍，在一个猝不及防的时刻，爆发式地呈现出来。

六月的一切就是这种复杂度的集中体现，一场模型进步带来的阵痛，以最激烈的方式，逼近在所有人面前。

4

道歉

在 M3 发布后某一周的例行全员会，公司推迟了原本的外部分享，变成了内部闭门的全员复盘——全公司用表格实名提问，把尖锐问题扔进大群，IO 面对所有人。

这个会上，IO 跟所有人道歉：效果没有达到预期，为此付出的同事，对不住。

我还是很少看到创始人如此直接地和全公司道歉。

接着，IO 分享了他全部的思考——对竞争，对技术，对内部的组织运转方式，哪里判断错了，哪里没有准备好，以及最重要的，接下来的改变动作。

“没有很复杂。接下来要做的就是，把模型做好。”有员工这样总结。

慌乱、沮丧、愤怒、当众争吵、在争吵中快速解决问题。有“问责”，也有包容，但不撕扯，继续往前走——这似乎并不是每个公司都会做出的应对方式。

这勾起了我更多好奇，我问更多人，也更直白：在类似这样的时刻和过程里，有没有过甩锅？

一名在 AI “大厂”里待过的员工想了想，给我对比了大厂的做法——大厂的思路就是这事谁没做好？他为什么没做好？责任是谁的？而在这里，IO 会非常冷静客观地讲，这件事里哪些做得好、哪些做得不好、产品团队有哪些做得不好的地方。

“当他说的是客观事实时，客观事实是不会给人额外压力的。”

这种“就事论事”的特质，我在很多员工那里听到过类似描述，它显然不是一种能“设计”出来的氛围。

有在某大厂模型团队待过，因受够了内部山头林立、争抢资源、安插眼线、频繁甩锅等制度性缺陷对模型研发并不断蚕食愤而离开，转头加入 MiniMax 的员工对我说，你其实可以很快发现这里完全不同。

“在一些公司，你在那儿是非常没有安全感，你会担心你的项目会突然没有，担心有人给你甩锅，担心你跟隔壁组织的协同，担心他去投诉你，就因为 KPI 不同。而在这里，人们可以在大群里吵架，没有关系，因为创始人会给你一种环境：我们只要把事情想对、把事情做对，就没有问题。”

还有不少员工看到过两名联合创始人之间直接吵起来，吵得很凶——然后下一个会，两人继续正常干活。

“我一开始嘀咕，他们俩怎么能吵成这样？吵完了马上又好好讲话。后来我觉得这也是身体力行在验证：这就是一个就事论事的公司。”

创始人不但会直接下场吵架，也会被员工挑战。

一名开发团队的员工对我描述，他和 IO 也会“吵架”，吵过很多次，而有时候 IO 也会认同他说的。

还有一次我看到群里讨论一些思路，某个方案下，一个“点赞”的快速回复来自 IO，表达了认可。然后紧接着，有其他掌握更完整 context 的员工，直接批评和否决了对应的方案。

说完，大家觉得新思路说得更有道理。

一切围绕如何做好事情。当做错了，就立正挨骂，然后快速改进。

“这种氛围不是说出来的，当你开始做事情了，就知道它不一样了。当你开始说一些观点，观察大家的反应，你就会知道。当你去跟别的部门的人沟通，发现大家之间看得非常透明，没有人防备你，没有人讨论边界问题的时候，你就会知道是不一样的。”一名入职不久的员工对我说。

我也问过一些员工：这家公司这样，是不是太 nice 了？这毕竟是一个无比残酷斗争的环境，内部给大家的安全感是不是太多了。

有员工的回答是：安全感保护的是做事情的人。

“只要你在你的领域里想得足够清楚、足够专业，所有人都会尊重这个想法。但如果你一直 get 不到大家在说什么，也会受到非常严厉的批评——你根本就没有想清楚，那就是在耽误大家的时间，不要再说话了，这件事就这么决策了。”

5

ego

显然，这是一个鼓励所有人从自己的专业角度提供输入，平等交流，从而保证 context 足够透明的公司。

当这种混乱带来生机是可以接受的，但它显然也不会允许一切走入无序状态。

很多与 IO 协作更频繁的员工的感受是：IO 在大量繁杂信息中会思考对应到这家公司，不同阶段，在什么样的资源水平下，追求的事情该是什么。

他有时候会一个人“想想”，然后把这些信息定期以全员会形式同步给所有人。

内部的另一个感受是，当判断做出后，他就不会摇摆。

“坦诚聊，我们历史上产品有过不少弯路，文本产品关掉过好几个。在 IO 看来，如果这个东西已经没有意义了，也没有必要让它苟延残喘。”而继续坚持在文本模型、视频模型这些更大的方向上投入，“这也是来自同一种‘ think big’”。

在这家公司不用待太久，你就会意识到它是一个全员 ego 很小的公司。在一个全行业 ego 爆棚的环境里，这样的气质很容易分辨。

它有非常年轻的模型和技术团队，但任何仔细关注过这家公司的人都会发现，与不少同行相比，它很少与某种“天才叙事”扯在一起。有研究员对我说，他的感受是，这个团队在业内的普遍评价是靠谱。

“如果一个人，他有很强的实力，他很自信，然后他的判断有逻辑、能说服大家，这就不叫 ego。但如果一个人的判断和决策没有匹配这个实力，没有相应的证据，然后他又硬要大家这样去做、必须服从他，这就是 ego。”一位核心研究人员这样向我解释：他们理解的 ego 是什么。

“ego大，没什么用。”一名研发负责人对我说。

这样的气质也主导着 MiniMax 在研究上的投入方向。回看它的几代模型，无一不在尝试更好理解和改进模型最底层最核心的架构和机制，那些判断后认没有什么实际意义的方向，哪怕很适合用来造势和宣传，也不会多花时间再去纠缠。

“一家公司的气质，基本上 99.9% 由这家公司的创始人来决定，尤其是 CEO，占股最大的那个人。”一名核心技术研究员对我说。

“IO 就是一个很务实的人，不太bragging 。如果 IO 的 ego 都不是很大、都很务实，那很显然，如果你的 ego 很大、不是很务实，你可能就待不下去。哪怕大家不说你什么，你自己会觉得很不自在。毕竟是围绕创始人构建的公司，自然会有正向和逆向的筛选，双向的筛选。”

6

Scale = from Mini to Max

IO 在工区里也没有自己的单独办公室。他的工位在其中一层的一个角落。在内部，他的分享话不多，往往直入主题。他想明白了的事情，会直接找负责的人对思路。当发现对方没理解，他会直接打电话讲明白。还有很多时候，他打电话是为了获得更多 context 来帮他做判断。

在内部，IO 最多思考、也最多和内部分享的，还是关于技术和智能演进的判断。

在一次内部讨论里，IO 提到了他对好研究的理解：像 ResNet 那样，简洁可解释的东西。

ResNet（残差网络）是2015年何恺明提出的深度神经网络，它的想法很简单——通过跳跃连接让输入直接绕过中间层与输出相加，使网络学习“残差”而非完整映射。

这一极简设计解决了深层网络的训练退化问题，让网络可以深达数百层甚至上千层，同时，它可以让所有人看到后立刻明白为何它可以跑通。

这样的简洁可复用，让它依然是今天 AI 模型底层最重要的基础架构之一，一个 2015 年的设计思想在十年后依然无处不在，这种对技术演进的贡献是 MiniMax 也想追逐的目标。

因为只有简洁的，才是最能 scale 的。

在不少员工来看，理解这家公司很多决策的最根本思路就是一个：这件事到底能不能 scale。

最直接的一个体现就是，MiniMax 是同类模型创业公司里布局最为全面的一个：有语言模型，有多模态模型，也有产品。

内部对此也有过很多争议和讨论，是否要这么全面的投入，和同行对比，这样做会不会分散精力。对此内部达到的共识是，MiniMax 对智能的理解就是它的那句slogan —— intelligence with everyone ，要实现这所有人的通用智能，肯定要有多模态能力，有代码能力，有 agent 能力，有整体结合在一起的能力。

同时，产品是它服务用户的手段，与模型的关系密切，它不是过往移动互联网的 app，自己单独展开服务，而是会随着模型而发展，最终会是模型 go to market 的结果。

Scale 也体现在每次具体的技术路线与创新方向的选择上。比如在 M3 的训练上，它做的几个核心工作，其实都在尝试提供更多的 scale 的可能。

M3 本身是一个从 Step 0 开始进行多模态混合训练的模型。这种原生多模态的路线能让不同模态数据的语义空间更天然、更高度的融合，进而更好 Scale；MSA 把模型 context 拉到1M，并进一步让 context 上下文这个维度也可被 scale ；M3 构建了交互式用户模拟器框架，目的就是把对 Coding 和 Agent 至关重要的真实数据 Scale up。

它也体现在这家公司的工作方式上。AI 时代最能 scale 的方式就是利用好 AI。但在我的体验里，老生常谈的 AI Native 似乎没有被 MiniMax 的太多人挂在嘴边，在 MiniMax，它更多通过各种细节上的选择来形成一种共同的鼓励真实利用 AI 创新来提效的氛围。

“在很多公司，AI 是命题作文——你得用 AI 做出业务增量和创新点，还要服务转化指标。然后你人傻了，想说这咋整啊，感觉 AI 做的还不如我原来做的好。”一名此前有过此类痛苦经历的员工对我说。

“在这里没有人这么要求。”

员工们给我列举过不少细节。比如，内部所用的办公软件，给员工开放的，可以用来进行 AI 改造的权限，比他们所见到的其他任何公司都彻底。去年9月，就有人在内部办公软件里开发出了 “AI实习生”，也就是把 agent 接入 IM，让它写文档、抓用户群反馈、完善 PRD、分析客户用量、排查日志。后来 OpenClaw 诞生，以”龙虾”之名火遍全球，后来 Claude 们把这个能力直接产品化，而 MiniMax 的员工们已经这样工作了大半年。

以及，与那些甚至搞出 token 排行榜的组织不同，公司甚至会提醒大家注意不要乱花 token。

MiniMax 内部的共识是，单纯聊 AI Native 的概念会很空，它本质上就是组织在运转的过程中、在成长发展的过程中，AI 在里面扮演怎样的角色，以及从 CEO 开始整个公司对它的认知和运用。这个东西不是固定的，因为 AI 在快速发展。

“模型能力和应用层认知两者都在迭代。我们不断在发现最佳实践，不断在扩散最佳实践——而且不是某一个人发现，内部有很多交流群组，大家有好的实验都会抛出来。只要有一个人用了好用，这个事情就会扩散开来。”

那个 AI 实习生的功能，在内部没有被强制推广，但依然扩散开，靠的就是大家看到别人 @实习生，自己也跟着 @。最初的评价是“这什么玩意，试试看”，后来发现好用。事实上 Claude Code 在 Anthropic 内部也是这样的方式生长出来。

“一切都变化太快。行业发展太快，任何 AI 公司里的人都不能像传统互联网那样等需求，得更有前瞻性地把东西提前做出来。”一名员工说。

在和这些研究员为主的员工的密切交流里，我发现他们日常也喜欢用训练模型的思路来讨论更广泛的问题。我拉来一个核心技术人员，问了他一个问题：

如果MiniMax是个模型，它的目标函数到底长啥样？

“我觉得优化目标是 scaling。就是最终的规模。而规模包括最终的智能，以及为了达到这个智能，这个公司能拥有多少资源。”

也就是，Scale=智能上限x可动员的资源。

“这和我们的公司名字正好对上了。”他说。

“我们就是一群很朴素、很普通的人。Mini，就是我们现在拥有的状态。但我们希望，一旦拥有资源，就要能够 Max。我们始终追求一个很高的目标，但在 ego 上是比较 Mini 的。本身我们还是一家创业公司，一开始也没那么多资源，哪怕今天 IPO 了，也不是一个巨头。但我们就是希望用 Mini 的资源、Mini 的起点，从一开始就奔着 Max 而去。”

在 M3 发布后，它也完成开源。模型卡显示，它是一个总参数428B，激活参数23B的模型，很多人惊讶于它参数量比外界想象的更小。

在最近的一次分享里，IO 讲了他最近整体的思考。

他认为，AI 现在已经变成了一个庞大的产业，这就意味着这里没有什么技术鸿沟是绝对无法跨越的。因此模型接下来的最大挑战在于大量的经验和实验积累。而不同规模的模型在训练里能积累的经验也是不同的，这意味着你只能一代一代往前进步。

而这时候，最关键的是扎实的积累，和由此带来的更快的进步速度。

M3 发布后，MiniMax 的计算平台员工连续高强度的开发后，模型服务渐渐稳定下来，从内部看到的数据，M3 刚上线时的 TPS 只有 20 左右，之后一路快速优化到 TPS 100左右。这在大家日常使用的主流模型里已经很快，首包延迟后续也会继续优化到 1 秒多，在全球范围的模型里也属第一档。

同时，一些第三方服务商和很多重点客户那里开始有更多正向评价传回来。更加重要的是，内部看到平台后台的数据也显示，最核心的指标都在增长。

6月对 MiniMax 来说是疯狂的一个月，但这种疯狂注定会继续下去。这个行业停不下来，一切还在加速展开，更大的考验会继续出现。在MiniMax M3 的技术博客里，他们这样写道：

“今天的模型更新速度之快，很容易让人忘记这依然是一件日拱一卒的事情。它有自身客观规律，也会奖赏循着规律扎实前进的团队。如成立之初我们所相信的那样，我们会尽最大努力持续提升模型的智能水平，并让更多的用户使用到。”

据我了解，接下来 MiniMax 会有更多的资源来支撑下一代更强的模型，它的目标是让大家在使用 Opus 级别的智能时，基本不再受到成本的限制。

而这就是从 Mini 到 Max 的那个优化函数。