MiniMax不藏了，大秀視頻/語音/文本全模態(tài)模型家族，“每天與世界交互30億次”

明敏 衡宇 發(fā)自 凹非寺

量子位 | 公眾號 QbitAI

終于，MiniMax不藏了。

首次正式公開亮相，最強(qiáng)大模型、最亮眼產(chǎn)品戰(zhàn)績，全部對外展示。

模型全家桶最新版齊上陣，從文本、語音到視頻覆蓋全模態(tài)——達(dá)成如此豐富模態(tài)且同步開放，屬實(shí)是國產(chǎn)創(chuàng)業(yè)公司中首位。

尤其是視頻模型如期發(fā)布，兌現(xiàn)了7月WAIC上創(chuàng)始人兼CEO閆俊杰放出的承諾。

旗下產(chǎn)品最新戰(zhàn)績也正式公開：

每天30億次交互量。

其中生成文本量3萬億文本tokens，生成圖片2000萬張、生成語音7萬小時(shí)。

什么概念？

• 30億次文本交互=3000人一輩子的文本處理量；
• 2000萬張圖片=400座故宮的畫作收藏量；
• 7萬小時(shí)語音=讀完7000本書。

而3萬億文本tokens這個(gè)數(shù)據(jù)處理量，在第一梯隊(duì)其它友商披露出5千到1萬億tokens日處理量的當(dāng)下，也有斷層優(yōu)勢。

需要注意的是，這些數(shù)據(jù)，都是1天時(shí)間內(nèi)在MiniMax產(chǎn)品上產(chǎn)生的。

一直以來，無論技術(shù)、產(chǎn)品還是融資，MiniMax一有風(fēng)吹草動(dòng)，都會(huì)引發(fā)海內(nèi)外各界關(guān)注。但他們始終保持著悶聲搞事的路線。模型發(fā)布、產(chǎn)品上線總是讓人猝不及防，公開的大型活動(dòng)更是幾乎沒有。

成立近1000天，MiniMax到底想做什么？外界的好奇，早已呼之欲出。

終于，帶著最能證明實(shí)力的技術(shù)和產(chǎn)品，閆俊杰站在自家聚光燈下給出回答。

Intelligence with Everyone

這是MiniMax的愿景，更是路徑。

初創(chuàng)公司中首先拿下全模態(tài)

MiniMax想要做什么？

先來看最新技術(shù)進(jìn)展——

本次活動(dòng)上一共發(fā)布了4種模態(tài)大模型，分別是：

• 視頻模型，abab-video-1
• 音樂模型，abab-music-1
• 語音模型，abab-speech-1
• 文本萬億多模態(tài)模型，abab-7

這些模型，支撐起了全國最大的AI交互量，在一年前的今天，當(dāng)時(shí)的交互時(shí)長大約只有ChatGPT的3%；到了今天，交互時(shí)長已經(jīng)超過了其50%。

也構(gòu)筑起了MiniMax的堅(jiān)實(shí)壁壘——放眼國內(nèi)AI大模型初創(chuàng)公司，MiniMax率先完成了全模態(tài)模型的研發(fā)和開放。

實(shí)力不可謂不雄厚。

其中最值得說道說道的，是MiniMax視頻模型abab-video-1以及語音大模型abab-speech-1。

視頻模型abab-video-1

視頻模型是今年自Sora發(fā)布以來最熱門的模型選手。

從文生圖時(shí)代一路傳承下來的宇航員騎馬，也成為了各家視頻模型小試牛刀的必考題。

我們自然也沒放過MiniMax家的abab-video-1（手動(dòng)狗頭）：

不只是我們，哪怕是在X上，網(wǎng)友們也已經(jīng)玩瘋了！

AI電影人迫不及待用abab-video-1做出了超越自己前作的電影《地獄之地》。

還有些網(wǎng)友腦洞大開，想出的提示詞都別具一格：

一位留著長胡子的標(biāo)志性亞洲美女，身穿比基尼，沿著海岸線向鏡頭跑去。夕陽透過云層在背景中閃爍，所有這些都以慢動(dòng)作捕捉。

但abab-video-1壓根沒在怕的：

據(jù)了解，abab-video-1畫質(zhì)方面最高支持1280*720的25fps，“擁有電影感鏡頭移動(dòng)”，并且支持帶文字元素。

目前AI視頻時(shí)長最高6秒，未來或支持10秒。

除了現(xiàn)有的文生視頻功能，未來還將推出圖生視頻和文圖結(jié)合生成視頻的能力。

綜合官方demo和人肉測試，MiniMax視頻模型有兩個(gè)非常顯著的特點(diǎn)，一個(gè)是一致性連貫性方面，視頻中所有的畫面主體，幾乎不會(huì)發(fā)生劇烈形變或崩壞的情況。

另一個(gè)是視覺呈現(xiàn)方面，所有生成視頻內(nèi)容整體畫面色彩偏鮮艷。

劃重點(diǎn)：限時(shí)免費(fèi)。

官方口吻是，今后新版本達(dá)到滿意狀態(tài)后，考慮開啟商業(yè)化計(jì)劃。

視頻生成的復(fù)雜度遠(yuǎn)高于文本，包括處理長上下文、巨大的存儲(chǔ)需求以及基礎(chǔ)設(shè)施升級等問題，同時(shí)視頻背后的存儲(chǔ)量很大，100個(gè)文字可能不到1k，但5秒視頻占據(jù)幾兆之多。

不過閆俊杰表示：

我們確實(shí)在視頻模型生成方面取得很大的進(jìn)展，根據(jù)內(nèi)部評測以及跑分，我們比其他模型的（生成視頻）效果都要好。

相比已經(jīng)在國際市場上打響名聲的國內(nèi)視頻模型先頭兵快手可靈，MiniMax的視頻生成模型推出時(shí)間晚了一兩個(gè)月。

閆俊杰說，這是因?yàn)閳F(tuán)隊(duì)一直在解決更具挑戰(zhàn)性的技術(shù)問題，特別是如何訓(xùn)練算力較高的內(nèi)容。

語音模型abab-speech-1

接著來聊一聊MiniMax的語音模型。

只需要20秒真人語音作為語料數(shù)據(jù)，喂給abab-speech-1，幾乎只用眨一次眼睛的時(shí)間，AI語音就熱乎出爐了。

如果要用一組詞來形容abab-speech-1的特色，那大概可以是不同音色、飽滿情緒、多種語言、輕松生成。

而且，是超擬人的那種。

具體來看，它能支持多種語言的語音，譬如中文、英文、西語、日語，國內(nèi)方言如粵語也不在話下。

聽起來也真的很去“AI味”，跟真人發(fā)送的語音消息一般無二。

有實(shí)例為證——之前央視節(jié)目《嗨！AI-音樂季》中，MiniMax語音大模型對歌手龔琳娜的語料進(jìn)行采集、分析、模擬。

然后AI龔琳娜語音和其母親打了個(gè)電話，完全沒有被識(shí)破。

雖然叫“語音大模型”，但其實(shí)它兼具音樂生成的能力。

只需經(jīng)歷輸入靈感——生成歌詞——選擇風(fēng)格——生成歌曲四個(gè)簡簡單單的步驟。

曲風(fēng)上面，不管是節(jié)奏布魯斯、說唱還是電子，都輕松拿捏。

別看它剛剛亮相，但其實(shí)MiniMax的語音大模型從去年11月開始就已經(jīng)上崗就業(yè)。

迄今為止，它服務(wù)了近500家企業(yè)用戶，在語言學(xué)習(xí)、PC語音助手、語音聲聊唱聊、超擬人情感配音等十余種場景都有落地案例。

上述所有的一切，都基于MiniMax的技術(shù)底座構(gòu)建。

在底層技術(shù)上，MiniMax核心關(guān)注3方面：

• 持續(xù)降低模型錯(cuò)誤率
• 無限長輸入輸出
• 多模態(tài)

這是模型之上的產(chǎn)品，能夠更快更強(qiáng)的關(guān)鍵要素。

閆俊杰認(rèn)為，大語言模型領(lǐng)域，兩個(gè)模型性能相似，一定是速度更快的那個(gè)模型更容易帶來產(chǎn)品數(shù)據(jù)增長。就好像Scaling Law一樣，算法相同情況下，訓(xùn)練數(shù)據(jù)量更大的模型往往會(huì)取得更好效果。

在如何讓模型變得更快上，MiniMax做了兩次重大的技術(shù)變革：第一是MoE，第二是Linear Attention。

這兩者，都集中體現(xiàn)在數(shù)周后將正式對外的多模態(tài)模型abab-7身上，沒錯(cuò)，就是使用MoE+Linear Attention技術(shù)的那種。

首先是在MoE（混合專家模型）尚未形成共識(shí)時(shí)，就已經(jīng)決心押注，并且身體力行地在路上。

展開來說，今年1月，MiniMax發(fā)布了國內(nèi)首個(gè)MoE大語言模型abab-6；又很快地在4月推出了abab-6.5系列。

基于這個(gè)結(jié)構(gòu)，模型可以處理復(fù)雜任務(wù)，同時(shí)提升計(jì)算效率，在單位時(shí)間內(nèi)訓(xùn)練更多（多到“足夠多”）的數(shù)據(jù)。

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

具體在模型表現(xiàn)上，abab-6.5s在1秒內(nèi)可以處理近3萬字的文本。

其次是對Linear架構(gòu)的選擇。

過去的線性注意力存在缺陷，建模效果遜于標(biāo)準(zhǔn)注意力，速度也不如標(biāo)準(zhǔn)注意力，且召回能力有限，使得復(fù)雜推理能力偏弱。

針對這些問題，MiniMax設(shè)計(jì)了全新的Linear架構(gòu)，在保證精度和效率的同時(shí)，解決了Linear Attention召回能力弱的問題，使得新架構(gòu)可以適用于復(fù)雜推理任務(wù)。

在Benchmark上，新Linear架構(gòu)達(dá)到相同效果所需訓(xùn)練算力減少了三成；推理側(cè)，尤其是長文推理成本顯著降低，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，面對快速增長的推理壓力，MiniMax一邊進(jìn)行上下文緩存持久化（即把對話歷史的LLM Attention kv cache持久化/半持久化保存下來、持續(xù)復(fù)用）和多階段推理（即在容器層面保持單一用途），提升性能和資源的利用效率。

另一邊，MiniMax的模型背后是超大的推理集群，支持海量高并發(fā)吞吐，以此支撐將各個(gè)版本、各個(gè)模態(tài)的模型應(yīng)用于大規(guī)模用戶產(chǎn)品中。

不難看出，算力實(shí)力打底，全模態(tài)多點(diǎn)開花，作為國內(nèi)最早入局大模型創(chuàng)業(yè)的公司之一，MiniMax憑借著自己雄厚的研發(fā)實(shí)力穩(wěn)步向前。

大模型每天30億次交互

所有的技術(shù)積淀，都只為了一個(gè)目的：

Intelligence with Everyone。

目前，MiniMax旗下主要有四款產(chǎn)品：星野、Talkie、海螺AI和開放平臺(tái)。

前三者主打2C，開放平臺(tái)更多面向開發(fā)者。

2C不難理解，這代表了更廣闊的市場。不過為什么要做這么多產(chǎn)品？

一方面，從觸及所有人的目標(biāo)出發(fā)，多個(gè)不同定位的產(chǎn)品，能更快速觸達(dá)更多用戶。

另一方面，站在初創(chuàng)公司內(nèi)部視角來看，多嘗試才能找到真正正確的答案。與此同時(shí)，閆俊杰認(rèn)為對于初創(chuàng)公司，如果沒有足夠好的產(chǎn)品能力來承接技術(shù)，那么哪怕取得了一定的技術(shù)進(jìn)展，這些東西最終也不是你的。

但如今，行業(yè)對于大模型的商業(yè)化路徑都還模棱兩可。技術(shù)和產(chǎn)品之間該如何平衡，哪個(gè)更重要？

在閆俊杰的最新分享中給出了回答：以Intelligence with Everyone為起點(diǎn)，技術(shù)和產(chǎn)品密不可分。

產(chǎn)品是技術(shù)落地的平臺(tái)，它能直接體現(xiàn)技術(shù)的價(jià)值，也是實(shí)現(xiàn)AGI愿景的必要路徑。技術(shù)是產(chǎn)品前進(jìn)的核心驅(qū)動(dòng)力。如何抵達(dá)Intelligence with Everyone的終局，核心只有兩點(diǎn)：

• 怎樣提升用戶的滲透率
• 怎樣提高用戶的使用深度

我們認(rèn)為提升這兩點(diǎn)只能通過一件事來完成，一句話總結(jié)：科學(xué)技術(shù)是第一生產(chǎn)力。

比如，如何提高滲透率。轉(zhuǎn)化到技術(shù)角度，應(yīng)該考慮的是如何持續(xù)降低模型錯(cuò)誤率、無限長度的輸入和輸出以及多模態(tài)。

降低模型錯(cuò)誤率是為了讓模型能處理更復(fù)雜的任務(wù)，這是增加用戶使用深度的核心手段。

讓模型的輸入輸出盡可能長，則是讓AI更進(jìn)一步像人。

考慮到人類社會(huì)中，文字信息的占比非常小，更多信息交流是通過語音、圖文、視頻來傳遞，所以多模態(tài)也很重要。

基于這些產(chǎn)品方面提出的要求，MiniMax提出了“快就是好”，通過技術(shù)創(chuàng)新，來讓模型變得更快、更好，這一點(diǎn)在他們的最新技術(shù)成果MoE+Linear Attention架構(gòu)中也已全面展示。

每當(dāng)模型有重大提升后，MiniMax也能直接從用戶層面得到反饋。比如使用深度顯著變高，也會(huì)遇到對話量顯著下滑的事故。而這也更進(jìn)一步驗(yàn)證了在AI領(lǐng)域里，技術(shù)和產(chǎn)品之間密不可分的關(guān)系。

目前，MiniMax的產(chǎn)品每天可產(chǎn)生30億次交互，積累用戶超過6000萬。

其中有諸多企業(yè)客戶，比如快遞100、智聯(lián)招聘。MiniMax的模型可以完成客服服務(wù)、地址補(bǔ)全、甚至是OKR調(diào)整等任務(wù)。

更多的是廣大普通用戶，他們每天在星野、海螺AI上與AI對話。AI創(chuàng)造的形象、智能體也成為了他們?nèi)粘Ｉ畹囊徊糠帧?/p>

不鳴則已

成立996天，MiniMax終于自己搭建了舞臺(tái)，完成了對外首秀。

為什么要等這么久？

畢竟，MiniMax從不缺關(guān)注度。明星創(chuàng)始團(tuán)隊(duì)、熱門AI應(yīng)用、一筆又一筆大額融資……只用跨一步，MiniMax就能完成華麗的登臺(tái)亮相。

等到現(xiàn)在，或許是公司策略上的考量，或許是團(tuán)隊(duì)個(gè)性使然。

一方面，MiniMax似乎更愿意用實(shí)績說話。

產(chǎn)品每天30億次交互、3萬億token處理量，大概已是國內(nèi)公司中的No.1，“并且可能比第二名多2-3倍”。底層MoE模型，在性能和效率上都已驗(yàn)證實(shí)力，6000萬用戶就是最好的證明。以及率先達(dá)成全模態(tài)能力，不發(fā)模型則已，一發(fā)就是視頻語音音樂全都來。

更重要的是，MiniMax的路線已被驗(yàn)證。

Intelligence with Everyone。技術(shù)和產(chǎn)品并駕齊驅(qū)，讓MiniMax能更快從用戶側(cè)得到反饋，在技術(shù)上進(jìn)行提升、產(chǎn)品上進(jìn)行優(yōu)化。重2C但是也做2B，滿足普通用戶和開發(fā)者的需求，當(dāng)然也是更健康的商業(yè)模式。

最關(guān)鍵的是，帶著這樣一份亮眼的成績單首秀，MiniMax的實(shí)力不言而喻。

另一方面，MiniMax絕對稱得上是一家有個(gè)性的初創(chuàng)公司。

大模型目前仍舊是一個(gè)非共識(shí)議題，技術(shù)路線的選擇一定程度上決定公司的生死。

閆俊杰曾直言，自己選了一條非常激進(jìn)的路線。

去年，在其他公司還在迭代稠密模型時(shí)，閆俊杰轉(zhuǎn)去賭MoE路線。大模型趨勢日新月異，幾個(gè)月時(shí)間里別人都在快速進(jìn)步，但MiniMax把80%以上的算力和研發(fā)資源都用來做MoE，且沒有Plan B。

過程中，前后失敗了兩次。模型訓(xùn)了半個(gè)月，指標(biāo)離前期估測越來越遠(yuǎn)。背后不僅是團(tuán)隊(duì)精力、時(shí)間、資金的巨大投入，也是對信心的考驗(yàn)。

換來的是，MiniMax成為國內(nèi)首個(gè)推出MoE大模型的公司。也剛好和OpenAI走在了同一條路線上。

從外部視角來看，有能力、有個(gè)性是MiniMax最為鮮明的特點(diǎn)。

而從內(nèi)來看，閆俊杰表示，MiniMax的內(nèi)核要素還有最重要的一點(diǎn)：樂觀。

我們對技術(shù)的進(jìn)步充滿了樂觀，對用戶充滿了樂觀，對產(chǎn)品的迭代效率充滿了樂觀。

盡管有時(shí)候會(huì)遇到很多挑戰(zhàn)，但是我覺得我們可能是大模型里面能夠最堅(jiān)持往前來迭代技術(shù)，最堅(jiān)持跟用戶互動(dòng)的大模型公司，也是最國際化的一家大模型公司。

悲觀者正確，樂觀者永遠(yuǎn)勇于前行。

完成首秀后，MiniMax的腳步也一點(diǎn)不停歇。

在活動(dòng)上，閆俊杰放出重磅預(yù)告，最新一代旗艦?zāi)Ｐ蚢bab-7即將正式亮相。

結(jié)合最近OpenAI風(fēng)聲不斷，新一代模型呼之欲出。

那么國內(nèi)，誰能是最快追趕的呢？有好戲看了。