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

明敏 衡宇 發自 凹非寺

量子位 | 公眾號 QbitAI

終于，MiniMax不藏了。

首次正式公開亮相，最強大模型、最亮眼產品戰績，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——達成如此豐富模態且同步開放，屬實是國產創業公司中首位。

尤其是視頻模型如期發布，兌現了7月WAIC上創始人兼CEO閆俊杰放出的承諾。

旗下產品最新戰績也正式公開：

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。

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；
• 7萬小時語音=讀完7000本書。

而3萬億文本tokens這個數據處理量，在第一梯隊其它友商披露出5千到1萬億tokens日處理量的當下，也有斷層優勢。

需要注意的是，這些數據，都是1天時間內在MiniMax產品上產生的。

一直以來，無論技術、產品還是融資，MiniMax一有風吹草動，都會引發海內外各界關注。但他們始終保持著悶聲搞事的路線。模型發布、產品上線總是讓人猝不及防，公開的大型活動更是幾乎沒有。

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，帶著最能證明實力的技術和產品，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。

初創公司中首先拿下全模態

MiniMax想要做什么？

先來看最新技術進展——

本次活動上一共發布了4種模態大模型，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，當時的交互時長大約只有ChatGPT的3%；到了今天，交互時長已經超過了其50%。

也構筑起了MiniMax的堅實壁壘——放眼國內AI大模型初創公司，MiniMax率先完成了全模態模型的研發和開放。

實力不可謂不雄厚。

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發布以來最熱門的模型選手。

從文生圖時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（手動狗頭）：

不只是我們，哪怕是在X上，網友們也已經玩瘋了！

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，所有這些都以慢動作捕捉。

但abab-video-1壓根沒在怕的：

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

目前AI視頻時長最高6秒，未來或支持10秒。

除了現有的文生視頻功能，未來還將推出圖生視頻和文圖結合生成視頻的能力。

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

另一個是視覺呈現方面，所有生成視頻內容整體畫面色彩偏鮮艷。

劃重點：限時免費。

官方口吻是，今后新版本達到滿意狀態后，考慮開啟商業化計劃。

視頻生成的復雜度遠高于文本，包括處理長上下文、巨大的存儲需求以及基礎設施升級等問題，同時視頻背后的存儲量很大，100個文字可能不到1k，但5秒視頻占據幾兆之多。

不過閆俊杰表示：

我們確實在視頻模型生成方面取得很大的進展，根據內部評測以及跑分，我們比其他模型的（生成視頻）效果都要好。

相比已經在國際市場上打響名聲的國內視頻模型先頭兵快手可靈，MiniMax的視頻生成模型推出時間晚了一兩個月。

閆俊杰說，這是因為團隊一直在解決更具挑戰性的技術問題，特別是如何訓練算力較高的內容。

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據，喂給abab-speech-1，幾乎只用眨一次眼睛的時間，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，國內方言如粵語也不在話下。

聽起來也真的很去“AI味”，跟真人發送的語音消息一般無二。

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

然后AI龔琳娜語音和其母親打了個電話，完全沒有被識破。

雖然叫“語音大模型”，但其實它兼具音樂生成的能力。

只需經歷輸入靈感——生成歌詞——選擇風格——生成歌曲四個簡簡單單的步驟。

曲風上面，不管是節奏布魯斯、說唱還是電子，都輕松拿捏。

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

迄今為止，它服務了近500家企業用戶，在語言學習、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的技術底座構建。

在底層技術上，MiniMax核心關注3方面：

• 持續降低模型錯誤率
• 無限長輸入輸出
• 多模態

這是模型之上的產品，能夠更快更強的關鍵要素。

閆俊杰認為，大語言模型領域，兩個模型性能相似，一定是速度更快的那個模型更容易帶來產品數據增長。就好像Scaling Law一樣，算法相同情況下，訓練數據量更大的模型往往會取得更好效果。

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

這兩者，都集中體現在數周后將正式對外的多模態模型abab-7身上，沒錯，就是使用MoE+Linear Attention技術的那種。

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

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

基于這個結構，模型可以處理復雜任務，同時提升計算效率，在單位時間內訓練更多（多到“足夠多”）的數據。

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

具體在模型表現上，abab-6.5s在1秒內可以處理近3萬字的文本。

其次是對Linear架構的選擇。

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

針對這些問題，MiniMax設計了全新的Linear架構，在保證精度和效率的同時，解決了Linear Attention召回能力弱的問題，使得新架構可以適用于復雜推理任務。

在Benchmark上，新Linear架構達到相同效果所需訓練算力減少了三成；推理側，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、持續復用）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，支持海量高并發吞吐，以此支撐將各個版本、各個模態的模型應用于大規模用戶產品中。

不難看出，算力實力打底，全模態多點開花，作為國內最早入局大模型創業的公司之一，MiniMax憑借著自己雄厚的研發實力穩步向前。

大模型每天30億次交互

所有的技術積淀，都只為了一個目的：

Intelligence with Everyone。

目前，MiniMax旗下主要有四款產品：星野、Talkie、海螺AI和開放平臺。

前三者主打2C，開放平臺更多面向開發者。

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品？

一方面，從觸及所有人的目標出發，多個不同定位的產品，能更快速觸達更多用戶。

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

但如今，行業對于大模型的商業化路徑都還模棱兩可。技術和產品之間該如何平衡，哪個更重要？

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

產品是技術落地的平臺，它能直接體現技術的價值，也是實現AGI愿景的必要路徑。技術是產品前進的核心驅動力。如何抵達Intelligence with Everyone的終局，核心只有兩點：

• 怎樣提升用戶的滲透率
• 怎樣提高用戶的使用深度

我們認為提升這兩點只能通過一件事來完成，一句話總結：科學技術是第一生產力。

比如，如何提高滲透率。轉化到技術角度，應該考慮的是如何持續降低模型錯誤率、無限長度的輸入和輸出以及多模態。

降低模型錯誤率是為了讓模型能處理更復雜的任務，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更進一步像人。

考慮到人類社會中，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，所以多模態也很重要。

基于這些產品方面提出的要求，MiniMax提出了“快就是好”，通過技術創新，來讓模型變得更快、更好，這一點在他們的最新技術成果MoE+Linear Attention架構中也已全面展示。

每當模型有重大提升后，MiniMax也能直接從用戶層面得到反饋。比如使用深度顯著變高，也會遇到對話量顯著下滑的事故。而這也更進一步驗證了在AI領域里，技術和產品之間密不可分的關系。

目前，MiniMax的產品每天可產生30億次交互，積累用戶超過6000萬。

其中有諸多企業客戶，比如快遞100、智聯招聘。MiniMax的模型可以完成客服服務、地址補全、甚至是OKR調整等任務。

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創造的形象、智能體也成為了他們日常生活的一部分。

不鳴則已

成立996天，MiniMax終于自己搭建了舞臺，完成了對外首秀。

為什么要等這么久？

畢竟，MiniMax從不缺關注度。明星創始團隊、熱門AI應用、一筆又一筆大額融資……只用跨一步，MiniMax就能完成華麗的登臺亮相。

等到現在，或許是公司策略上的考量，或許是團隊個性使然。

一方面，MiniMax似乎更愿意用實績說話。

產品每天30億次交互、3萬億token處理量，大概已是國內公司中的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證實力，6000萬用戶就是最好的證明。以及率先達成全模態能力，不發模型則已，一發就是視頻語音音樂全都來。

更重要的是，MiniMax的路線已被驗證。

Intelligence with Everyone。技術和產品并駕齊驅，讓MiniMax能更快從用戶側得到反饋，在技術上進行提升、產品上進行優化。重2C但是也做2B，滿足普通用戶和開發者的需求，當然也是更健康的商業模式。

最關鍵的是，帶著這樣一份亮眼的成績單首秀，MiniMax的實力不言而喻。

另一方面，MiniMax絕對稱得上是一家有個性的初創公司。

大模型目前仍舊是一個非共識議題，技術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的路線。

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

過程中，前后失敗了兩次。模型訓了半個月，指標離前期估測越來越遠。背后不僅是團隊精力、時間、資金的巨大投入，也是對信心的考驗。

換來的是，MiniMax成為國內首個推出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、有個性是MiniMax最為鮮明的特點。

而從內來看，閆俊杰表示，MiniMax的內核要素還有最重要的一點：樂觀。

我們對技術的進步充滿了樂觀，對用戶充滿了樂觀，對產品的迭代效率充滿了樂觀。

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

悲觀者正確，樂觀者永遠勇于前行。

完成首秀后，MiniMax的腳步也一點不停歇。

在活動上，閆俊杰放出重磅預告，最新一代旗艦模型abab-7即將正式亮相。

結合最近OpenAI風聲不斷，新一代模型呼之欲出。

那么國內，誰能是最快追趕的呢？有好戲看了。