MiniMax闫俊杰谈追赶AGI：最后5%差距更难，坚持开源到AGI实现

“最后这5%的差距，可能比完成前面95%要难得多。”

在近期上线的一期英国播客《Invest in Progress》里，MiniMax创始人闫俊杰聊到了中国大模型追赶美国同行的难度。

和他对谈的是Scottish Mortgage投资经理劳伦斯·伯恩斯（Lawrence Burns）。2025年12月，伯恩斯到中国拜访闫俊杰，听到一个让他印象深刻的判断：中国最好的模型已经能达到美国顶尖模型约95%的性能，成本却只有十分之一。之后，Scottish Mortgage参与了MiniMax的香港IPO。

这一回，伯恩斯想知道，这两个差距后来发生了什么变化。

闫俊杰没有给出新的百分比。他的说法是，最后5%仍需要时间追赶，中美模型在通往AGI的路上也都处于早期阶段。相比之下，他更关心进步的速度。

这场对话里，成本被反复提起。闫俊杰的看法是，推理成本降下来，一方面能让更多人用上模型，另一方面MiniMax也能腾出资源做更多后训练，把模型能力继续往上推。他拿公司名字做了个拆解：Mini指的是把推理成本压下去，Max指的是把智能的上限抬起来。

围绕这条路线，他还给出了一项承诺：“我们打算一直开源下去，直到AGI实现。”

01

追赶最后5%

谈到中国模型与美国模型的差距，闫俊杰首先提到了算力。

“对我们来说，尤其是对一家中国AI公司而言，算力始终是一种约束。”

打从创办那天起，MiniMax就得盘算一件事：有限的算力怎么扛更多活。模型架构如何设计、基础设施如何搭建、推理过程如何优化，全得围着效率转。闫俊杰提到，公司的一条设计原则是，不管用什么芯片，模型都得有不错的表现。

闫俊杰观察到，国内几家头部模型公司都在琢磨提效的路子，只是选的方向不一样：有的动Transformer架构，有的改后训练基础设施，还有的把力气押在不同模态上。中国模型之间的差异，也就这么留了下来。

伯恩斯在采访里问得很直白：美国那些前沿实验室，是不是被充裕的算力“惯坏了”？它们有本钱一路往前推技术边界，却从来没被逼着从第一天起就把效率当成头等大事。

闫俊杰把讨论落到了中国公司的处境上。硬件越受限，算法、架构和基础设施的改进就越重要。

“约束让我们成了更好的工程师和研究人员。”

闫俊杰还想把省下来的推理成本，用到后训练中。

强化学习要靠模型一遍遍试、拿到反馈；合成训练数据同样得调用模型。这些环节吃的都是推理算力。单次推理的成本一旦降下来，同样的资源就能撑起更多训练。

他的判断是，后训练在模型迭代里会越来越吃重。MiniMax把推理效率提上去，图的就是把后训练规模做大。他甚至说，将来某个时候，MiniMax有可能跑出规模最大的后训练系统，靠这个站到智能的最前沿。

这还只是个目标。眼下中美之间的差距，他看得比较谨慎：过去三年，两边模型的进步速度大体相当，可剩下的5%或许比之前的95%更难啃。

效率这个东西，也落到了公司怎么组织上。闫俊杰在采访中说，MiniMax只有500人，研发上守两条原则：架构和基础设施尽量简单；基础设施坚持自建，哪怕短期产品发布因此慢一些。

前一条是让有限的团队把劲往一处使，后一条是给以后扩大模型和训练规模留余地。在他看来，公司的资本效率和组织效率，就是在这类选择和外部约束里一点点磨出来的。

可低成本能不能换来利润，仍是投资人伯恩斯关心的。MiniMax还在亏钱，模型能力的提升、用户的增长、收入的增加，到头来都得撑住持续的投入。

闫俊杰给出的思路是，通过技术创新降低推理成本，在保持价格优势的同时提高模型能力，让收入增长快于成本增长。

到8月为止，MiniMax的年化收入运行率已经超过8亿美元，其中企业业务贡献超过80%。年化收入运行率的算法，是把8月收入乘以12，并不等于公司全年已经拿到8亿美元收入。

作为参照，MiniMax披露的2026年上半年收入为1.166亿美元，同比增长283.1%；开放平台及其他AI企业服务收入为7390万美元，占总收入的63.4%。后一个比例对应上半年已实现的收入结构，与采访中的8月年化口径不同。

同期，公司经调整净亏损为2.93亿美元。采访中，闫俊杰没有给出实现盈利的时间表。

02

外公想写一本回忆录

闫俊杰下定决心做通用人工智能，起因之一其实是家里的一件事。外公打算写本回忆录，把这几十年的经历记下来，可老人不会打字，单靠自己把往事理成文字也很吃力。他觉得AI应该能搭把手，问题是当时的技术做不到。这件事让他更看重“通用”这两个字。他后来回忆，那时候的计算机视觉、语音识别大多是企业在用，离普通人的日常需求还差得远。一位老人想把自己的一生记下来，就是没被满足的需求之一。

数学和计算机，闫俊杰很早就开始接触。他是在河南长大的，父亲教数学，家里的书不少。读到中学，他已经自学大学水平的数学和计算机科学。真正吸引他的，是把这两门东西合到一起，用编程去解决现实中的问题。2014年他到百度深度学习研究院实习，导师是余凯。那会儿他发表的计算机视觉论文已有数十篇，AlexNet在图像分类上的突破还是让他很受震动。他想找一家GPU管够的公司，看看深度学习到底能走多远。

闫俊杰回忆，实习那段时间，高峰时他能调动的GPU占到百度的三分之一。他拿这些资源做图像分类和目标检测，还和另一位实习生搭档，参加了当年的ImageNet挑战赛，拿到第三名。

到了创办MiniMax时，他确信AGI值得做，却还不知道它会在什么时候到来。

头一年，团队先把基础设施搭起来，训练语言、图像、音频生成模型的初代版本，另外做了一个应用来检验模型的实际表现。这个应用叫Glow，用户能在里面和虚拟伙伴聊天。它很快就攒下数百万用户，团队原本只是拿它做实验，这个结果超出了预期。

再往后，ChatGPT发布了。闫俊杰说，这件事让他对技术发展时间表的判断变了：基础设施、数据、模型规模，扩张的幅度和速度都得比原先想得更大、更快。

文本、图像、视频、音乐、语音，MiniMax选择几条线一起投。对一家资源有限的公司来说，这意味着研发力量得摊到好几个方向上。闫俊杰也承认，刚创业时并不清楚模型最后会是什么形态，所以先把各个方向都做起来，等技术和时机成熟了再试着融合。在他看来，多模态能带来更丰富的数据，也是模型继续扩展绕不开的一条路。

“如果一开始只专注一种模态，我们早期的进展可能会更快。”他说。

采访中他把MiniMax的模型分成两大系列：M系列做语言，重点放在编程和智能体；H系列主打视频生成，覆盖视频、图像和音频。下一步是继续把这两类模型的能力往上提，然后再将它们并进同一个系统。

在智能体方面，他希望AI能在较长的任务周期中自己设定目标，并验证执行结果。他把这种自主性视为智能体接下来要突破的方向。录制采访时，闫俊杰正把主要精力放在下一代模型M3 Pro上。他说，模型尚未完成，但他期待它带来一次重要突破。

对于AGI，他也有一个明确的判断标准：AI能够发展出新的理论，科学上的新突破主要依赖AI。

03

开源到AGI实现

MiniMax一边通过API收费，一边开放模型权重，让开发者能够自行部署和修改。

闫俊杰认为，开源可以促进商业化，也能让更多开发者参与模型改进。MiniMax自己做不完的探索，社区可以接着做。

他举了H3的例子。按他在采访中的说法，这款模型此前一个月下载量约2500万次；开放后的头两周，在它基础上衍生出来的开放模型已有约300个。

其中一个例子是美国公司fal.ai，它在H3上做后训练，得到了H3 Max。闫俊杰介绍，这个模型3秒能生成5秒视频，生成速度已经比视频播放还快。

这样的生成速度，让视频多了不少可交互的用法。闫俊杰说，已经有开发者做出24小时AI直播，按观众想看的内容即时生成画面；游戏、教育等场景同样可能用上这种能力。反过来，这些尝试也会回流成MiniMax的反馈，帮它看清模型能做什么、还缺什么。闫俊杰把这一点看作开源对研发最直接的助力。

部署方式则带来另一重好处：企业客户和政府客户可以把开放权重模型跑在自己的设备上，对数据与隐私掌握更多主动权，也能按自身需求接着训练、继续开发。

“我们打算一直开源下去，直到AGI实现。”

被问到字节、阿里等公司的竞争，闫俊杰的判断是MiniMax胜在目标集中。大厂要照顾多条业务线，MiniMax则把研发压在高效率的多模态AGI这一件事上。社区开发者贡献的改进和新玩法，同样是它借外部之力的一条路径。

他的设想是，最终把最好的语言模型和视频模型并进同一个系统，让模型扛起更多工作。这个方向，其实延续了MiniMax早期就同时押注多种模态的做法。

说到中美AI的走向，闫俊杰预计，算力、资本以及芯片获取条件上的差别，会继续作用在双方的技术和产品上。他这样概括自己的观察：“美国生态在巨额资本支撑下构建封闭系统，中国生态在效率支撑下构建协作体系。”在他看来，两套生态未必会汇到同一条路上。

采访临近结束，伯恩斯请他设想：假如MiniMax真的达成了目标，世界会是什么样？

闫俊杰把话题引向AGI的归属。他的看法是，这项技术分量太重，不该只归某一家公司、某个国家或某个组织。用模型的人、开发者、研究者都参与了模型的成长，也就应当分享它带来的能力。

这也正是他坚持用“Intelligence with everyone”这句口号的原因。和所有人一起把智能做起来，意味着模型开放之后，更多人能站在它的基础上继续往前走。

他还有一层好奇：当世界拥有更多智能，人类对世界乃至宇宙的理解，会不会跟着变？

“我认为会。正是这种可能性在推动我。”