MiniMax闫俊杰谈AGI：中美模型差距剩5%，效率与开源是关键

“最后这5%的差距，可能比完成前面95%要难得多。”

在最近英国播客《Invest in Progress》的一期节目里，MiniMax创始人闫俊杰聊到了中国大模型追赶美国同行的难度。

与他对谈的是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，听到了一个令他印象深刻的判断：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。随后，Scottish Mortgage参与了MiniMax的香港IPO。

这一次，伯恩斯想知道，这两个差距发生了什么变化。

闫俊杰没有给出新的百分比。他更关心的是进步的速度。在他看来，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。

这场对话里，成本被反复提起。闫俊杰的说法是，推理成本降下来，用上模型的人会更多，MiniMax也能腾出资源做更多后训练，把模型能力继续往上推。他拿公司名字作了解释：Mini是压低推理成本，Max是抬高智能的上限。

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。”

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。”

从创立那天起，MiniMax就得琢磨一件事：手头算力有限，怎么让它多干活。模型架构如何设计、基础设施如何搭建、推理过程如何优化，都要往效率上靠。闫俊杰提到，公司有一条设计原则——不管用什么芯片，模型都得有不错的表现。

他的观察是，中国几家头部模型公司都在设法提效，路子各不相同：有人动Transformer架构，有人改后训练基础设施，还有人把重点放在不同模态上。中国模型之间的差异也因此留了下来。

伯恩斯在采访里问得挺直接：美国的前沿实验室是不是被充足的算力“惯坏了”？它们有条件持续往技术边界推，却不必从第一天起就把效率当成核心问题。

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。

强化学习要靠模型反复试、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。单次推理便宜了，同样的资源就能撑起更多训练。

他的判断是，后训练在模型迭代中的分量会越来越重。MiniMax压推理成本，图的就是把后训练规模做大。他甚至说，将来某个时候，MiniMax有可能拥有规模最大的后训练系统，靠这个走到智能的最前沿。

这还只是个目标。说到眼下的中美差距，他的判断偏谨慎：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。

效率这件事也落到了组织方式上。闫俊杰在采访中说，MiniMax只有500人，研发守两条原则：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精力集中起来，后一条是给后面扩大模型和训练规模铺路。在他看来，公司的资本效率和组织效率，就是在这些选择以及外部约束之下慢慢磨出来的。

不过，低成本能不能变成利润，是伯恩斯作为投资人仍在盯的问题。MiniMax目前还在亏损，模型能力的提升、用户增长和收入增加，最终要能撑住持续投入。

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，MiniMax的年化收入运行率已经超过8亿美元，企业业务贡献超过80%。所谓年化收入运行率，是把8月收入乘以12，并不代表公司全年已经拿到8亿美元收入。

拿来对照的话，MiniMax披露过2026年上半年收入为1.166亿美元，同比增长283.1%。其中开放平台及其他AI企业服务收入为7390万美元，占总收入的63.4%。这个占比说的是上半年已经落袋的收入结构，跟采访中提到的8月年化口径不是一回事。

同一时期，公司经调整净亏损为2.93亿美元。至于什么时候能盈利，闫俊杰在采访里没有给出时间表。

外公想写一本回忆录

闫俊杰之所以下决心做通用人工智能，家里的一件事给了他不小的触动。他的外公打算写一本回忆录，把几十年的人生经历留下来。可老人不会打字，想独自把往事整理成文字也相当困难。在闫俊杰看来，AI应该能帮上这个忙，只是当时的技术还做不到。

这件事让他更看重“通用”二字的分量。按他的回忆，那时候的计算机视觉、语音识别主要服务企业，离普通消费者的日常需求还有一段距离。一位老人想记录自己的一生，就是其中一个还没被满足的需求。

闫俊杰接触数学和计算机很早。他在河南长大，父亲是数学教师，家里书不少。读中学时，他就开始自学大学水平的数学和计算机科学。真正吸引他的，是把这两样结合起来，用编程去解决现实问题。

2014年，他在百度深度学习研究院实习，导师是余凯。那会儿他已经发表过数十篇计算机视觉论文，AlexNet在图像分类上的突破依然让他震动很大。他想找一家手握大量GPU的公司，看看深度学习到底能走多远。

据闫俊杰回忆，实习期间他在高峰时能调用百度三分之一的GPU。他就用这些资源研究图像分类和目标检测，还跟另一位实习生搭档参加当年的ImageNet挑战赛，拿了第三名。

等到创办MiniMax时，他确信AGI值得做，但什么时候能到来，他心里也没底。

第一年，团队一边搭基础设施，一边训练语言、图像和音频生成模型的初代版本，还做了一个应用来检验模型表现。这个应用就是Glow，用户能在里面跟虚拟伙伴聊天。它很快就攒下数百万用户，超出了团队最初做实验的预期。

后来ChatGPT发布。闫俊杰说，这让他对技术发展时间表的判断变了：基础设施、数据和模型规模，都得按比原先预想更大的幅度、更快的速度去扩张。

MiniMax还选择同时押注文本、图像、视频、音乐和语音。对一家资源有限的公司来说，这意味着研发力量要摊到多个方向上。

闫俊杰承认，创业时并不清楚模型最终会是什么形态，所以先把各个方向做起来，等技术足够成熟，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系列是语言模型，重点投入编程和智能体；H系列以视频生成为主，覆盖视频、图像和音频。接下来的打算，是继续提升这两类模型的能力，再把它们合进同一个系统。

智能体方面，他希望AI能在较长的任务周期里自己设定目标，并验证执行结果。这种自主性，被他视为智能体下一步要突破的方向。

录制采访的时候，闫俊杰正把主要精力放在下一代模型M3 Pro上。他说模型还没做完，但他期待它能带来一次重要突破。

对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靠AI。

开源到AGI实现

MiniMax一边通过API收费，一边把模型权重开放出去，让开发者能自行部署和修改。

在闫俊杰看来，开源能推动商业化，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。

他拿H3举例。据他在采访中介绍，这款模型在此前一个月下载约2500万次；开放后的前两周，已有约300个开放模型在它的基础上衍生出来。

其中一个例子，是美国公司fal.ai基于H3做后训练得到的H3 Max。按闫俊杰的介绍，它能在3秒内生成5秒视频，生成速度已经快过视频的播放速度。

有了这样的生成速度，视频能做的事情就更多了。闫俊杰说，已经有开发者搭出24小时不间断的AI直播，观众想看什么，画面就实时生成出来。游戏、教育等场景，同样可能用上这套能力。

这些尝试反过来也会给MiniMax提供反馈，让它看清模型能干什么、还差什么。在闫俊杰看来，这正是开源对研发最直接的帮助。

好处还体现在部署上。企业客户和政府客户可以把开放权重模型放到自己的设备上跑，数据和隐私的控制权更大，也能按照自身需要接着训练、接着开发。

“我们打算一直开源下去，直到AGI实现。”

说到字节、阿里这些公司的竞争，闫俊杰的判断是MiniMax胜在目标集中。大厂要顾多条业务线，MiniMax则把研发压在高效的多模态AGI上。社区开发者贡献的改进和新用法，也是它借外部力量的一条路径。

他的目标是把最好的语言模型和视频模型最终并进一个系统，让模型能接手更多工作。这个想法，和MiniMax早期就同时押注多种模态的做法一脉相承。

中美AI走的路不一样。闫俊杰预计，算力、资本、芯片获取条件上的差距，还会继续作用在两边的技术和产品上。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，伯恩斯抛出一个问题：假如MiniMax真把目标做成了，世界会是什么样子？

闫俊杰聊到了AGI归谁所有。他的看法是，这项技术分量太重，不该只归某一家公司、某一个国家或某一个组织。用模型的人、开发者、研究者都参与了模型的成长，也该分享它带来的能力。

这也是他一直用“Intelligence with everyone”这句口号的原因。和所有人一起发展智能，意思是模型开放之后，更多人能站在它的基础上继续往下做。

他还想知道，当世界上的智能变多，人类对世界、对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。”