MiniMax闫俊杰谈AGI路径：开源到AGI实现，后训练或成关键

“最后这5%的差距，可能比完成前面95%要难得多。”

在最近一期的英国播客《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。

对谈的另一方是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。

推理成本是这次访谈中被多次提到的问题。在闫俊杰看来，把推理成本压下来，一来能让更多人用上模型，二来MiniMax也能多做后训练，把模型能力继续往上推。他拿公司名字作了说明：Mini指的是把推理成本降下去，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。”

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。”

从成立那天起，MiniMax就得琢磨一件事：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、推理过程怎样优化，都得围着效率转。闫俊杰说，公司有一条设计原则——不管用什么芯片，模型的表现都得拿得出手。

他提到，国内几家头部模型公司都在琢磨提效的办法，只是路数不一样：有的动Transformer架构，有的改后训练基础设施，还有的把力气压在不一样的模态上。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挺直白：美国那些前沿实验室，是不是被充裕的算力“惯坏了”？它们有条件一路把技术边界往前推，却从来没在第一天就被逼着把效率当成核心。

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，靠这个走到智能的最前沿。

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3年，两边模型的进步速度大致相当，可剩下的5%或许比之前的95%更难啃。

效率这件事也落到了公司的组织方式上。闫俊杰在采访中说，MiniMax只有500人，研发上有两条原则：架构和基础设施尽量简单；基础设施坚持自建，哪怕短期内的产品发布因此慢一些。

前一条是想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。按他的说法，公司的资本效率和组织效率，就是在这些选择和外部的约束下慢慢磨出来的。

但低成本能不能变成利润，仍是伯恩斯站在投资人角度关心的事。MiniMax目前还在亏损，模型能力的提升、用户增长和收入增加，最终都得撑住持续投入。

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%。所谓年化收入运行率，是把8月的收入乘以12，并不代表公司全年已经拿到8亿美元收入。

对比来看，MiniMax公布的2026年上半年收入是1.166亿美元，同比增幅283.1%。其中开放平台及其他AI企业服务贡献7390万美元，占同期总收入的63.4%。这个63.4%反映的是上半年已经落袋的收入构成，跟采访里提到的8月年化口径不是一回事。

同一时期，公司经调整净亏损2.93亿美元。盈利时间表，闫俊杰在采访中没有给出。

外公想写一本回忆录

促使闫俊杰下决心做通用人工智能的，还有一件家里的事。他外公打算写本回忆录，把几十年的经历记下来，可老人不会打字，想独自把往事整理成文字也很吃力。闫俊杰认为AI理应能帮上这个忙，问题是当时的技术办不到。

这件事让他格外看重“通用”二字。他回忆说，那时候的计算机视觉、语音识别大多面向企业，离普通人的日常需求还差得远。一位老人想记录自己的一生，就是没被满足的需求之一。

闫俊杰接触数学和计算机很早。他在河南长大，父亲教数学，家里藏书不少。读中学时他就开始自学大学程度的数学和计算机科学。真正吸引他的，是把这两样东西合到一起，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。那会儿他已经发表了几十篇计算机视觉论文，AlexNet在图像分类上的突破还是让他很受震动。他想找一家手头有大量GPU的公司，看看深度学习到底能走多远。

闫俊杰回忆，实习期间他最忙的时候能用上百度三分之一的GPU。靠着这些资源，他做图像分类和目标检测，还跟另一位实习生组队参加当年的ImageNet挑战赛，拿了第三名。

等到创办MiniMax，他认定AGI这件事值得做，只是说不准哪天会来。

第一年，团队先搭基础设施，把语言、图像、音频生成模型的初代版本训出来，又做了个应用来检验模型成色。这个应用叫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，团队原本只拿它做实验，没料到会这样。

接着ChatGPT发布了。闫俊杰说，这让他对技术时间表的判断变了：基础设施、数据、模型规模，都得比原来设想的幅度更大、速度更快地去扩。

MiniMax还选了文本、图像、视频、音乐、语音几条线同时投入。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长什么样，所以先把各个方向做起来，等哪天技术够成熟了再试着融合。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系列做语言模型，主攻编程和智能体；H系列以视频生成为主，覆盖视频、图像和音频。下一步的计划是把两类模型的能力继续往上推，再合进同一个系统。

智能体这块，他希望AI能在较长的任务周期里自己定目标，还能自己验证执行结果。这种自主性，在他眼里是智能体接下来要突破的地方。

录采访的时候，闫俊杰的主要精力正放在下一代模型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，他也有自己的判断标准：AI能发展出新的理论，科学上的新突破主要靠AI。

开源到AGI实现

一边通过API收费，一边把模型权重开放出去，让开发者自己部署、自己改，这是MiniMax的做法。

在闫俊杰看来，开源能推动商业化，也能拉更多开发者进来改进模型。MiniMax自己探索不完的部分，社区可以接着往下做。

他拿H3举例。据他在采访中介绍，这款模型此前一个月下载量约2500万次；开放后的前两周，就有约300个开放模型在它基础上衍生出来。美国公司fal.ai就是个例子，它基于H3做后训练得到了H3 Max。按闫俊杰的说法，它3秒内能生成5秒视频，生成速度已经比视频播放还快。

有了这样的速度，视频能派上的用场就更多了。闫俊杰举例说，已经有开发者做出24小时不间断的AI直播，观众想看什么，画面就实时生成什么。同样的本事，放到游戏、教育等场景里也用得上。

这些来自外部的尝试同样会反哺MiniMax，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。

部署方式带来的是另一层好处。企业客户和政府客户可以把开放权重的模型跑在自己的设备上，对数据和隐私掌握更多主动权，也能照着自身需求接着训练、接着开发。

“我们打算一直开源下去，直到AGI实现。”

被问到字节、阿里这些公司的竞争，闫俊杰的说法是，MiniMax的长处在于目标够集中。大厂要顾着好几条业务线，MiniMax则把研发力气压在高效的多模态AGI上。社区开发者贡献的改进和新玩法，也是它借外部之力的一种办法。

他设想，最终要把最好的语言模型和视频模型并进同一个系统，让模型能多担一些活儿。这个念头，其实延续了MiniMax早期就同时押注多种模态的路子。

说到中美AI各自的走法，闫俊杰判断，算力、资本、芯片获取条件上的差距，还会继续左右两边的技术和产品。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。”两套生态未必会汇到同一条道上。

采访临近结束，伯恩斯抛出最后一个问题，请他设想：假如MiniMax真的达成了目标，世界会是什么样子？

闫俊杰聊起了AGI该归谁。他的看法是，这项技术分量太重，不该只攥在某一家公司、某一个国家或某一个组织手里。用模型的人、开发者、研究者，都掺和了模型的成长，也就该一起分享它长出来的能力。

他也因此一直用着“Intelligence with everyone”这句口号。和所有人一起把智能做起来，意思是模型开放之后，更多人可以接着在它上面往下干。

他还有一层好奇：当世界上的智能变多，人类对世界、对宇宙的认识，会不会跟着变？

“我认为会。正是这种可能性在推动我。”