MiniMax闫俊杰谈AGI路径：中国模型性能已至美国顶尖95%

“最后这5%的差距，可能比完成前面95%要难得多。”

在英国播客《Invest in Progress》近期的一期节目里，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。

这回，伯恩斯想知道，这两个差距有了什么变化。

至于具体的百分比，闫俊杰这次没再给。在他看来，剩下的5%追赶起来还得花时间，中美两边的模型在奔向AGI这条路上都还只是起步。他真正在意的，是进步得快不快。

成本是这场对话反复涉及的话题。闫俊杰认为，降低推理成本，既能让更多人用上模型，也能让MiniMax做更多后训练，继续提高模型能力。他用公司的名字解释这件事：Mini，是把推理成本降下来；Max，是把智能的上限推高。

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。” MiniMax公司从成立那天起就得琢磨一件事：算力就这么多，怎么让它多干活。模型架构如何设计、基础设施怎么搭、推理环节怎么优化，全得盯着效率来做。闫俊杰提到，公司有一条设计原则——不管换成哪种芯片，模型的表现都得说得过去。

他判断，国内几家排在前面的模型公司其实都在琢磨提效这件事，无非路数不一样：有的动Transformer架构，有的在后训练基础设施上下功夫，还有的把力气花在不同模态上。这样一来，中国模型彼此之间反倒各有各的样子。

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给“惯坏了”？它们手头资源足够，可以一路往技术边界上推，却从来没有从第一天起就被逼着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。

强化学习靠的是模型一遍遍试、再拿到反馈；造合成训练数据同样得把模型调起来用。这两件事都要烧推理算力。单次推理的成本一旦压下去，同样的资源就能撑起更多训练。

在闫俊杰看来，后训练在模型迭代中所占的分量会不断加重。MiniMax把推理效率提上去，目的也是让后训练的规模能做起来。他还说过，到了将来某个节点，MiniMax或许会拥有规模最大的后训练系统，靠这一点走到智能的最前沿。

这还只是个目标。聊到眼下中美之间的差距，他的判断偏谨慎：过去3年，两边模型的进步速度差不多，可剩下那5%恐怕比此前的95%更难啃。

效率这件事，也体现在公司怎么组织上。闫俊杰在采访里说，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，哪怕短期里产品发布因此慢一点。

前一条是让有限的团队把精力收拢，后一条是给以后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，就是这些选择和外部约束一点点磨出来的。

不过，成本压得低，能不能挣到利润，仍是投资人伯恩斯关心的事。MiniMax目前还在亏钱，模型能力的提升、用户的增长和收入的增加，到头来都得撑住持续投入。

闫俊杰的想法是，用技术创新把推理成本降下来，一边保住价格优势，一边把模型能力提上去，让收入涨得比成本快。

截至8月，MiniMax的年化收入运行率已经超过8亿美元，企业业务贡献了80%以上。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。

作为参照，MiniMax披露的2026年上半年收入是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%。后一个比例说的是上半年已经实现的收入结构，和采访中8月年化那个口径不一样。

同一时期，公司经调整净亏损为2.93亿美元。采访里，闫俊杰没有给出什么时候能盈利的时间表。

外公想写一本回忆录

闫俊杰下决心做通用人工智能，起因里有一件家里的事。

他外公想写一本回忆录，把几十年的人生经历记下来。可老人不会打字，单靠自己把往事整理成文字也难。闫俊杰觉得，AI应该能帮上这个忙，只是当时的技术还办不到。

这件事让他更看重“通用”两个字的意思。他回忆，那会儿的计算机视觉、语音识别主要是给企业用的，离普通人的日常需求还差着一截。一个老人想把自己的一生记下来，就是还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，父亲是数学教师，家里书不少。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，是把这两样合到一起，用编程去解决现实里的问题。

2014年，闫俊杰在百度深度学习研究院做实习生，带他的人是余凯。那会儿他已经发了几十篇计算机视觉方向的论文，AlexNet在图像分类上捅破的那层窗户纸，还是让他心里一震。他一心想找一家GPU管够的公司，看看深度学习到底能走多远。

按闫俊杰后来的回忆，实习那阵子，他最猛的时候能用上百度三分之一的GPU。他就拿这些算力啃图像分类和目标检测，还跟另一位实习生组队，去打当年的ImageNet挑战赛，拿了个第三名。

到了创办MiniMax那个时候，他认定AGI这件事值得干，只是它哪天会来，他心里没数。

头一年，团队先铺基础设施，把语言、图像、音频生成模型的初代版本训出来，另外做了个应用来试模型的身手。这个应用叫Glow，用户能在里头跟虚拟伙伴聊天。它很快就攒下数百万用户，团队本来只是拿它做实验，这个结果超出了预期。

再往后，ChatGPT出来了。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，都得按比原先设想更大的幅度、更快的节奏去扩。 MiniMax也决定文本、图像、视频、音乐、语音几条线一起投。对一家资源有限的公司来说，这就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长成什么样，那就先把各个方向都做起来，等技术够成熟了，再试着往一块儿融。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。

采访里，他把MiniMax的模型分成两大系列：M系列是语言模型，重兵压在编程和智能体上；H系列主打视频生成，视频、图像、音频都管。下一步的打算，是把这两类模型的能力继续往上推，然后合进同一个系统。

智能体这块，他盼着AI能在比较长的任务周期里自己定目标，还能验证执行得对不对。这种自主性，他看成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，他也有个挺明确的尺子：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 MiniMax一手通过API收费，一手把模型权重放开，让开发者自己部署、自己改。

闫俊杰觉得，开源既能把商业化往前推，也能让更多开发者参与到模型改进里来。MiniMax自己做不完的探索，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，已经有约300个开放模型在它基础上衍生出来。

有个例子是美国公司fal.ai，基于H3做后训练，得到了H3 Max。按闫俊杰的说法，它能在3秒内生成5秒视频，生成速度已经快过视频播放的速度。

速度提到这个份上，视频的用法就多了起来。闫俊杰说，已经有开发者做出24小时AI直播，观众想看什么，画面就实时生成出来。游戏、教育这些场景，同样有可能用上这套能力。

而这些尝试反过来又会给MiniMax带回反馈，让它看清模型能干什么、还差什么。闫俊杰把这件事看作开源对研发最直接的帮助。

部署方式上也有一层好处。企业客户和政府客户可以把自己的设备跑起开放权重模型，数据和隐私握得更牢，还能照着自家需求接着训练、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，闫俊杰的看法是，MiniMax的长处是目标够集中。大厂要顾着好几条业务线，而MiniMax把研发压在高效的多模态AGI上。社区开发者带来的改进和新玩法，也是它借外部力量的一条路子。

他最终想做的，是把最好的语言模型和视频模型并进一个系统，让模型多扛一些活。这个想法其实延续了MiniMax早年就同时押注多种模态的那一步。

说到中美AI各走各的路，闫俊杰判断，算力、资本、芯片拿货条件上的差距，还会继续作用在双方的技术和产品上。他的观察浓缩成一句话：“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道上。

访谈临近结束，伯恩斯让他设想：假如MiniMax真的达成了自己的目标，世界会是什么样子？

闫俊杰聊到了AGI归谁所有。他的意思是，这项技术分量太重，不该只落在一家公司、一个国家或者一个组织手里。用模型的人、开发者、研究者，都参与了模型的成长，那它带来的能力，也该有他们一份。

这也是他咬住“Intelligence with everyone”这句口号不放的原因。跟所有人一起把智能做起来，意思是模型开放之后，更多人可以站在它上面继续往下干。

他还有个好奇：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。”