“最后这5%的差距，可能比完成前面95%要难得多。”

在最近发布的一期英国播客《Invest in Progress》中，MiniMax创始人闫俊杰谈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。他说，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。他更关心的是进步的速度。

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从创办之初就要考虑，如何让有限的算力承担更多工作。模型架构怎么设计，基础设施怎么搭建，推理过程怎么优化，都要围绕效率展开。闫俊杰说，公司的一个设计原则是，无论使用什么芯片，模型都应有不错的表现。

在他看来，中国几家头部模型公司都在想办法提高效率，只是各自选择不同：有的调整Transformer架构，有的改进后训练基础设施，也有的重点投入不同模态。这让中国模型之间保留了差异。

伯恩斯在采访中问得更直接：美国的前沿实验室是否被充裕的算力“惯坏了”？它们有条件不断推进技术边界，却没有从第一天起就被迫把效率放在核心位置。

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。

强化学习需要模型反复尝试、获得反馈；合成训练数据，也需要调用模型。这些过程都消耗推理算力。一次推理的成本降下来，同样的资源就能支持更多训练。

他判断，后训练在模型迭代中的分量会越来越重。MiniMax提高推理效率，也是为了把后训练规模做大。他甚至提出，未来某个时候，MiniMax可能拥有规模最大的后训练系统，并借此走到智能的最前沿。

这仍是一个目标。对于当下的中美差距，他的判断相对谨慎：过去三年，双方模型的进步速度已经大致相当，但剩下的5%可能比此前的95%更难完成。

效率也延伸到了公司的组织方式。按闫俊杰在采访中的说法，MiniMax只有500人，研发要遵循两条原则：让架构和基础设施尽量简单；坚持自建基础设施，即便这会让短期内的产品发布慢一些。

前一条是为了让有限的团队集中精力，后一条则为后续扩大模型和训练规模做准备。他认为，公司的资本效率和组织效率，是在这些选择及外部约束下逐渐形成的。

不过，低成本能否带来利润，仍是伯恩斯作为投资人关心的问题。MiniMax还在亏损，模型能力的提升、用户增长和收入增加，最终需要支撑持续投入。

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。

截至8月，MiniMax的年化收入运行率已超过8亿美元，企业业务贡献超过80%。这里的年化收入运行率，是将8月收入乘以12，不代表公司已经取得了8亿美元的全年收入。

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。

外公想写一本回忆录

在闫俊杰决定做通用人工智能的过程中，一件家事给了他触动。

他的外公想写一本回忆录，把几十年的人生经历留下来。但老人不会打字，也很难独自把往事组织成文字。闫俊杰觉得，AI应该能够帮上这个忙，可当时的技术还做不到。

这件事让他更在意“通用”的意义。按照他的回忆，那时的计算机视觉、语音识别主要服务于企业，距离普通消费者的日常需求还有一段距离。一个老人想记录自己的一生，就是其中一个尚未被满足的需求。

闫俊杰很早就接触了数学和计算机。他在河南长大，父亲是一名数学教师，家里有不少书。中学时，他已开始自学大学水平的数学和计算机科学。吸引他的，是把两者结合起来，通过编程解决现实问题。

2014年，他在百度深度学习研究院实习，余凯是他的导师。彼时，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仍让他受到很大震动。他想找一家拥有大量GPU的公司，验证深度学习究竟能走多远。

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。他用这些资源研究图像分类和目标检测，与另一位实习生搭档参加当年的ImageNet挑战赛，获得第三名。

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。

第一年，团队搭建基础设施，训练语言、图像和音频生成模型的初代版本，也做了一个应用来检验模型表现。这个应用就是Glow，用户可以在里面与虚拟伙伴聊天。它很快积累了数百万用户，超出了团队最初做实验的预期。

随后，ChatGPT发布。闫俊杰说，这改变了他对技术发展时间表的判断：基础设施、数据和模型规模，都需要以比原先预想更大的幅度、更快的速度扩张。

MiniMax也选择同时投入文本、图像、视频、音乐和语音。对于一家资源有限的公司，这意味着研发力量要分散到多个方向。

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，再尝试融合。他认为，多模态能够带来更丰富的数据，也是模型继续扩展的一条必经之路。

“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，他将MiniMax的模型归为两大系列：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。接下来的计划，是继续提升两类模型的能力，再把它们合进同一个系统。

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。

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。

他以H3为例。据他在采访中的介绍，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进行后训练得到的H3 Max。按照闫俊杰的介绍，它能在3秒内生成5秒视频，生成速度已快于视频的播放速度。

这样的速度，让视频有了更多交互用途。闫俊杰提到，已有开发者做出24小时AI直播，根据观众想看的内容实时生成画面。同样的能力，也可能被用于游戏、教育等场景。

这些尝试又会给MiniMax带来反馈，帮助它发现模型能做什么、还缺什么。闫俊杰把这视为开源对研发最直接的帮助。

另一项好处来自部署方式。企业和政府客户能够在自己的设备上运行开放权重模型，对数据和隐私保有更多控制，也能围绕自身需求继续训练和开发。

“我们打算一直开源下去，直到AGI实现。”

谈到字节、阿里等公司的竞争时，闫俊杰认为，MiniMax的优势在于目标集中。大型科技公司需要兼顾多条业务线，MiniMax则把研发集中在高效率的多模态AGI上。社区开发者提供的改进和新用途，也是它借助外部力量的一种方式。

他希望最终把最好的语言模型和视频模型合进一个系统，让模型能够承担更多工作。这个设想也延续了MiniMax早期同时投入多种模态的选择。

在中美AI的发展路径上，闫俊杰预计，算力、资本和芯片获取条件的差异，还会持续影响两边的技术与产品。他用一句话概括自己的观察：“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。”他认为，两套生态未必会走到同一条路上。

采访最后，伯恩斯请他描述：如果MiniMax实现了自己的目标，世界会变成什么样？

闫俊杰谈到了AGI的归属。他认为，这项技术太重要，不应只属于某一家公司、国家或组织。使用模型的人、开发者和研究者，都参与了模型的成长，也应该分享它带来的能力。

这也是他坚持使用“Intelligence with everyone”这句口号的原因。与所有人一起发展智能，意味着模型开放之后，更多人可以在它的基础上继续工作。

他还好奇，当世界拥有更多智能，人类对世界乃至宇宙的理解，会不会随之改变？

“我认为会。正是这种可能性在推动我。”