MiniMax（纪要）：ARR 超 8 亿美元，M3 复盘认错

以下为海豚君整理的 $MINIMAX-W(00100.HK) FY26 中期的财报电话会纪要，财报解读请移步《悲观过头，MiniMax 没有那么惨》。

一、财报核心信息回顾

1. 前瞻口径（本场未给正式收入指引，仅有以下前瞻表述）

a. 下半年毛利率将继续改善，2026 年之后还会进一步改善。

b. 四季度国产芯片在各模型中的使用占比将提升，管理层认为国产芯片可降低单 token 成本。

c. 随着 H 系列与 M 系列技术管线成熟，新模型的发布周期将显著缩短。

2. 收入与结构：上半年收入 1.12 亿美元、同比增长 283%，已相当于 2025 年全年收入的 1.5 倍。

a. 开放平台及其他 AI 企业服务收入约 7,400 万美元、同比增长 703%，占总收入比重从去年同期的 30% 升至 63%，驱动来自付费用户与企业客户增长、API 用量提升以及 token 套餐的快速普及。

b. AI 原生产品收入约 4,300 万美元、同比增长 101%。海外市场贡献总收入的 60% 以上。

3. 毛利与费用

a. 毛利 2,100 万美元、同比增长 465%；毛利率提升 5.8 个百分点，从 12.1% 升至 17.9%。

b. 研发费用约 3 亿美元、同比增长 138%，主要投向基础模型；管理层强调研发费用增速显著低于 283% 的收入增速。

c. 销售及分销费用约 3,000 万美元、同比下降 18%，因坚持自然用户增长、促销投放减少。管理费用 3,000 万美元、同比增长 104%，占收入比重从 48% 降至 26%。

4. 亏损与现金

a. IFRS 净亏损同比收窄 11% 至约 4 亿美元。

b. 加回股权激励、金融负债公允价值损失与上市费用后，调整后净亏损约 2.9 亿美元，去年同期约 1.39 亿美元，同比扩大 112%——与 IFRS 口径的收窄方向相反。

c. 7 月完成一笔配售以增强现金储备与财务弹性；期末现金及现金等价物合计超过 30 亿美元。

二、财报电话会详细内容

2.1 高管陈述核心信息

1. 业务进展与运营指标

a. 今年以来持续升级 M2 系列，并发布了 M3、H3 等模型。随着模型智能与推理吞吐提升，业务整体快速增长。

b. 7 月 token 用量达到 1 月的 20 倍，收入相比 1 月增长 81.8%；8 月 ARR 增至 8 亿美元。

2. 战略定位：最小化单位智能成本

a. LLM 带来的智能提升几乎没有天花板。去年下半年以来 coding 与 agent 能力开始实用化，模型正走向以更强自主性与创造力完成长程任务。但能源与算力是有限的。

b. 愿景是 Intelligence with Everyone——通过最小化成本、最大化智能来实现（海豚君所说的多模态 + 极致性价比策略）。管理层强调这不只是提供性价比服务，更是规模化走向更高级智能所必需的核心能力。

3. 预训练与架构效率

a. 在大参数架构上探索两个极端：一是稀疏端，激活比例控制在 2% 以内仍能保持良好收敛；二是 dense 与 sparse attention 的结合。

b. 推出 MiniMax sparse attention，在保持训练稳定性的同时降低长上下文处理的算力需求。

c. 在研旗舰模型设计了新的 MSAR 架构，进一步降低 KV cache 显存需求，提升 pre-fill 阶段 cache 命中率并支持更大 batch size，提高算力利用率。

d. 在最大参数规模上，算力效率相比第一代提升 3 倍，在更长上下文数据上优势更大。

4. 基础设施与全栈能力

a. 公司是中国最早建立可规模化、稳定、长期基础设施的独立基础模型公司之一，也是最早锁定长期基础设施的两家之一；自建训练基础设施 ETTR 达 97%，为行业最高水平。

b. 通过内存、SSD 与网络的协同设计，显著提升 KV Cache 命中率、大幅降低 pre-fill 成本。

c. 多模态推理集群含大量 CPU 资源，可支撑后训练所需的 CPU 沙箱与异构调度；在线推理流量的峰谷特征也为小规模验证实验与 RL rollout 让出容量。

d. 基于全栈能力，管理层认为单位资本可实现的后训练规模仍有靠推理效率至少提升 3 倍的空间，同时可支撑更高毛利率。

5. 多模态与自我复盘

a. 与多数 LLM 公司不同，公司的模型从一开始就原生处理多模态信息，因为视觉理解与生成是生产力的重要组成；多模态生成也是 coding 之外的另一个重要 AGI 市场。

b. H3 是把语言模型与视觉生成整合的首次实践，不只是把语言模型当 encoder 用，而是用它做细粒度上下文理解，实现对参考输入的综合利用与细粒度生成。

c. H3 的性能突破、开源策略与性价比改变了此前由大厂闭源模型主导的格局。开源三周内下载量超 2,400 万次，官方托管服务用量同步大幅增长，社区反响远超公司预期。

d. 管理层明确表示，M3 研发过程中公司在判断与执行上存在不足；任何单一模型版本的领先都不保证持续领先，公司要的是持续定义与修正技术路线。

2.2 Q&A 问答

Q：公司判断智能水平仍有提升空间的依据是什么？除 coding 之外还有哪些场景会成为规模的主要驱动？

A：技术上长程任务能力可验证即可交付，coding 仍未做到端到端。 过去几个月衡量模型智能的标准是能否处理长程任务——一个任务通常需要数百轮工具调用与架构验证。内外部实验都表明，只要一项能力可被评估或验证，模型就能有效交付，这部分高度确定。

关键变量是能否把这些任务抽象成特定环境、让模型学习并获得处理它们的能力。在充分预训练的基础上，用 SFT 与 RL 能取得更好表现，RL 中用高质量数据可获得更强能力。可预见的未来，RL 的规模将决定各家迭代模型的速度，公司已在此投入大量资源。

市场端，coding 最受追捧但仍有提升空间——目前还停留在代码补全与生成层面，尚未实现端到端交付。泛 coding 中网络安全是明显例子：模型 coding 能力足够强时，在提升网络安全上能表现出指数级能力。

只要能建立闭环并做出口碑，模型就会被用到芯片设计等垂直领域，未来几个月还会出现更多类似场景。

Q：token 消耗与 ARR 的增长来源能否拆解——新用户、存量放量还是产品多元化？按地区能否给颜色？

A：新用户与单用户消耗双升，B 端占 ARR 80%、海外约 60%。 token 消耗爆发来自两点：agentic 相关消耗，以及 M3 原生能力带动的 API 增长，M3 计算效率更快，两者叠加推高消耗。

ARR 增长主要来自模型能力改善：

a. 企业用户已超 200 万户、为去年同期的 10 倍，老用户在解锁办公等新场景。

b. 消耗结构也在从"人对模型"转向"模型对 agent"，agent 的多轮请求与工具调用增速显著快于人机交互，单用户消耗快速增长。

8 月 ARR 中 B 端占 80%、去年同期约 30%；上半年海外收入占比约 60%。管理层判断"模型即产品"，无论 2B 还是 2C，客户付费买的都是模型能力。

模态上，H3 发布后多模态显著提升，文本模型也靠性价比增长，越来越多用户同时使用两类模型；6 至 8 月两者共同贡献 ARR 增长。下半年主要驱动仍是能力提升与更高推理效率。

Q：同行有的涨价、有的降价，公司如何解释"降低推理成本"不只是商业策略，也是提升模型智能水平的手段？

A：推理本身就是生产智能，推理效率决定 scaling law 的上限。 预训练阶段参数越来越大、scaling 持续见效；而后训练中推理占比越来越大。

后训练严重依赖合成数据、agentic 环境配置与采样，RL 涉及大量 rollout，还有大量实验、不确定性与非常精确的评测，其中相当大比例的算力都是推理负载。

因此推理效率是决定 scaling law 上限的关键：同等条件下推理效率越高，能从后训练中榨出的红利就越多。推理效率也不只等于成本，还包括单位时间内能跑多少轮推理、多少次实验与评测。

对外它体现为定价能力，对内它决定模型的迭代速度。这也是公司认为下一代模型的竞争优势所在。

Q：M3.1 与 M3 Pro 的时间表与发布节奏如何？在 coding agent、长程任务上，哪些场景能让市场验证公司的产品？

A：未给两款模型的发布时间表；M3 Pro 为 3 万亿参数。 管理层强调模型发布只是一方面，关键是能否积累可复用的基础设施——算力、数据与评测框架、推理基础设施，以及全供应链深度优化和基础设施与算法的跨团队协同。

公司承认 M3 研发中遇到了挑战，评测侧的基础设施做得不好，这也是投入大量精力重构基础设施的原因。随着这些基础设施成熟，管理层对下一代产品的进展有信心。

M3.1 的定位是把底层基础设施打平、形成闭环，从稳定性、泛化性等维度对基础设施做全面评估；若能达到预期结果就算达成目标。

M3 Pro 拥有 3 万亿参数，在规模、训练效率与后训练的每一步都在追求 scaling law 的上限，除规模外还在架构上创新并同时提升推理效率与速度。

具体幅度仍在评估，但管理层确信 M3 Pro 会在同类产品中领先。H3 借开源社区支持获得大量采用，下一代还会把能力再抬一档。

Q：公司为 M3 及未来模型储备的算力是否充足？训练与推理如何拆分？国产芯片的兼容性如何？

A：算力足以支撑既定管线，四季度国产芯片占比将提升。 凭借自建经验，公司正在为未来迭代储备更多算力；3 万亿参数模型与视频生成模型算力充足。算力来源分三类：自有、hyperscaler、token factory，已搭起完整算力网络。

自有算力用于旗舰模型训练：大规模集群需连续运行、对软硬件协同效率要求高，需配套建设高带宽网络与专网，这些投入会反映在财务上。上半年已取得明显进展，为后续快速迭代打下基础。

推理负载主要导向 hyperscaler；同时与 token factory 合作作为替代来源，按实际 token 需求增加供给、承接峰值，既保证服务质量也帮 token factory 扩大业务规模。

不同模型在不同阶段需求动态变化，内部资源协调是公司独有能力。当前文本处于关键阶段，训练负载显著大于视频生成模型，大语言模型也为其他多模态产品提供基础。

公司已在使用部分国产芯片，四季度占比将提升。

Q：在 token 价格持续下行的背景下，毛利率的显著改善如何持续？

A：单位算力吞吐已提升 3 倍，降价与提毛利并不矛盾。 毛利改善来自供应链、管理与经营杠杆等多方面的合力，仍有显著提升空间。

第一也是最重要的是算力资源优化，单位算力吞吐提升了 3 倍，降价抵消了其中一部分收益，但改善依然显著。

第二是训练与推理的算力协调：夜间推理请求显著减少时把算力导向评测与算法验证，拉高整体利用率，自建基础设施带来更大调度灵活性。

第三是供应链，随着自建规模扩大仍有优化空间。

管理层明确认为降价与提毛利率不冲突：成本下降后降低产品价格、以更大供给让更多用户用上，规模上来后毛利率还能进一步改善，只要形成正循环，规模越大、毛利率提升空间越大。

业务结构上，多模态与音频生成模型毛利率更高；文本模型正快速贡献收入增长，随着算力集群继续优化将成为拉动毛利率的关键。

下半年继续改善，2026 年之后还会进一步改善。

Q：H3 的发布与开源——管理层如何验证多模态这条路径？开源会否削弱定价与商业化竞争力？

A：H3 口碑印证多模态决策，开源被视为增强而非削弱变现能力。 过去很长一段时间，公司反复被投资者问是否要做多模态，H3 的口碑证明了这个决定。

选择开源的原因是多模态与生产力密切相关，发布 H3 时的目标就是改变此前由闭源、高定价模型主导的行业格局；和语言模型一样，公司相信良性循环的特征是开放。

管理层同时认为仍处非常早期：社区热情高涨、H3 表现不错，但在可靠性、输出质量与来源可靠性上还需改进，要靠每一次迭代推动行业前进。开源会增强公司变现这些能力的空间，H3 是很好的起点。

Q：在同时推进文本与多模态模型时，资源投入如何平衡？

A：不把文本与多模态放在互相竞争的位置，两者协同推进。 管理层称二者在底层相互增强，公司追求协同发展以创造更大合力，目标是把生产力工具做好并让更多用户用上。

关于文本与视频生成的关系，管理层判断未来会出现更多前沿领域，例如芯片设计与药物研发，可以用多种模态的输入做融合，这条路径已被证明可行。

预计四季度或明年一季度会出现更多新机会，文本与视频生成、文本与多模态之间的融合会进一步加深。

Q：竞争格局正在加剧，管理层怎么看？

A：认为不是零和竞争、行业仍在起点，关键变量是迭代速度。 未给出份额或竞对的量化对比，仅定性表述：往后看三到六个月，实际能服务的智能仍处早期，任何能持续推动技术前沿的公司都能把整体市场做大、生态参与者都受益。

Q：长期定义 MiniMax 竞争力的核心护城河是什么？

A：关键不是算力规模，而是能否独立定义问题并选择有效路径。 架构、算力、RL、评测都有很多选择，不同公司有不同的攻坚路径，因此会看到各家给出差异很大的解法。

在提升智能的同时提供最佳性价比，对公司而言不只是定价策略，更是一项技术战略。AI 提升生产力之后，评估模型仍要看它处理日常任务的实际表现，实践已经证明用户会为表现更好的模型付费。

管理层认为不需要把竞争定位成初创公司 vs 大厂，关键在于谁能达到更高的智能水平、降低单位智能成本、并提升转化效率。

<正文结束>

本文的风险披露与声明：海豚研究免责声明及一般披露