MiniMax（紀要）：ARR 超 8 億美元，M3 覆盤認錯

以下為海豚君整理的 $MINIMAX-W(00100.HK) FY26 中期的財報電話會紀要，財報解讀請移步《悲觀過頭，MiniMax 沒有那麼慘》。

一、財報核心信息回顧

1. 前瞻口徑（本場未給正式收入指引，僅有以下前瞻表述）

a. 下半年毛利率將繼續改善，2026 年之後還會進一步改善。

b. 四季度國產芯片在各模型中的使用佔比將提升，管理層認為國產芯片可降低單 token 成本。

c. 隨着 H 系列與 M 系列技術管線成熟，新模型的發佈週期將顯著縮短。

2. 收入與結構：上半年收入 1.12 億美元、同比增長 283%，已相當於 2025 年全年收入的 1.5 倍。

a. 開放平台及其他 AI 企業服務收入約 7,400 萬美元、同比增長 703%，佔總收入比重從去年同期的 30% 升至 63%，驅動來自付費用户與企業客户增長、API 用量提升以及 token 套餐的快速普及。

b. AI 原生產品收入約 4,300 萬美元、同比增長 101%。海外市場貢獻總收入的 60% 以上。

3. 毛利與費用

a. 毛利 2,100 萬美元、同比增長 465%；毛利率提升 5.8 個百分點，從 12.1% 升至 17.9%。

b. 研發費用約 3 億美元、同比增長 138%，主要投向基礎模型；管理層強調研發費用增速顯著低於 283% 的收入增速。

c. 銷售及分銷費用約 3,000 萬美元、同比下降 18%，因堅持自然用户增長、促銷投放減少。管理費用 3,000 萬美元、同比增長 104%，佔收入比重從 48% 降至 26%。

4. 虧損與現金

a. IFRS 淨虧損同比收窄 11% 至約 4 億美元。

b. 加回股權激勵、金融負債公允價值損失與上市費用後，調整後淨虧損約 2.9 億美元，去年同期約 1.39 億美元，同比擴大 112%——與 IFRS 口徑的收窄方向相反。

c. 7 月完成一筆配售以增強現金儲備與財務彈性；期末現金及現金等價物合計超過 30 億美元。

二、財報電話會詳細內容

2.1 高管陳述核心信息

1. 業務進展與運營指標

a. 今年以來持續升級 M2 系列，併發布了 M3、H3 等模型。隨着模型智能與推理吞吐提升，業務整體快速增長。

b. 7 月 token 用量達到 1 月的 20 倍，收入相比 1 月增長 81.8%；8 月 ARR 增至 8 億美元。

2. 戰略定位：最小化單位智能成本

a. LLM 帶來的智能提升幾乎沒有天花板。去年下半年以來 coding 與 agent 能力開始實用化，模型正走向以更強自主性與創造力完成長程任務。但能源與算力是有限的。

b. 願景是 Intelligence with Everyone——通過最小化成本、最大化智能來實現（海豚君所説的多模態 + 極致性價比策略）。管理層強調這不只是提供性價比服務，更是規模化走向更高級智能所必需的核心能力。

3. 預訓練與架構效率

a. 在大參數架構上探索兩個極端：一是稀疏端，激活比例控制在 2% 以內仍能保持良好收斂；二是 dense 與 sparse attention 的結合。

b. 推出 MiniMax sparse attention，在保持訓練穩定性的同時降低長上下文處理的算力需求。

c. 在研旗艦模型設計了新的 MSAR 架構，進一步降低 KV cache 顯存需求，提升 pre-fill 階段 cache 命中率並支持更大 batch size，提高算力利用率。

d. 在最大參數規模上，算力效率相比第一代提升 3 倍，在更長上下文數據上優勢更大。

4. 基礎設施與全棧能力

a. 公司是中國最早建立可規模化、穩定、長期基礎設施的獨立基礎模型公司之一，也是最早鎖定長期基礎設施的兩家之一；自建訓練基礎設施 ETTR 達 97%，為行業最高水平。

b. 通過內存、SSD 與網絡的協同設計，顯著提升 KV Cache 命中率、大幅降低 pre-fill 成本。

c. 多模態推理集羣含大量 CPU 資源，可支撐後訓練所需的 CPU 沙箱與異構調度；在線推理流量的峯谷特徵也為小規模驗證實驗與 RL rollout 讓出容量。

d. 基於全棧能力，管理層認為單位資本可實現的後訓練規模仍有靠推理效率至少提升 3 倍的空間，同時可支撐更高毛利率。

5. 多模態與自我覆盤

a. 與多數 LLM 公司不同，公司的模型從一開始就原生處理多模態信息，因為視覺理解與生成是生產力的重要組成；多模態生成也是 coding 之外的另一個重要 AGI 市場。

b. H3 是把語言模型與視覺生成整合的首次實踐，不只是把語言模型當 encoder 用，而是用它做細粒度上下文理解，實現對參考輸入的綜合利用與細粒度生成。

c. H3 的性能突破、開源策略與性價比改變了此前由大廠閉源模型主導的格局。開源三週內下載量超 2,400 萬次，官方託管服務用量同步大幅增長，社區反響遠超公司預期。

d. 管理層明確表示，M3 研發過程中公司在判斷與執行上存在不足；任何單一模型版本的領先都不保證持續領先，公司要的是持續定義與修正技術路線。

2.2 Q&A 問答

Q：公司判斷智能水平仍有提升空間的依據是什麼？除 coding 之外還有哪些場景會成為規模的主要驅動？

A：技術上長程任務能力可驗證即可交付，coding 仍未做到端到端。 過去幾個月衡量模型智能的標準是能否處理長程任務——一個任務通常需要數百輪工具調用與架構驗證。內外部實驗都表明，只要一項能力可被評估或驗證，模型就能有效交付，這部分高度確定。

關鍵變量是能否把這些任務抽象成特定環境、讓模型學習並獲得處理它們的能力。在充分預訓練的基礎上，用 SFT 與 RL 能取得更好表現，RL 中用高質量數據可獲得更強能力。可預見的未來，RL 的規模將決定各家迭代模型的速度，公司已在此投入大量資源。

市場端，coding 最受追捧但仍有提升空間——目前還停留在代碼補全與生成層面，尚未實現端到端交付。泛 coding 中網絡安全是明顯例子：模型 coding 能力足夠強時，在提升網絡安全上能表現出指數級能力。

只要能建立閉環並做出口碑，模型就會被用到芯片設計等垂直領域，未來幾個月還會出現更多類似場景。

Q：token 消耗與 ARR 的增長來源能否拆解——新用户、存量放量還是產品多元化？按地區能否給顏色？

A：新用户與單用户消耗雙升，B 端佔 ARR 80%、海外約 60%。 token 消耗爆發來自兩點：agentic 相關消耗，以及 M3 原生能力帶動的 API 增長，M3 計算效率更快，兩者疊加推高消耗。

ARR 增長主要來自模型能力改善：

a. 企業用户已超 200 萬户、為去年同期的 10 倍，老用户在解鎖辦公等新場景。

b. 消耗結構也在從"人對模型"轉向"模型對 agent"，agent 的多輪請求與工具調用增速顯著快於人機交互，單用户消耗快速增長。

8 月 ARR 中 B 端佔 80%、去年同期約 30%；上半年海外收入佔比約 60%。管理層判斷"模型即產品"，無論 2B 還是 2C，客户付費買的都是模型能力。

模態上，H3 發佈後多模態顯著提升，文本模型也靠性價比增長，越來越多用户同時使用兩類模型；6 至 8 月兩者共同貢獻 ARR 增長。下半年主要驅動仍是能力提升與更高推理效率。

Q：同行有的漲價、有的降價，公司如何解釋"降低推理成本"不只是商業策略，也是提升模型智能水平的手段？

A：推理本身就是生產智能，推理效率決定 scaling law 的上限。 預訓練階段參數越來越大、scaling 持續見效；而後訓練中推理佔比越來越大。

後訓練嚴重依賴合成數據、agentic 環境配置與採樣，RL 涉及大量 rollout，還有大量實驗、不確定性與非常精確的評測，其中相當大比例的算力都是推理負載。

因此推理效率是決定 scaling law 上限的關鍵：同等條件下推理效率越高，能從後訓練中榨出的紅利就越多。推理效率也不只等於成本，還包括單位時間內能跑多少輪推理、多少次實驗與評測。

對外它體現為定價能力，對內它決定模型的迭代速度。這也是公司認為下一代模型的競爭優勢所在。

Q：M3.1 與 M3 Pro 的時間表與發佈節奏如何？在 coding agent、長程任務上，哪些場景能讓市場驗證公司的產品？

A：未給兩款模型的發佈時間表；M3 Pro 為 3 萬億參數。 管理層強調模型發佈只是一方面，關鍵是能否積累可複用的基礎設施——算力、數據與評測框架、推理基礎設施，以及全供應鏈深度優化和基礎設施與算法的跨團隊協同。

公司承認 M3 研發中遇到了挑戰，評測側的基礎設施做得不好，這也是投入大量精力重構基礎設施的原因。隨着這些基礎設施成熟，管理層對下一代產品的進展有信心。

M3.1 的定位是把底層基礎設施打平、形成閉環，從穩定性、泛化性等維度對基礎設施做全面評估；若能達到預期結果就算達成目標。

M3 Pro 擁有 3 萬億參數，在規模、訓練效率與後訓練的每一步都在追求 scaling law 的上限，除規模外還在架構上創新並同時提升推理效率與速度。

具體幅度仍在評估，但管理層確信 M3 Pro 會在同類產品中領先。H3 借開源社區支持獲得大量採用，下一代還會把能力再抬一檔。

Q：公司為 M3 及未來模型儲備的算力是否充足？訓練與推理如何拆分？國產芯片的兼容性如何？

A：算力足以支撐既定管線，四季度國產芯片佔比將提升。 憑藉自建經驗，公司正在為未來迭代儲備更多算力；3 萬億參數模型與視頻生成模型算力充足。算力來源分三類：自有、hyperscaler、token factory，已搭起完整算力網絡。

自有算力用於旗艦模型訓練：大規模集羣需連續運行、對軟硬件協同效率要求高，需配套建設高帶寬網絡與專網，這些投入會反映在財務上。上半年已取得明顯進展，為後續快速迭代打下基礎。

推理負載主要導向 hyperscaler；同時與 token factory 合作作為替代來源，按實際 token 需求增加供給、承接峯值，既保證服務質量也幫 token factory 擴大業務規模。

不同模型在不同階段需求動態變化，內部資源協調是公司獨有能力。當前文本處於關鍵階段，訓練負載顯著大於視頻生成模型，大語言模型也為其他多模態產品提供基礎。

公司已在使用部分國產芯片，四季度佔比將提升。

Q：在 token 價格持續下行的背景下，毛利率的顯著改善如何持續？

A：單位算力吞吐已提升 3 倍，降價與提毛利並不矛盾。 毛利改善來自供應鏈、管理與經營槓桿等多方面的合力，仍有顯著提升空間。

第一也是最重要的是算力資源優化，單位算力吞吐提升了 3 倍，降價抵消了其中一部分收益，但改善依然顯著。

第二是訓練與推理的算力協調：夜間推理請求顯著減少時把算力導向評測與算法驗證，拉高整體利用率，自建基礎設施帶來更大調度靈活性。

第三是供應鏈，隨着自建規模擴大仍有優化空間。

管理層明確認為降價與提毛利率不衝突：成本下降後降低產品價格、以更大供給讓更多用户用上，規模上來後毛利率還能進一步改善，只要形成正循環，規模越大、毛利率提升空間越大。

業務結構上，多模態與音頻生成模型毛利率更高；文本模型正快速貢獻收入增長，隨着算力集羣繼續優化將成為拉動毛利率的關鍵。

下半年繼續改善，2026 年之後還會進一步改善。

Q：H3 的發佈與開源——管理層如何驗證多模態這條路徑？開源會否削弱定價與商業化競爭力？

A：H3 口碑印證多模態決策，開源被視為增強而非削弱變現能力。 過去很長一段時間，公司反覆被投資者問是否要做多模態，H3 的口碑證明了這個決定。

選擇開源的原因是多模態與生產力密切相關，發佈 H3 時的目標就是改變此前由閉源、高定價模型主導的行業格局；和語言模型一樣，公司相信良性循環的特徵是開放。

管理層同時認為仍處非常早期：社區熱情高漲、H3 表現不錯，但在可靠性、輸出質量與來源可靠性上還需改進，要靠每一次迭代推動行業前進。開源會增強公司變現這些能力的空間，H3 是很好的起點。

Q：在同時推進文本與多模態模型時，資源投入如何平衡？

A：不把文本與多模態放在互相競爭的位置，兩者協同推進。 管理層稱二者在底層相互增強，公司追求協同發展以創造更大合力，目標是把生產力工具做好並讓更多用户用上。

關於文本與視頻生成的關係，管理層判斷未來會出現更多前沿領域，例如芯片設計與藥物研發，可以用多種模態的輸入做融合，這條路徑已被證明可行。

預計四季度或明年一季度會出現更多新機會，文本與視頻生成、文本與多模態之間的融合會進一步加深。

Q：競爭格局正在加劇，管理層怎麼看？

A：認為不是零和競爭、行業仍在起點，關鍵變量是迭代速度。 未給出份額或競對的量化對比，僅定性表述：往後看三到六個月，實際能服務的智能仍處早期，任何能持續推動技術前沿的公司都能把整體市場做大、生態參與者都受益。

Q：長期定義 MiniMax 競爭力的核心護城河是什麼？

A：關鍵不是算力規模，而是能否獨立定義問題並選擇有效路徑。 架構、算力、RL、評測都有很多選擇，不同公司有不同的攻堅路徑，因此會看到各家給出差異很大的解法。

在提升智能的同時提供最佳性價比，對公司而言不只是定價策略，更是一項技術戰略。AI 提升生產力之後，評估模型仍要看它處理日常任務的實際表現，實踐已經證明用户會為表現更好的模型付費。

管理層認為不需要把競爭定位成初創公司 vs 大廠，關鍵在於誰能達到更高的智能水平、降低單位智能成本、並提升轉化效率。

<正文結束>

本文的風險披露與聲明：海豚研究免責聲明及一般披露