不等超級應用了，MiniMax改賣Token
MiniMax一度是中國大模型創業公司中最堅定押注C端應用的一家，從「星野」到「海螺AI」，都展現出它想打造下一個「超級應用」的野心。但如今，這家公司的商業重心顯然出現了位移：比起在應用層面死磕一款全民級產品，MiniMax更急著把底層模型能力打包成API服務，直接以Token計費賣給開發者與企業客戶。換句話說，MiniMax正在調整自己的身段，從「想做超級應用的公司」變成「靠模型算力賺錢的供應商」。過去一年，中國大模型市場的競爭焦點快速從模型本身轉向應用落地，但應用市場的變現效率遠不如預期。
與其燒錢等待一個不知道何時會出現的殺手級應用，不如把模型當成標準化資源銷售，Token就是這門生意的計價單位。MiniMax開放平台這幾季的動作明顯加快，不只持續更新旗下abab系列模型，也積極調整API定價策略，希望透過更低的價格吸引開發者把模型接入自己的產品。這種路徑與其說是放棄應用，更像是在規模化商業收入和產品理想之間，先選擇一條能活下去的路。對MiniMax而言，賣Token的好處在於收入結構更接近雲端運算模式，開發者每次呼叫API都會帶來實質營收，這比等待C端用戶養成付費習慣來得更直接。尤其在大廠以超低價格橫掃市場的此刻，創業公司若只靠自營應用對抗字節、騰訊的資源碾壓，壓力無疑巨大。
轉向Token生意，等於把自己放進更廣闊的生態位裡，讓所有需要模型能力的開發者都成為潛在客戶。當然，這條路並非沒有代價。Token市場本身已是紅海，價格戰只會愈打愈烈，MiniMax若無法在模型品質或服務體驗上建立差異化，很容易陷入被大廠牽著走的被動局面。但不論如何，從追逐超級應用到專注販售Token，MiniMax已經用實際行動表明，它對商業變現的理解比以往更務實了一點。
Related
相關文章
Mistral AI Releases Timestral: A 209M Forecasting Model Family That Outperforms Google’s TimesFM-3
Mistral AI has released Timestral, its first family of time series foundation models. Timestral is a set of 4 zero-shot forecasting models from Mistral AI, sized from 5M to 209M parameters.
Google 開源 Harness²：遞迴代理程式框架，無需新模型也能提升效能
Google Cloud AI Research 開源了 Harness²，這是一個遞迴代理程式框架，透過改良凍結模型周圍的程式碼與檔案來增強效能。對開發者而言，重點很簡單：你的代理程式無需更強大的模型也能進步。重點摘要：規模為框架而非模型，訓練參數為0，包含8個可編輯的框架元件，版本0.1.0。執行環境為Linux、Python 3.12或3.13搭配uv，模型呼叫則透過Vertex AI。GPU需求未公開。效能方面：一次改良步驟即可在3個基準測試中，提升所有4個模型與框架組合的表現。最佳成果：GLM-5搭配OpenCode在WorkBuddy-Bench上從64.2提升至75.7（+11.5點）；最差表現：GLM-5搭配Codex在JobBench上僅提升1.2點（23.6至24.8）。什麼是Harness²？它是Google研究推出的即插即用框架。
如何利用NVIDIA結構化資料模型進行零訓練表格預測
In this tutorial, we implement Structured Data Models, NVIDIA’s new library that puts several pretrained foundation models for tables behind one PyTorch interface, and use it to make predictions without training.
認識 Kyutai REKI：2.4B VLA 模型為機器人操控帶來高效記憶
Kyutai 與 Inria 及 École des Ponts 合作，推出了 REKI——一個用於機器人操控的 2.4B 參數視覺-語言-動作模型（VLA）。該模型僅使用公開數據進行預訓練，並配備了輕量級的近期記憶功能。在三個分佈外基準測試中，僅有規模約為其兩倍的模型能超越它。所有模型權重已於今日在 Hugging Face 上公開。核心資訊：規模：2.4B 參數（2.2B Qwen3.5-2B VLM + 0.2B 流匹配動作專家）。記憶涵蓋最近 3 幀，間隔 1 秒。運行環境：在 1 張 NVIDIA H100 上進行基準測試。從兩個 256×256 攝像頭輸入，編譯後每個動作區塊耗時 21.8 毫秒。權重以 BF16 格式提供，暫無量化版本。性能：在 LIBERO-Plus 和 RoboTwin Clean2Rand 基準測試中，為公開數據預訓練的 VLA 模型中最優；在 LIBERO-Plus 上達到 90.4% 的最高分。
DeepSeek 發布 V4.1-Flash-1017，DeepSWE 得分 77.0，並開放搜尋 API
DeepSeek 剛發布 DeepSeek-V4.1-Flash-1017，這是其 V4.1-Flash 模型的新檢查點，現已在 DeepSeek 網站、應用程式及 API 上線。DeepSeek 宣稱該版本在性能、任務完成速度與輸出簡潔度上均優於 9 月發布的 V4.1-Flash，並稱之為性能與成本的帕累託改進。同時，DeepSeek 也向所有開發者開放了搜尋與擷取 API。對代理建構者而言，這意味著更便宜的編碼模型加上單一 API 金鑰即可使用的第一方網路層。重點摘要：骨架參數 552B，另加 196B 的 Engram 參數；預填充階段每 token 啟用 8B 參數，解碼階段啟用 16B 參數；上下文長度達 1M tokens，最大輸出 384K tokens。運行於 DeepSeek API 的 deepseek-flash 模型。9 月版的 V4.1-Flash 權重（763B 參數，FP8）採 MIT 授權。
2026年20款Jev替代方案：挑戰TypeSafe的決策模型
TypeSafe於2026年9月15日推出Jev，這是一款決策模型而非聊天機器人。使用者可定義允許的答案，Jev將回傳標籤、分數或是否的機率。約4週內，至少20款Jev替代方案相繼問世，來自Cloudflare、OpenAI、Perplexity、Liquid AI、AWS的Strands Labs及獨立開發者。本指南比較各方案在規模、授權、硬體、價格、Jev API相容性及已發布基準測試的表現。重點摘要：規模範圍從287M（GLiNER2.5-multi-Decide）到35B-A3B（Mapika Decider），Jev規模未公開。執行環境：Von和Laya等編碼器可在CPU上運行，4B適配器適用24 GB GPU或32 GB Mac。效能：多數開源模型在困難推理上落後Jev，但在狹窄分類任務上數款與之匹敵或超越。最佳表現：Cloudflare Clef在BANKING7取得94.20分。