MiniMax開始靠別人賺錢
MiniMax近期在商業模式上出現明顯轉變，這家以自研產品起家的AI公司，如今似乎找到了一條比自己做產品更賺錢的路徑。根據市場訊息，MiniMax已經開始透過服務他人來獲取收益，而且這條新路線的盈利能力明顯優於過去單純投入產品開發的模式。換句話說，公司正在從「自己賣產品」轉向「讓別人幫它賺錢」的階段。過去幾年，MiniMax在AI領域的布局主要圍繞著自研產品展開，從底層模型到面向消費者的應用，公司投入了大量資源，試圖打造屬於自己的產品生態系。然而，AI產品從研發到落地，中間涉及高昂的運算成本、營運開銷以及市場推廣費用，尤其在大模型競爭日益激烈的背景下，單靠自有產品要實現穩定獲利並不容易。
這樣的情況並非MiniMax獨有，整個AI產業都面臨著變現路徑的考驗。如今MiniMax的選擇，顯然是對這道考題給出了不同於以往的答案。這項轉變意味著MiniMax不再只把資源押注在面向消費者的應用上，而是更積極地將自身技術能力輸出給外部合作夥伴，透過授權、技術服務或其他B端合作方式變現。這種做法讓公司不必承擔終端產品的高昂營運與推廣成本，卻能更穩定地獲得收入，也解釋了為何這條路會比自己做產品更划算。從商業邏輯來看，這種模式的好處在於將技術能力轉化為可重複銷售的服務，而非一次性投入的產品開發。當技術能力成為一種服務，客戶的多元需求就能為公司帶來持續性的收益來源，同時也分散了單一產品成敗的風險。
對於投資人而言，這種轉變或許也釋放出一個訊號：MiniMax正在尋求更務實、更具財務可持續性的成長路徑。值得注意的是，這種轉變並非放棄技術深耕，而是改變技術變現的方式。MiniMax在模型訓練與AI能力上的積累，依然是其最核心的資產，只是過去這些能力主要體現在自有產品中，現在則更進一步開放給外部夥伴使用。這種「能力輸出」的策略，讓MiniMax可以在不直接面對終端消費者的情況下，依然維持技術影響力與商業回報。對外界而言，MiniMax的選擇反映出AI產業獲利模式正在分化：有些公司堅持打造爆款產品，有些則選擇成為技術供應商，讓別人站在前台，自己在後端賺錢。
這兩種路線各有其挑戰與機會，前者需要持續投入大量資源進行產品迭代與市場教育，後者則需要建立穩固的技術壁壘與合作夥伴網絡。MiniMax顯然傾向後者，而這一步是否能讓它站穩獲利基礎，值得持續觀察。從產業角度來看，這種分化其實是市場逐漸成熟的跡象。早期AI公司多半以「技術顛覆者」的姿態出現，強調自有產品將改變人們的生活與工作方式。然而，隨著產業進入更深層的競爭階段，愈來愈多公司開始意識到，並非所有技術都得走到前台，有時候在幕後提供服務，反而能創造更穩健的商業價值。MiniMax的選擇，正是這種產業趨勢下的一個具體案例。當然，轉向B端服務也並非沒有挑戰。
技術授權與服務合作需要更深入的客戶需求理解，也需要建立與產品開發截然不同的組織能力，包括售前支援、解決方案設計、客戶成功管理等。此外，B端市場的決策週期通常較長，收入雖然穩定，但成長速度可能不如消費級產品爆發力強。MiniMax能否在這些環節上建立起足夠的競爭力，將決定這條新路線的長期成效。回顧MiniMax的發展歷程，從早期備受矚目的自研產品，到如今積極拓展外部合作，這家公司的策略轉向，某種程度上也反映了AI新創在資本市場與商業現實之間的權衡。在融資環境趨於理性、投資人愈加重視獲利能力的時代，單純講述技術故事已經不夠，如何證明技術能轉化為實際收入，成為每一家AI公司都必須面對的課題。
MiniMax選擇了一條相對低調但更務實的道路。透過服務他人來賺錢，意味著公司願意退居幕後，以技術供應商的角色參與市場競爭。這樣的做法雖然不像消費級產品那樣引人注目，卻可能在財務報表上呈現出更健康的數字。對於一家正處於商業化關鍵階段的AI公司來說，這樣的選擇或許正是當前環境下最合理的策略。未來，MiniMax能否在B端市場站穩腳步，端看其技術能力能否持續滿足外部合作夥伴的需求，以及能否在服務過程中建立起難以取代的價值。AI產業的獲利模式仍在演變，MiniMax的嘗試，無疑為這個產業提供了一個值得參考的樣本。
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。