大模型到底能不能在企业级市场赚到真金白银？
作者 | 徐长卿
编辑 | 马景行
来源 | 野马财经
过去一个季度，MiniMax 承压不少。
市场对独立大模型公司的商业化前景疑虑重重，对算力成本和巨头挤压的担忧从未消散。唱空的声音不少，有人质疑烧钱换增长的模式难以持续，有人担心 B 端市场根本撑不起独立模型公司的估值。但这家公司交出的中期答卷，意外地争气。
财报显示，2026 年上半年，MiniMax 收入 1.2 亿美元，同比增长 283%，仅半年即达去年全年收入的 1.5 倍。B 端开放平台收入同比暴增 703%，占比从去年同期的约三成跃升至六成以上。进入 8 月，ARR 进一步突破 8 亿美元，B 端贡献已占八成。7 月 Token 消耗量达到 1 月的 20 倍，业绩曲线呈现出陡峭的加速度。
一家曾被市场贴上" C 端应用公司"标签的 AI 企业，正在完成一场安静而坚决的身份切换。与此同时，在算力昂贵、巨头环伺的 AI 竞赛中，MiniMax 亮出了另一张牌，即" Minimize the Cost, Maximize the Intelligence "（最小化成本，最大化智能）。这并非一句商业口号，而是一条试图用极致效率撬动更高智能的技术路线。
01 B 端上位MiniMax 撕掉了旧标签
外界对 MiniMax 的刻板印象，大多来自其 C 端产品的声量。此前市场习惯于将这家公司与消费级应用画上等号，讨论它的用户增长、留存率和产品体验。但最新的财务数据彻底改写了这个认知。
公司上半年 B 端开放平台收入同比大幅增长 703%。而按照业绩会披露的 8 月实时运行 ARR 指标，B 端占比已经来到八成，企业与开发者客户突破 200 万，较去年底增长 9 倍。需要厘清的是，C 端业务并没有萎缩，上半年收入同样实现翻倍。B 端占比快速走高，不是 C 端拖了后腿，而是 B 端跑出了爆发式的增长。
两股力量共同推动了这个变化。
在量的层面，M3 等模型在代码生成和 Agent 任务中的实用价值已被企业集中验证。企业不再满足于试用和测试，而是开始规模化部署。代码辅助、自动化测试、文档生成等场景正在被大模型深刻改变，企业愿意为此支付真金白银。
在质的层面，Agent 驱动的多轮自动化工作流正在放大单用户的 Token 消耗。企业将模型嵌入越来越复杂的业务逻辑中，一次任务被拆解为多轮模型请求、工具调用和子 Agent 任务。由 Agent 带来的推理需求增速已快于用户数和消息数的增速，这才是 B 端收入"加速度"的真正内核。
更深一层看，B 端收入占比的提升意味着 MiniMax 的商业模式正在从流量变现转向价值交付。C 端产品的收入逻辑更多依赖于用户规模和广告变现，而 B 端 API 调用是直接为模型能力付费，每一笔收入都对应着真实的企业生产需求。这种收入结构的含金量更高，可持续性也更强。
B 端"上位"这件事，本质上回答了市场长期存在的一个疑问，即大模型到底能不能在企业级市场赚到真金白银？MiniMax 用数据给出了肯定的回答，而且这个回答来得比大多数人预期的更早、更猛。
02 独一份的极致"智价比"能力
商业端的爆发并非偶然，它建立在一套独特的技术逻辑之上。只看光鲜的收入数字，容易把增长简单归功于市场拓展，可这份商业增长，究竟依靠什么来托底？
市场容易将降价误读为价格战，但 MiniMax 的逻辑完全不同。成本与智能并非取舍关系，降低推理成本是通往更高智能的手段而非妥协。MiniMax 用推理效率的提升来扩大后训练规模，而更大规模的后训练又直接驱动模型智能迭代，形成一个"效率到规模到智能"的正循环。
由此能得出一个反直觉的认知，追求智价比不只是市场层面的选择，更是大模型实现能力进阶的关键。原因在于，后训练在模型能力提升中的作用越来越大，而推理成本直接决定了后训练的规模。合成数据生成、强化学习 Rollout、模型评测，本质上都是推理。推理效率越高，同等算力下能做的实验就越多，模型迭代就越快。成本下降带来规模扩大，规模扩大驱动智能提升，智能提升又吸引更多任务，这是一个加速运转的飞轮。
数据佐证了这种工程化能力的真实存在。文本模型单位算力吞吐提升了 3 倍，ETTR 有效训练时间比已达 97%。这意味着在一百个小时的训练时间里，有效计算时间达到九十七个小时，只有三个小时被浪费。在大规模分布式训练中，这个数字本身就代表了一种工程上的硬实力。
而在既要大参数、又要低成本的平衡上，MiniMax 通过架构创新实现了差异化技术护城河。MSA 2.0 架构压缩了 KV Cache 所需的存储容量，提升了推理阶段 Prefill 的缓存命中率，并支持更大的 Batch Size。在行业最大参数档位这一级别，计算效率比第一代架构提升了 3 倍，且任务越长、上下文越复杂，优势越明显。这不是靠压缩模型规模换来的低成本，而是用更好的架构在同等规模下跑出了更高的效率。
如果用一个词来概括 MiniMax 的差异化，那就是"智价比"。这个词拆开看，"智"是智能上限，"价"是单位成本。多数公司在这两者之间做取舍，MiniMax 试图用技术效率同时追求两者。它不是把模型做小来卖便宜，而是把大模型做快，用更少的算力跑出同样的智能，或者用同样的算力跑出更高的智能。
市场对这套逻辑给出了直接回应。杰富瑞在财报发布后指出，公司专注于最大化智能并最小化成本，毛利率将于下半年趋于改善，并于 2027 年仍有进一步扩张空间。花旗同步将目标价由 533 港元上调至 576 港元，维持"买入"评级。投行的正向反馈说明，资本市场不仅看懂了这条路线，而且愿意为它的持续性买单。
03 开源 H3算一笔更长远的账
如果说 M 系列解决的是智能从哪来的问题，那么H 系列回答的是智能用到哪的问题。
H3 开源三周，下载量突破 2400 万次，衍生模型超过 300 个。这个数字放在全球开源模型中也属于第一梯队。对于一个 B 端收入已占八成的公司而言，这款多模态模型的价值或许不在于短期直接变现。它更大的意义在于以极低成本触达全球开发者和中小企业，构建多模态领域的生态粘性。开发者基于 H3 进行二次开发，有望在全球形成一定的多模态生态影响力。这种生态层面的先发优势，终将转化为 API 和企业级服务的长期付费转化。
H3 的意义不止于开源策略本身。它验证了 MiniMax 对多模态的一个基本判断，语言模型能力可以进一步提高视觉生成模型的上限。过去很多视觉模型主要把语言模型作为理解 Prompt 的工具，而 H3 让语言模型参与到创作过程中，理解上下文、参考素材和用户意图，并将这些理解转化为更精细的生成控制。主体一致性、参考图遵循、镜头控制、声音配合和连续修改等方面，H3 都实现了明显的提升。
MiniMax 设计模型时一直原生考虑多模态信息。视觉理解与生成被视作生产力的重要组成部分，而非锦上添花的附加功能。语言模型与视觉生成的深度融合，将打开广告、电商、游戏、影视等完整工作流。从内容生成走向理解、修改和最终交付，多模态模型的市场空间远大于单张图片或单段视频的生成。多模态生成目前是除了编程之外的 AGI 第二大市场，而这个市场的格局正在被 H3 这样的产品改变。过去这个领域最先进的模型基本都来自大厂，且大多是闭源的。H3 在效果、开源和性价比上形成了一个差异化的组合，打破了这种格局。
开源生态的维护与多模态能力的持续投入，需要长期资金支撑。而超 30 亿美元的现金储备和 ETTR 97% 的基建能力，为这条"极致性价比"路线的长期执行提供了底气。在国内最早建立规模化、长期稳定基础设施的两家独立大模型公司中，MiniMax 占据一席。自有集群、云厂商供给和 Token Factory 的组合算力网络，赋予了其大规模调度的灵活性。有了算力的底气，才有持续追求更高智能的余地。
大模型行业从来不缺质疑声，也从来不缺用数据回击质疑的故事。MiniMax 这份半年报，用 B 端爆发、ARR 破 8 亿、Token 消耗量 20 倍增长这三组数据，向市场证明了独立大模型公司不仅能在巨头缝隙中活下来，还能走出一条靠效率和智能双轮驱动的商业化路径。
"最小化成本，最大化智能"这条路线，在 MiniMax 身上正在从一句技术主张变成可验证的商业现实。B 端收入的陡峭增长是商业化能力的初步证明，极致"智价比"是它在算力约束下持续进化的底层能力，而 H3 开源和多模态布局则指向了更广阔的增长空间。三个环节环环相扣，构成了一个从技术到商业的完整闭环。
当行业逐渐比拼运行效率，MiniMax 用一份超预期的成绩单证明了自己在牌桌上的位置。接下来的故事，取决于它能否把这份加速度保持下去，把"智价比"的优势持续放大。从目前的技术储备、资金实力和商业进展来看，方向是对的，节奏也在点上。对于一家成立不过数年的独立大模型公司而言，能走到这一步本身就不容易，而更值得期待的是它接下来还能跑多快、走多远。
创通网提示：文章来自网络，不代表本站观点。
