21世紀經濟報道記者鄧浩 上海報道

近期基礎大模型領域熱點不斷，先是量化巨頭幻方上線全新系列模型DeepSeek-V3首個版本上線并同步開源，以極低訓練成本引發海內外對大模型經濟性的廣泛討論。

1月15日，本土“大模型六小龍”之一的MiniMax發布并開源了MiniMax-01全新系列模型，第一次大規模實現線性注意力機制，直接挑戰傳統的Transformer架構，再一次在行業掀起巨浪。

某大模型領域專家對記者解釋，“傳統的Transformer的注意力機制的計算復雜度隨著序列長度的增加而呈二次增長，所以做長文本效率很低。MiniMax一直在做’線性注意力機制’這一套，做了比較大的改進，從而可以做到400萬token的超長上下文。”

也有不少業內人士對記者表示，MiniMax的創新可以增強現有方法的效率，但沒有改變本質。實際效果還需要應用的驗證和共識。

創新大模型增強效率

此前，MiniMax一直選擇閉源，外界對其技術細節知之甚少，沒想到這一次上手即是“王炸”。

不僅采用全新架構，而且實現綜合性能比肩海外頂尖模型。據MiniMax透露，該模型的參數量高達4560億個，其中單次激活459億個。能夠高效處理全球最長400萬token的上下文，是GPT-4o的32倍，Claude-3.5-Sonnet的20倍。

為什么需要這么大的窗口處理能力？

事實上，在處理長文本內容、復雜任務的高效執行以及應對多模態\跨模態任務等情況時，越高的信息處理能力越能讓模型充分理解需求，從而得到更優的結果。

雪浪云高級副總裁、雪浪工業軟件研究院副院長郭翹就對記者表示，“我們已經積累了不少工業語料，相當于工業場景數據，可以很快測試一些基礎大模型的能力，而上下文的長度是非常重要的指標?！?/p>

為什么可以做到？關鍵在于其使用了基于線性注意力機制的新架構，其中每8層中有7個是基于Lightning Attention的線性注意力，有1層是傳統的SoftMax注意力。

用個通俗的比喻，假如我們需要在一個裝滿卷軸的藏寶箱，找出一個與寶藏位置最相關的卷軸。傳統的注意力機制類似于一群賞金獵人，每一個獵人會把手里的每一個卷軸都與其他所有卷軸依次做比較，隨著卷軸書數量的增多，工作量會呈平方級增長。

而線性注意力機制相當于一位聰明的考古學家，他用一套相對簡單的辦法，依次對這些卷軸進行檢閱，不斷記錄并累計對線索的理解，最后得出綜合判斷。這個工作量是隨著卷軸增加而線性增長的，相對更高效。

MiniMax稱，主要“受益于我們的架構創新，我們的模型在處理長輸入的時候有非常高的效率，接近線性復雜度?！倍?，MiniMax還在技術論文中透露，“我們正在研究更高效的架構，以期完全摒棄softmax注意力機制，從而有可能實現無計算負擔的無限上下文窗口。”

況客科技（北京）有限公司管理合伙人安嘉晨對記者表示，“（MiniMax的影響）現在談可能還為之過早，之前很多類似的其實最終沒有成功證明自己比transformer好，這個需要應用的驗證和共識?！?/p>

某硅谷技術專家也對記者分析，“從去年開始，硅谷一直在詬病Transformer架構，認為沒辦法商用，成本消耗太大。Minimax的模型本質是對現有方法效率的增強，但是沒有改變本質。”

對于MiniMax來說，花費巨大精力和成本構建這個全新的架構，有著更大的野心。

MiniMax直言，“我們相信2025年會是Agent高速發展的一年，不管是單Agent的系統需要持續的記憶，還是多Agent的系統中Agent之間大量的相互通信，都需要越來越長的上下文。在這個模型中，我們走出了第一步，并希望使用這個架構持續建立復雜Agent所需的基礎能力?！?/p>

不過，上述硅谷技術專家表示并不太認可這個說法，其認為“就單純AI agent來說，其實用不了太多的token，幾千個足夠了。多模態會需要，但技術還沒到這個點上。”

安嘉晨則坦言，“MiniMax的應用很成功，星野之類的APP，但是（Agent）用模型的話，我覺得競爭還是很激烈的，現在很難說誰比誰明顯領先多少?！?/p>

開源、口碑與性價比

其實，在基礎大模型領域，自從OpenAI推出O1和O3模型之后，產業界和投資界都逐漸形成新的共識，Scaling Law已經趨緩，預訓練模型熱度開始轉向推理模型。

前述硅谷技術專家稱，“預訓練大模型，現在大家有一個統一的共識，還沒辦法轉化成真實的生產力，性價比極不合適。投資人也有點慌，因為不知道要燒（錢）到什么時候?！?/p>

最近的案例是李開復的零一萬物，李開復公開表態，只有大廠能燒超大的模型，“我們覺得要和一個燒得起大模型的大廠合作，以后超大的模型由阿里訓練，我們就可以用小而精的團隊來做小而便宜的模型，擁抱應用的爆發?！?/p>

實際上，商業化是擺在現在大模型初創公司面前的一條必答題。

除了零一萬物，月之暗面、百川智能、智譜AI等也在加速探索B端業務的變現，而MiniMax相對比較另類，2023年6月和9月，其相繼在海外和國內上線AI陪伴產品“Talkie”、“星野”。2024年5月上線C端產品“海螺AI”，作為生產力助手。此前有媒體預測，MiniMax2024年收入預計達到7000萬美元，而大部分收入來自Talkie的廣告。

該硅谷技術專家透露，“Minimax在國內比較猶豫，但在海外愿意花錢去租GPU，可以側面印證海外收入還不錯?！?/p>

實際上，某熟悉MiniMax的業內人士曾對記者表示，由于MiniMax創始團隊出身傳統AI四小龍，吃過不少B端的“虧”，比如項目制開發，無法規?；龃?，利潤微薄，因此其在大模型領域創業時特別注重商業變現。

可是，現在價格內卷也開始在預訓練模型不斷蔓延，如何在白菜價中實現規模盈利，仍將繼續考驗入局的玩家。

MiniMax稱，“受益于架構的創新、效率的優化、集群訓推一體的設計以及我們內部大量并發算力復用，我們得以用業內最低的價格區間提供文本和多模態理解的API，標準定價是輸入token 1元/百萬token，輸出token 8元/百萬token?！?/p>

對于業內比較關心的開源問題，MiniMax解釋，“選擇開源，一是因為我們認為這有可能啟發更多長上下文的研究和應用，從而更快促進Agent時代的到來，二是開源也能促使我們努力做更多創新，更高質量地開展后續的模型研發工作?！?/p>

前述硅谷技術專家對此表示，“我覺得大模型開源，主要還是做口碑。特別是在中國，一旦開源，客戶的選擇成本會很低。而且后續也可以有延伸的增值服務?！?/p>

安嘉晨也認為，“閉源模型要盈利，就只能卷性能，但卷性能和盈利這兩者幾乎很難平衡，也許只有少數的一兩個才能堅持閉源且盈利；開源的話，卷性能的需求下降了，自然成本壓力也能緩釋，還有可能占個生態位，未來還有建立商業模式的可能性。”

郭翹則對記者分析，“我們只關注開源模型，為什么不用閉源（模型）？因為制造業的客戶更關心數據安全，必須要保證私有化部署，而閉源模型通常是提供網絡接口，通過公有云服務，這是B端客戶不太容易接受的?！?/p>