对话 MiniMax 闫俊杰:M3、10X 计划、10T 模型与智能的终局

• IO 罕见公开露面、还分享了很多，主持人都有点意外。IO 说核心是感谢一线开发者和开源作者——这次活动是 MiniMax 第一次办，他打算把它做成持续性的事。 → 详细
• 他抛出一个反差故事：两年前他问过另一家模型公司的人「要不要做 AI coding（用 AI 写代码）」，对方说不做，理由是「全中国会写代码的人可能也就 100–200 万，不是个大市场」。两年后这个判断显然错了——AI 让远比程序员多得多的人也能有「生产力」（能自己做出东西）。 → 详细
• 但他补一句：即便 AI 让很多人都能上手，一件事的起点仍然是一小撮「真正热爱」的人先把它做出来，再扩散给更多人。 → 详细

• IO 说判断模型成不成，最客观的指标是「通用 token 消耗量」（大家真金白银地用了多少，比跑分实在）。 → 详细
• M1：消耗低、智能效果坦白说「不太好」；但团队第一次跑强化学习（RL）训练时（去年五一假期）第一次感受到了那种「探索」的魔力——就是模型自己摸索、能力往上窜的苗头。模型本身没做成功，但方向对了。 → 详细
• M2：做了个有争议的取舍——只死磕「写代码（Coding）+ Agent（智能体）」，主动放弃当时人人都在刷的 Arena 排行榜和闲聊对话能力。「为什么你不管这东西？但我们就这么做了。」结果：M2 上线时定的目标是「日消耗 1 万亿 token」就满意，实际冲到了 10 万亿 token / 天，超目标 10 倍。 → 详细
• M3：换了一个「更大的模型」，还没完全发挥出来；但从消耗角度「比较超出预期」。 → 详细

• IO 说 M2 时其实就想做多模态（同时处理文字 / 图 / 音 / 视频）和「成为大家写代码的主力模型」，但都没实现；这个市场后来被 OpenAI、Google（Gemini）找到了。 → 详细
• M3 想做到的，是让用户「不用关心成本地无限使用」——他认为加上整个行业的增长，模型会被用到一个「非常可观的量级」，而 MiniMax「非常接近这件事」。 → 详细

• 张佳圆（做的是 Loop Engineering，即把工作拆成可自动流转的流水线）说：他们工作流里有大量可「Pipeline 化」（流水线化、批量自动处理）的场景，比如处理仓库、做客服（Customer Support）——「并不是所有场景都要用最高级的模型」。 → 详细
• 痛点很真实：他们每人都有好几个 Claude Code 账号 + Codex + Cursor，每月 token 花费可能上千美金，成本非常高。 → 详细
• 解法是设计一个「多模型系统」：把不同模型、不同 Agent 的能力聚合起来，用系统来弥补单一模型的短板。具体做法——他们发现 M3 有时啰嗦、思考（Thinking）时间偏长、结果不一定全对，那就让 M3 专心当「写代码的模型」，再用别的模型（如 Claude Opus 或 GPT）来给它做 review、当它的 mentor（导师 / 复核者）。 → 详细
• 他的判断：未来公司的「token 成本」一定是要专门管理的目标，所以要让「不同的活交给不同的模型」来达到「花费 vs 产出」的平衡。 → 详细

• 何涛很坦诚：为什么爆火（go viral）他们也没追求出原因——「很多时候就是上帝握着你的手写下了一段代码」，有人在 X（推特）上一转就火了，运气成分大。 → 详细
• DeerFlow 的起点（2025 年）：当时做「Deep Research（深度研究）」这种任务非常贵——你得先有个 200 刀 / 月的 ChatGPT Pro 订阅才能用几次。「凭什么这么贵？开源必须得把你打下来，而且要用『中国的模型』给你打个样。」 → 详细
• 产品野心：替「桌面工作者」干完一整套活——写报告 → 配图表 → 生成像 Cozi 那样优质的播客 → 做成动画片（很多人有小孩）→ 甚至配上音乐。他点名表扬了 MiniMax 的 TokenPlan，并说「多模态本身就很有魅力，每个人的日常工作其实就是一个多模态的工作」。 → 详细
• 心法：「一开始残缺、会被喷，那就接受被喷。」 先把覆盖面铺出来，再慢慢补。 → 详细

• DeerFlow 现在是个社区，1000+ contributor（贡献者），覆盖「除了南北极以外的所有陆地」，经常有人用「看不懂的语言」提 issue。「怎么用 Agent 去管理这样一个开源项目」本身已成了他们在研究的方向。 → 详细
• 烦恼也很真实：因为提交代码太方便，项目被很多人吐槽「代码已经是屎山（messy / 又乱又难维护的代码）」，怎么把屎山清扫干净是个难题。何涛说这其实是所有成功开源项目共同的头疼事——「最近 OpenClaw、Nanobot 都纷纷表示『不得不这么做，再不弄就受不了了』。」 → 详细

• 虞扬做的是金融行业、所在公司已上市。他点出一个反直觉的现实：大多数用户根本不知道自己打开 App 想干嘛。打开行情软件，目标当然是「赚钱」，但具体要什么，说不清。 → 详细
• 被问得最多最多的问题就是「帮我选几个股」——可这题谁也答不了（「我问你、你问我，也很难选」）。而同行的常见做法是：你问某只股票怎么样，它给你罗列一大堆信息，然后……就没有然后了，这是个大问题。 → 详细
• 所以 AI 在金融能做的两件事：① 筛选信息（大家都在做）；② 降低门槛——把「市盈率」这类术语、某个数字「是大了还是小了、对你意味着什么」用大白话讲清楚。 → 详细

• 主持人直球追问「你们用不用 AI 帮你炒股」。虞扬：① 合规原因，不能直接炒股；② 给用户的输出里不带投资建议，但内部版本有，他们能用自己的数据去做「回测」（拿历史行情验证策略的胜率），「我对我们的东西无比有自信，因为有真真实实的数据支撑胜率」。 → 详细
• 主持人加码挑衅：「很可能你的工资收入还比不上 follow 模型建议去炒股的收入——你考虑过辞职、今天就 all-in 炒股吗？」 → 详细
• 虞扬的回答很清醒：炒股跟「大模型生成一段文字」不一样——它有很多步骤，信息要对、用户画像要对、分析状态要对，而且这些全是实时变化的：你今天做了个决策说没问题，下一步市场可能直接来个「黑天鹅」。真正重要的不是「预测它会怎么走」，而是「当事情真的发生了，你怎么应对」。 → 详细

• 主持人问 IO：未来还会有 Agent 吗，还是只剩「基模（基础大模型）」？IO 先讲了预测有多难：去年这个时候，他们自己还在做「海螺（MD）」，那时还没有今天意义上的 Agent 工具、Claude Code 用户也很少——「按这个道理，明年会怎样，现在也没法预测。」 → 详细
• 金句：「在 AI 这个行业里，一年经历的事，可能等于别的行业好几年。」 → 详细
• 核心判断：模型的进步和「Agent / harness（外层调度框架）」的进步不是互斥，而是相互成就——「没有 Claude Code，Anthropic 的模型可能也不会这么火；没做出 GPT-5.5 时 Codex 起不来，有了 GPT-5.5，Codex 才真正起来。」 → 详细
• 他把模型 + Agent 都看成「实现更高智能的手段」，并强调一个前提：「智能最终还是要为人服务。」 并引用那句名言——「预测未来最好的办法，就是去创造它。」 → 详细

• IO 把 AI 类比成半导体那样的「大产业」：意思是它没有一个「根本性障碍」让某件事做不成——唯一的「障碍」是「为了把东西做出来，需要时间、需要积累」（数据、算法、一次次实打实的实验）。 → 详细
• 为什么必须「一代一代往上做」？因为 Scaling Law（规模定律，模型越大越强的经验规律）的「外推」只能管几倍：每代参数大个 3–5 倍还行，一旦想大 10 倍，原来的外推规律就失效了，你的结论不一定还成立——「所以模型其实是个开放问题（open problem）。」 → 详细
• 中美差距的真实尺度：「美国的模型基本上比中国模型大 10 倍，10 倍其实就意味着领先约两代。」 → 详细
• 因此 MiniMax 的路径是连追两代：第一代先把「3T（3 万亿参数）模型」做扎实，第二代基于这份经验再做「10T（10 万亿参数）模型」。每上一个量级，训练算力、训练效率、网络结构都要大改。 → 详细

• IO 给了一组很硬的数字。先说 M3 的「活跃参数量」其实比较低，但它的 KV Cache（推理时缓存的「上下文记忆」，越大越占显存、拖慢推理）还比较大，所以下半年要重点「压 KV Cache」让推理更快。 → 详细
• 最扎心的瓶颈是「数据」：按经验，模型参数和数据量大致要 1:20 平衡（业内的 Chinchilla 经验），那么一个 10T 模型就需要约 200T 的数据——可全世界根本没有这么多数据。 → 详细
• 更难的是：模型越大越容易「过拟合」噪声（把垃圾数据也死记硬背下来），所以对数据「质量」要求更高，同时数据「量」还要大很多、外推还要大很多——是个「非常大的系统性挑战」。IO 坦白「比较忐忑，但我觉得我们应该能到」。 → 详细
• 关于「进步最快」的标准：他说拿任何一个国内模型「今天的智能水平」去比「它自己 3 个月前 / 6 个月前的水平」，MiniMax 这个「提升比例」应该是其中最高的。 → 详细

• 张佳圆说 AI coding 已经被「商品化」（人人可上手），但「Vibe coding（凭感觉指挥 AI 写码）」其实不新鲜——第一代 Vibe coder 就是产品经理，他们过去「驱动」的那帮人是程序员；现在工具到位，人人都变成了产品经理这个角色。 → 详细
• 那好 PM 怎么判断？「从来不是看你做了 100 件事、提了多少需求」，而是：① 你怎么判断「要不要做 / 不做某件事」——因为「你几乎什么都能做」，所以「决定不做什么」的标准就极其重要。 → 详细
• ② 软件开发是「组织」的事、不是一个人的事。他推荐经典书 《代码大全》（Code Complete）：讲的就是当代码复杂度、项目架构变大后，怎么避免变成屎山、让架构更清晰。 → 详细
• 落到开源治理：核心维护者要先定义产品的 Roadmap（路线图）和「品位（taste）」——做什么、不做什么；再去和外部贡献者「对齐他们缺的那部分 context（背景信息）」。 → 详细

• 何涛抛了个「暴论」：「没人说『外包 engineering』，但写代码从来都是一项 engineering（工程）工作，不只是 coding（敲码）。」 他特别讨厌别人叫「码农」——「你应该说你是软件工程师，因为你的职责是把它做成一个工程的东西。」 → 详细
• 关键区分：engineering 的定义从来不是「一次性交付」，而是「能长期交付、持续有生命力」的东西。 由此他批评现在的基准测试（SWE-bench / SWE-Pro）全是「一次性解决一个问题」——模型容易变成「使命必达」的卷王，吭哧吭哧干完，结果「Just so-so（也就那样）」，而且「你后面接着它做根本做不下去」。 → 详细
• 对模型的要求：把「长期维护一个项目的品位」也放进模型，让 Agent 在「长程任务」上能持续把一个 codebase 维护得更好，而不只是完成一次性任务。 → 详细
• 对人的要求：这一代模型「太有魅力、太有诱惑力」，会让你以为它是「魔法棒」、无所不能、犯了错再说一句就好——但它常常「讨巧」，甚至你本来是对的，它也会顺着说「你说得对」。他推荐 《代码整洁之道》（Clean Code），并给出自己的做法：把踩过的坑「蒸馏」成一个个 skill（技能模块），或配上 Google / Amazon 的 Best Practice + 你的偏好喂给 Agent——「每个人写出来的代码，其实跟他性格都挺像。」 → 详细
• 最重的一句：「我特别讨厌有人说『这是 Agent 做的，所以别怪我』——只要是用你的账号、你的 credit 提交上来的，背后就是你的责任心、你对世界的态度。要 take it seriously（认真对待）。」 → 详细

• 主持人问 MiniMax 内部怎么看 AI coding，被点到的 MiniMax 同事（阿道）分享了一个真实观察：去大厂（阿里）交流，他们几百个仓库放在一起，一个人现在能一次性提一个「巨大的 PR」，「看起来是对的，但没人敢上线」——因为 QA / 验证速度根本没跟上。 → 详细
• 他回忆自己早年写代码时「每一行都要 follow 我的 gate（关卡）、必须足够简洁清晰」，看不顺就重写；后来量大了改做「抽查 review」。而今天在 Vibe coding 里，「review 这一环是缺失的」。 → 详细
• 核心论点：「生成」的能力被极大提升（训练、harness 都是奔着『生产』去的），但在『验证、交付、review』这一侧，模型做得远远不够。所以「我们应该在『验证』上投入到接近『研发生产』的力度」，否则项目就会崩。 → 详细
• 一个具体的进步刻度：「去年 Claude 4.5 出来时，一个项目大概到几千行代码就崩溃；今天能撑到十几万行才崩。」 本质瓶颈还是「context（上下文）有限 + 人类直觉难以替代」。MiniMax 自己也在用 Vibe coding 干活，比如他们的 post-training（后训练）系统就是这么迭代的。 → 详细

• 主持人点出 MiniMax 上个月做的「10X 专家合作」项目，问：为什么数据观从「去年的数据标注」变成了「现在请专家大哥来带路」？ → 详细
• IO 的根源逻辑：AI 的核心是「生产力」，模型在里面本质是「提供工具」（像汽车让赶路更快、AI 让「思考和验证」更快），但真正要解决的是「那个行业本身的真实问题」——这光靠模型团队 / researcher 是做不到的。 → 详细
• 这件事他们在做 coding 时就预演过：「开发工程师」显然比「算法同学」更懂什么叫好代码。算法同学搭出模型和评测框架，但「怎么评测、怎么构造测试环境」这些，真正的软件工程师做得更好。于是 coding 从「2 个角色（算法 researcher + 工程师）」自然演化。 → 详细
• 推广到更多领域，就需要「3 个角色」：算法 + 开发工程师 + 真正的「领域专家」。这就是「10X 专家计划」的由来——把领域专家请进来，和模型团队一起定义「什么是好」。 → 详细
• 佐证：他们仔细研究了 Anthropic 怎么招人——公司里有大量「非 researcher、非工程师」的人：经济学家、物理学家，甚至核物理学家、哲学家。为什么要核物理学家？因为每次做对齐（alignment，让模型安全可控）时，都要测「这个模型能不能被用来造核武器」，得确保它不能。 → 详细
• IO 说半年前他们还不理解「为什么需要这么多这样的人」，现在理解很深了。接下来网络安全、金融、法律等领域，深度都会比现在深很多。 → 详细

主持人的收尾题：「推荐一支个股（明知道多半得不到答案）；或者——2026 还剩半年，有什么事是你接下来最想 all-in / 最想探索的？」四位轮流作答，这一轮也是全场金句最密的部分。

• 虞扬（金融）：不推个股。讲两件事——① AI 替代不了的是「陪伴」：绝大多数人都需要陪伴，做金融尤其如此「有赚钱的时候就一定有亏钱的时候，而且很多人亏钱的时候更多」。② 做 Agent 的心态从「限制」转向「引领」：最早做 Agent 是「限制模型发挥、别让它做奇怪的事」；随着 Agent 进步，最新的事是「反过来引领模型，让它去思考、去做一些创造性的事」，帮我们把活干完。 → 详细
• 何涛（DeerFlow）：也不推个股（「IO 和阿道其实都透露很多了，大家应该都懂了」）。他写一个专栏叫 《How AI Shapes Our Society》（AI 如何重塑社会）。一个直观感受：AI 让很多人变得内耗、焦虑；但 2026 年国内模型「跨过了某个基点」，已具备「走进千家万户」的能力（无论是 MiniMax 的 M 系列还是 DeepSeek 这类），而 MiniMax 这次有了多模态、「有了眼睛」，能做更多事。 → 详细
  • 他讲了全场最戳人的案例：他老婆有阵子很焦虑掉头发，老去看中医，还去问了「某个国内最大的 Chatbot 产品（他不点名）」，结果那产品安慰是安慰了，给的方法却让头发掉得更多 → 她更焦虑 → 冲他发火「你们这个行业害人害己，最后害到我身上」。于是他用 Codex 给老婆专门搭了一个「她个人的 LLM」：把她所有体检报告、吃过的所有药、甚至她和那个 Chatbot 的聊天记录全导进去，再把 Codex 接到她的飞书里，让她以后就用这个。她可以问「下次看医生该问什么问题」，甚至把医生的话录下来回来问它，然后反过来去和医生沟通——沟通明显更顺畅了。 → 详细
  • 他的升华：「普通人每个人都有机会用 AI 让家人、身边人、更多东西变得更好。」 Vibe coding 不是用来替代人、让人失业，而是让好的 idea 绽放，让原来觉得离 AI 很远的人感到一种温暖——「从冰冷的软件工程里，最后发现一种人类社会的温暖」。 → 详细
• 张佳圆（Multica）：也不投资（「我只投资我自己和我自己的公司」）。下半年想探索的方向——他自认是「AI 降临派」（认定 AI 能力发展到后面一定会比人强）。在深度和 AI 协作后他越来越发现：「你未来已经不是在和人竞争，而是在和 Agent / AI 竞争」，你的智能没法和 AI 硬刚。所以「社会该是什么样」值得思考。他给的个人对策很关键：人都有惰性，有了 AI 就爱把思考外包给 AI；他的做法是「和 AI 一起探索，但把『思考』这个最重要的部分留给自己」。 → 详细
• IO（压轴）——「智能的终局」：他也算「降临派」。核心判断：现在的 AI 是一个「黑箱」，连从业者自己都不知道它一年后会变成什么样，只知道它会进步。 → 详细
  • 他坦白「为什么会有 skill（技能涌现）这种东西，我也不太理解；单靠人类已经很难理解这件事，因为现有的数学工具其实不太够」。佐证：十年前他读博时看过一篇论文——一个超过 3 层的神经网络，用现有数学工具都没法分解、没法分析它的收敛性；但这个行业还在不停进步。 → 详细
  • 他最关心的一件事（不是某个产品）：「什么时候 AI 能够帮助人类理解 AI」——他认为这非常本质，「只有这样，AI 的安全问题、AI 到底能走多远这些问题，才会有答案」。 → 详细
  • 已经看到的信号：他读了很多生命科学论文，发现大脑和神经网络有很强的相关性——大脑当然不会真去「算矩阵乘法」，但大脑里有些模块有类似「矩阵」的概念，有些机制几乎可以等价成「反向传播」（神经网络的核心训练机制）；海马体（管记忆的脑区）有点像 Transformer，和 DeepSeek 最近做的「记忆」工作很像。 → 详细
  • 收尾金句：一年前他还觉得「安全、可解释性」不太重要，现在知道它们的重要性了；而且「AI 自身的可解释性，最终也得靠 AI 一起来解」。 → 详细

• MiniMax M3 — 前沿 Coding 能力、1M 上下文、原生多模态：https://www.minimaxi.com/models/text/m3
• DeerFlow（7 万 star 开源 Deep Research 项目，何涛团队）；Multica（3 万 star 开源项目，张佳圆）
• 提到的两本经典书：《代码大全》（Code Complete）、《代码整洁之道》（Clean Code）
• 本期播客（小宇宙·十字路口 Crossing）：https://www.xiaoyuzhoufm.com/episode/6a374ab075ba9e0c53368f7e

注：原音频为现场圆桌、无字幕轨，转写由本地 Whisper（large-v3-turbo）完成，少量专名/同音字已按上下文校正（如 M2/M3 误作「Arm2/Arm3」、KV Cache 误作「QVCatch」、海马体误作「Hamati」、skill 误作「skin」、屎山代码、DeerFlow/Multica 的 star 数等）。个别高度含糊处（如某人名）已按「不确定不硬填」处理。