当一家公司的收入来源在6个月内发生了结构性变化，市场需要开始重新认识它。

8亿美元ARR，B端收入占比80%，token消耗量7个月膨胀20倍……8月26日晚，MiniMax在2026年半年度业绩交流会上一口气抛出了这三个数字。

对于一家今年1月才在港交所敲钟的公司来说，这组数字最值得注意的是变化的速率。今年2月，MiniMax披露的ARR还是1.5亿美元。六个月之后翻了5.3倍。

2026年上半年的数据同样陡峭，MiniMax实现收入1.17亿美元，同比增长283.1%，已经逼近2025年全年收入7904万美元的1.5倍，Q2收入相比Q1环比增长82%，曲线还在变陡。毛利同比增长465%至2081万美元。

与此同时，研发费用同比增长139%，但增速显著低于收入增速，销售费用同比下降18%，用户增长主要依靠产品力和口碑驱动。

CEO闫俊杰在业绩会上概括了节奏：“随着M系列与H系列两条管线的持续完善，公司预计未来一段时间内模型的发布周期会显著缩短，智能提升速度会变快。”

收入增速之外，更值得关注的是增长的来源正在经历一场结构性反转。

To B 和 To C本质上不是选择题

收入结构的变化往往会被解读为公司战略层面的选择发生了变化。但对一家模型公司来说，模型能力才是更本质的公司增长的驱动因素，B端和C端的占比更像是需求侧的映射。

MiniMax上市时，市场对它的认知标签是“C端AI陪伴应用公司”。招股书中，开放平台及企业服务（B端）收入占比仅28.9%，AI原生产品（C端）是绝对主力。2025年年报，B端占比微升至32.8%。

到2026年上半年，占比跳至63.4%。到8月，按ARR口径计算的B端贡献超过了80%。

拆开来看，上半年B端收入7393万美元，同比增长703%，增长超过7倍。C端收入4264万美元，同比增长101%，仍然翻了一倍。

C端还在快速增长，只是B端的增速更加亮眼，让收入结构在半年内完成了一次翻转。在C端翻倍的情况下，B端收入占比从去年同期的三成一路升至八成，这个速度在AI行业中极为罕见。

企业客户和开发者的规模在印证这个趋势。

截至目前，MiniMax的企业客户和开发者数量已突破200万，是2025年末21.4万的近10倍。海外市场贡献超过六成收入，国际化布局的厚度没有因为B端放量而被稀释。

MiniMax认为，“在AI时代，模型即是产品本身，无论是ToB还是ToC，本质上客户都是在为模型能力而付费。”

从这个视角回看，B端和C端并不是一道战略选择题。模型智能还是最本质的问题。

20倍Token消耗量的Agent逻辑

B端收入7倍增速的背后，有一个更底层的变量在驱动。7月份，MiniMax的token消耗量达到了1月的20倍。

20倍的增幅远超用户数和客户数的增长幅度，意味着单用户的token消耗强度在剧烈攀升。

闫俊杰给出了底层解释：模型消费正在从“人类与AI的交互”，拓展到“Agent与AI的多轮交互”。

一个人类提出的问题，被Agent展开为多轮模型请求、工具调用和子Agent任务。Agent驱动的推理需求增长速度远快于人类用户数和消息数的增长，单用户token消耗由此进入快速上升通道。

2026年上半年，全球AI行业最确定的叙事无疑是Coding和Agent场景的爆发。6月发布的M3模型瞄准了这条赛道，首次在国内将前沿Coding能力、百万token上下文和原生多模态集于一个模型。伴随M3上线，公司将计费模式统一切换为按token消耗计费，与Anthropic、OpenAI等全球同行的定价体系接轨。

闫俊杰对需求侧的判断带有一种结构性乐观：“当模型能力、使用成本和产品体验跨过一定阈值后，真实需求会阶梯式释放，而不是简单线性增长。”从半年的token消耗曲线看，阶梯释放已经在发生。

推理成本是性价比与更高智能的同一杠杆

20倍的token消耗量增长，对应的是同等量级的推理算力压力。算力压力对中国AI公司尤其尖锐。对于中国公司来说，算力总量上与海外头部厂商仍有客观差距，更大规模的scaling必须建立在更低的单位推理成本之上。

因此，推理成本下降是一个双向杠杆：对外，用户能拿到更高性价比的模型；对内，同等算力下，能再扩大后训练的规模，支撑追求更高的智能上限。

多数AI公司谈推理效率，落点在“便宜、性价比高、客户愿意用”。闫俊杰则将答案指向了一个比成本管控更深的命题。

在他看来，推理效率不仅决定对外服务的成本，更决定了下一代模型能训练到多强，他指出

“只有最小化单位智能成本，才有可能训练出最大化的智能水平。”

背后技术机制在于，模型能力越来越依赖后训练阶段，而后训练中强化学习的rollout、合成数据生成、大规模评测，这些核心计算模式的实质都是推理。

推理越高效，同等算力下能做的后训练规模越大，模型进步越快。

闫俊杰在发言中明确指出：“同等算力条件下，推理计算效率的提升倍数跟后训练的规模变大倍数基本线性相关。”

几组披露的硬指标可以作为参照：过去两个多月，文本模型的单位算力吞吐提升了3倍。M3.1的目标是将推理成本降到M3上线时的三分之一左右。公司自建基础设施的ETTR（有效训练时间占比）已达97%。

副总裁薛子钊在财务部分发言中给出了明确的前瞻指引：“预计公司毛利率在今年下半年会继续改善，明年还有进一步提升的空间。”

反共识的半年，开源反而在拉动收入

MiniMax是国内少数同时推进语言模型和多模态生成模型两条管线的独立AI公司。

语言模型方面，M3.1正在推进中，定位是将M3的基础能力更充分地转化为Coding、工具调用和Agent任务中的稳定表现，重点提升任务完成质量和推理效率。

M3 Pro的参数规模将提升到约3万亿，架构升级至MSA 2.0，预计在最大参数档位上实现计算效率较第一代架构提升约3倍，任务越长优势越大。

闫俊杰在业绩会上透露，M3 Pro的推理速度和推理成本“在3T这档模型里面有非常显著的优势”。

多模态方面，7月31日发布的H3是一款全模态生成模型，能统一理解文本、图像、视频和音频，输出最高2K分辨率、带原生双声道的15秒视频，定价在2K分辨率下不到主流模型的三分之一。

8月3日开源后，三周内下载次数超过2400万次，诞生超过300个公开衍生模型，成为2026年全球下载量最高的模型之一。

H3选择开源有更深层的考量。

闫俊杰认为，视频生成领域“长期被封闭生态和非常高的定价几乎垄断”，MiniMax的选择是“通过开源来改变这个行业”。开源带来的社区关注度远超预期，官方API服务的使用量也随之爆发式增长。

他对开源与商业化关系的判断是明确的：“我们不认为开源会削弱商业化和定价能力。一个模型长期的定价能力，最终取决于效果、成本、稳定性和迭代速度。”

两条管线之间的技术协同值得留意。H3的核心突破在于让语言模型深度参与视觉生成过程，实现精细的上下文感知和生成控制。闫俊杰将两者的关系定性为“技术、数据、基础设施和应用反馈上都可以相互促进”。

他在业绩会上还做了一个更远的展望：类似语言模型和视觉生成模型结合的范式，将在芯片设计、制药等更前沿的领域持续涌现。

“今年Q4到明年Q1，不管是我们还是友商，都会有越来越多这样跨界结合的新机会出现”。

在支撑两条管线同时推进的算力方面，MiniMax构建了自研核心集群、云厂商合作和Token Factory三位一体的供给体系，文本模型训练的算力投入约为视频模型的4倍。

闫俊杰透露，基于全栈基建能力，单位资金效率下的后训练规模“至少还有3倍提升空间”。

他在发言最后给出了一个四维框架：“模型创新决定我们能够把智能推到多高，模型效率决定这种智能能够供给多大规模，强化学习和真实反馈决定下一轮智能能够进步多快，多模态和专业领域决定智能能够进入多深和多广阔的真实世界。”

半年前，市场用C端产品来定义MiniMax；半年后，定义这家公司的或许是模型本身。

*以上内容不构成投资建议，不代表刊登平台之观点，市场有风险，投资需谨慎，请独立判断和决策。