鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册

智谱AI向左,MiniMax向右:港股同一考场,AI两种活法

编程导航
编程导航
2025-12-22 23:51
阅读 158
编程导航
2025-12-22 23:51
阅读 158

【TechWeb】12月22日消息,近日,智谱AI与MiniMax相继通过港股上市聆讯,计划以“特专科技公司”身份登陆香港联交所主板。

在资本市场对大模型企业估值日趋理性的2025年,这两家中国AI独角兽的同步亮相格外引人注目。

尽管二者同属大模型赛道,都拥有顶尖的研发团队和可观的市场估值,但其战略定位、技术路线、商业模式与发展路径却呈现出鲜明差异。这场“同台不同路”的资本大戏,折射出中国AI产业多元发展的新格局。

开源生态VS全模态闭环

智谱AI在其招股书中明确将自身定位为“中国领先的人工智能公司,致力于开发先进的通用大模型”。公司自2019年成立起,即以“在中国追求通用人工智能(AGI)创新”为愿景,专注于打造能够像人类一样深度思考、认知世界并使用工具的AI模型体系。



智谱AI业务

同时,智谱AI自成立之初便确立了鲜明的开源战略定位。

其推出的GLM系列大模型,从130亿参数的GLM-130B到更为庞大的GLM-4,始终秉持开放共享的理念。截至2025年6月30日,智谱AI开源50多个模型,开源大模型累计下载量超过4500万次。这种技术路径的选择,使智谱AI迅速建立了广泛的开发者生态,形成了以开源模型为核心的技术辐射网络。

相比之下,MiniMax则将自己描述为“全球化的AI大模型公司”,其愿景聚焦于“研发先进的大模型”和“打造AI原生产品”,以提升社会生产力并丰富个人生活。

MiniMax业务

MiniMax选择了更为集中的以“闭源商用模型 + 开源基础模型”并行,将资源聚焦于打造极致体验的专属模型。从文本到语音再到视频,MiniMax致力于构建多模态AI的完整技术栈,其推出的abab系列模型在多项中文评测中表现优异。这种闭源策略使MiniMax能够更严格控制技术输出质量,建立高技术壁垒,并为高端客户提供定制化解决方案。

在此路线选择下,两家公司的商业模式和收入来源也呈现出明显不同的重心。

智谱AI的收入几乎全部来自于其“模型即服务”(MaaS)平台,该平台主要向机构客户(包括私营企业和公共部门)及个人用户(开发者等)提供大模型服务。其收入分为本地化部署和云上部署两种模式,其中本地化部署贡献了绝大部分收入,2024年占比84.5%。

这意味着智谱AI的客户以大型企业、政府机构等B端客户为主,其商业模式更偏向于传统的企业级软件和服务销售,客单价高,定制化程度深。其营收结构中,B端解决方案占比超过80%。通过“开源引流+商业版变现”的双轨策略,智谱为金融、教育、科研等领域的客户提供定制化大模型解决方案。截至2025年6月30日,其模型已服务超8000家机构客户。

这种模式虽带来高达50%的毛利率,但人力投入重、规模化难度大。 为突破瓶颈,智谱正加速向MaaS(模型即服务)转型,通过API接口吸引开发者。

MiniMax 的收入则来源于AI原生产品和开放平台及其他企业服务两大板块。其AI原生产品矩阵包括Talkie/星野、海螺AI、MiniMax、MiniMax语音,主要面向全球个人用户,通过订阅、应用内充值、在线营销服务等方式变现。其开放平台则为企业与开发者提供API调用服务。

从2025年前九个月的数据看,MiniMax AI原生产品贡献了71.1%的收入,开放平台贡献28.9%。MiniMax成功构建了一个覆盖超2亿个人用户和超10万企业/开发者的混合生态。

研发投入大,均亏损严重

具体收入方面,作为仍处于巨额研发投入期的科技公司,两家公司均录得大幅亏损,但增长态势和财务细节各有故事。

智谱AI的招股书以人民币为计量单位,透露出其深耕国内市场的战略。

智谱AI 收入增长迅猛,从2022年的5740万元增长至2024年的3.12亿元,年复合增长率超过130%。但亏损也在同步急剧扩大,2022年、2023年、2024年以及2025上半年,亏损分别达1.437亿元、7.88亿元、29.58亿元、23.579亿元,3年半的累积亏损约62.5亿元。


智谱AI毛利率在2024年为56.3%,但2025年上半年下滑至50.0%,云上部署业务甚至出现毛利为负的情况。

智谱AI巨额亏损主要源于天文数字般的研发开支,以2024年为例,其亏损达21.95亿元,是收入的8倍以上。

MiniMax招股书则以美元为计量单位,彰显其全球化雄心。

MiniMax海外收入占比达70%,这一比例在中国AI公司中极为罕见。 其商业化路径分为B端开放平台与C端产品内广告,前者已吸引3万家企业客户,后者则通过AI社交、视频创作等场景实现流量变现。


MiniMax 同样处于亏损状态, 2022年、2023年、2024年以及2025年前三个季度,MiniMax的年度亏损分别为7370万美元、2.69亿美元、4.65亿美元及5.12亿美元,近四年的累计亏损约为13.2亿美元(约合人民币92.8亿元人民币)。

但其收入增长曲线极为陡峭:从2023年仅346万美元,暴增至2024年的3052万美元(约2.15亿元人民币),并在2025年前九个月达到5344万美元(约3.76亿元人民币)。其毛利率从2023年的-24.7%提升至2024年的12.2%,并进一步在2025年前九个月达到23.3%。其运营数据同样亮眼:平均月活跃用户从2023年的314万增长至2025年9月底的2762万;付费用户数从2023年的11.97万激增至2025年前九个月的177.16万。

招股书显示,智谱研发投入占比持续保持在40%以上,远高于行业平均水平。智谱AI展现的是在企业级市场的快速收入爬坡能力,但代价是高昂的研发与市场费用,利润率承压。

MiniMax展现的是在消费级市场引爆后带来的指数级收入与用户增长,同时伴随显著的毛利率改善和运营效率提升,其盈利路径似乎更为清晰。然而,C端市场的竞争同样激烈,用户粘性维护成本高,且面临严格的监管审查。

2025年9月,迪士尼、环球影业等公司起诉其视频生成平台“海螺AI”侵犯版权,索赔金额理论上限高达7500万美元。尽管公司坚称指控无理,且该赔偿金额相对于其现金储备比例不高,但这场诉讼无疑为其全球业务,特别是内容生成类产品的法律合规性,带来了持续的不确定性和品牌风险。如何平衡创新与合规,成为MiniMax必须持续应对的课题。

股东阵容豪华

招股书显示,自成立以来,智谱AI完成了8轮融资,融资规模超83亿元,获得国资、产业资本、VC/PE等各类众多知名投资机构认可,参与方包括美团、蚂蚁集团、阿里、腾讯、小米、Boss直聘、好未来等产业资本,和君联资本、红杉资本、高瓴、启明创投、顺为等一线机构,以及各地方政府国资支持。

IPO前,智谱AI公司的控制权由以唐杰教授为核心的清华系创始团队组成的控股股东集团作为一个整体掌控,在上市前合计控制公司约33.03%的股份表决权。美团持股4.27%、蚂蚁集团持股3.99%,君联资本合计持股约6.73%、今日资本(徐新)持股2.82%。

MiniMax的资本阵营同样星光熠熠。MiniMax此前历经了7轮融资,投资方包括云启资本、IDG、高瓴创投、明势创投、米哈游,腾讯投资、阿里巴巴参与了其A轮和B轮融资。2025年7月MiniMax完成的近3亿美元C轮融资,使其估值突破40亿美元。 尽管成立仅3年,但累计融资超15亿美元,账上现金达11亿美元,成为从成立到IPO历时最短的AI公司。

IPO前,阿里巴巴、米哈游、IDG、腾讯是MiniMax的控股股东。阿里持股13.66%,米哈游持股6.4%,腾讯持股2.58%。

此次智谱AI与MiniMax同时叩响港交所大门,展现了中国大模型创业浪潮的两种成功范式与未来想象,也将为大模型行业的商业化道路提供宝贵的参照。未来,是深耕产业的“深度”获胜,还是征服用户的“广度”为王,市场将拭目以待。

原文链接: 智谱AI向左,MiniMax向右:港股同一考场,AI两种活法
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
🔥 热门文章
1
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
480
2
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
430
3
我的第一个出海产品!7 天 2 万
370
4
又一个国产版 Codex 神器,也来卷办公了!
370
5
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
340
6
DeepSeek 重磅开源的超级 Agent,到底是个啥?
330
7
最近在落地 AI Native 项目,卡在团队资产协同这块,想请教下社区各位有实际落地经验的同学: 我们现在的资产分为三块:项目文档(PRD/ADR/ 运行手册)、Agent Skill(业务技能、执行 SOP、提示词包)、MCP 工具服务定义。 目标是做到:人和多 Agent 共用一套可信资料源,Skill、MCP 配置、项目文档能够版本化、同步、共享、可评审。 目前我们初步方案是用 Git 做底层版本主线: - 文档:Markdown + ADR,带元信息,支持 RAG 检索 - Skill:单技能包目录化,带版本、评估用例、依赖声明 - MCP:项目级声明文件纳入 Git 但实际协作里遇到不少疑问,想参考大家成熟的实践: 1. 大家团队里,文档、Skill、MCP 三者是怎么组织目录和版本管理的?有没有稳定的仓库结构模板? 2. 多人协作时,Skill 的变更评审、灰度升级、依赖管理怎么做?如何避免本地版本不一致、“本地能跑别人不行”? 3. MCP 是统一中心化网关模式,还是大家各自本地启动 + git 同步配置?权限白名单、调用审计这块有什么好方案? 4. 有没有成熟工具链做自动同步(类似 agentmeld /teamai-cli)、变更校验、eval 回归门禁? 5. 文档和 Agent 的打通:哪些文档放进 Git 作为可信真值,哪些放外部知识库,边界怎么划分? 如果有现成的仓库样例、目录规范、团队协作流程,非常希望能分享参考,感谢!
280
8
PHP 被曝两大致命漏洞,请所有程序员抓紧做这件事!
280
9
人工智能前沿部署工程师(FDE) · 概 览 与 方 法 论
270
10
QuireKit 编辑器的 AI-Native 是如何设计的?谈谈我对真正 AI-Native 的理解
250
11
告别“金鱼记忆”:我开发了一款能当“第二大脑”的浏览器 AI 助手
250
12
ARTS 1101: 最长回文串与子序列匹配、一次 URL 请求的来回之旅与如何验证 AI 的交付
230
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
朱雀AI检测助手朱雀AI检测助手