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

智谱和MiniMax的招股书,揭露大模型创业的10个真相

编程导航
编程导航
2025-12-24 23:51
阅读 232
编程导航
2025-12-24 23:51
阅读 232

 文 | 硅基研究室,作者 | kiki

作为曾经备受关注的「大模型六小虎」成员,智谱和MiniMax可能要先上岸了。

争夺「大模型第一股」竞争已经开始,这很容易让人联想到曾经「AI四小龙」的上市热,类似的情况是:一样的流血上市、一样的资本关注以及一样的「野心使命」。

但不同点在于新技术周期:从百模大战里卷出来的智谱和MiniMax代表了当下中国大模型创企的生存路径,不再以简单的B端或C端生意来划分收入,而是靠模型最终的产品化形态。

但商业化路径也有差异。一类是主要靠MaaS模式,靠API调用,卖Tokens赚钱;另一条则是AI原生产品型公司,主要靠订阅服务收费。从两家公司的招股书披露看,智谱偏向前者,MiniMax则偏向后者。

路径的差异决定了两家大模型企业的气质全然不同:智谱更重,它期待建立一个以API消耗为核心的收入模型;MiniMax则更轻,它通过以AI原生产品为入口,让自己成为系统中心。

但和野心相对的是,是大模型企业创业的高昂代价:持续的亏损、基建的投入以及资本退出的诉求,IPO既是生存必需,也是残酷竞争的开始,

智谱和MiniMax招股书,是我们理解中国大模型创业的重要参考,不可否认的是它们已经是优秀的模型企业,但以下是关于它们的十个残酷真相。

1、各有心思的披露方式,都印证了巨头拥有不可撼动的市场地位

智谱和MiniMax对其市场份额的披露方式不同,智谱聚焦国内、MiniMax则对标全球。

智谱在招股书中称,按2024年收入计,其在中国独立通用大模型开发商中位列第一,在所有通用大模型开发商中位列第二,MiniMax称其为全球第十大模型公司。

两家的分类方式也有差异:智谱将大模型厂商分为非独立模型提供商和独立模型提供商;MiniMax将大模型公司分为大模型技术公司和大模型应用公司,都在强调自身和大厂battle的实力。

但不同的披露方式反映出各自的「小心思」——智谱强调自己在中国独立大模型厂商中的地位,这也符合它B、G端的业务叙事;MiniMax则更将自己视为全球化的模型企业,是为了强调自己的技术属性。

但它们的市场份额都并不高,巨头的「黑洞效应」也在显现:智谱在中国所有通用大模型开发商中市场份额为6.6%,与第三名(6.4%)、第四名(6.1%)的差距并不大。MiniMax在全球的模型市场,按基础模型收入计算,份额为0.3%,它称自己排名第10,但没说自己是和其他四个并列第10。

2、收入都是三位数高增,但增长逻辑都变了

智谱和MiniMax都呈现出了收入的三位数高增趋势,2022年至2024年,智谱三年复合年增长率在130%以上,2025年上半年收入增长率达到了325.2%;MiniMax的增速也堪比惊人,2024年的收入增长率达到了782.2%,今年前三季度为174.3%。

都是三位数狂飙,但增长逻辑不同:从收入构成看,智谱呈现出「本地化部署下降、云端部署占比提升」的趋势。

MiniMax的收入增长则主要依靠AI原生产品,其中海螺AI的重要性在提升——收入占比从2024年的7%上升到32.6%,而我们所熟知的Talkie╱星野占比从63.7%下降到了35.1%。

3、都在「流血上市」,但短期MiniMax的压力较小

大模型是一门烧钱的竞速,「流血上市」的智谱和MiniMax都印证了这一点。智谱2022年至2025年上半年,三年半累计亏损超62亿,MiniMax在过去三年的零九个月里,同期累计亏损达13.2亿美元(约93亿元人民币)。

单从亏损数字来看,两家公司半斤八两,但看现金流情况,短期MiniMax的压力较小。

智谱2025上半年净亏损超20亿,但其平均每月的现金消耗达到了约3.3亿元,据招股书智谱截至今年6月末现金及现金等价物为约25.5亿元,据此计算,现金流支撑不足一年。

今年前三季度,MiniMax的现金消耗为每月211万美元,账面现金结余合计超10亿美元,据此计算,支撑其运营时间大约4年。

4、都在强调多元化收入结构,但商业模式没有新故事

两家公司也都在强调多元化,包括多元化的盈利途径、收入结构、供应链和客户,本质上是让资本市场相信其商业化能力,智谱和MiniMax都在招股书中提了十余次关于「多元化」的内容。

但「多元化」是一个极具模糊性的表述,仅从商业模式来看,它们依旧没有讲出太多的新故事。

MiniMax超七成营收靠AI原生应用拉动,其中四成为订阅服务收入、两成为卖广告,和互联网产品收入模式没有区别。

智谱的本地化和云端部署业务虽不同于过去B端重度定制模式,因为模型的通用性和泛化能力,以API卖token的形式提供了一定的标准化产品能力,但这些都没有改变定制化的本质——赚的是辛苦钱、账期较长、大客户依赖。招股书也显示,截至今年上半年智谱五大客户的收入依旧占比超四成。

5、智谱强调科学家,MiniMax强调年轻化

有意思的,还有两家企业对人才画像的描述。

MiniMax用大量的篇幅描述了自己的人才优势:照顾书中7次提了扁平灵活组织架构、CEO之下最多只有三级以及员工刚担任负责人时通常年龄在30岁以下。

MiniMax创始人闫俊杰也曾形容过他的招人条件:“足够聪明、对AI领域有真正的热情和协作能力”。

智谱则强调科学家,其在招股书中强调:“根本而言,我们是一家由数据科学家和工程师组成的公司”,招股书中「科学家」提了18次。智谱想要什么样的人,智谱高级副总裁吴玮杰曾在社交媒体上形容:“聪明+勤奋”。

两家企业的研发人员占比都超过七成,但创业公司更强调人效比,我们计算了两家公司的人均单日创收能力:智谱约为1189元,MiniMax为3577元,MiniMax是智谱的3倍。

6、成本都流向了「算力」

大模型创业融来的钱都流向哪儿了?两家企业的招股里也写清楚了钱的流向:算力。

2025年上半年,智谱向云厂商提供的计算服务费超11亿元,MiniMax与训练相关的计算服务开支今年前三季度烧掉了约1.42亿美元(约10亿人民币)。

庞大的算力支出依旧是看不见的成本黑洞。

7、不想做OpenAI,但想成为「Anthropic+OpenAI」

与曾经追逐OpenAI不同,MiniMax和智普都不想成为OpenAI了,但它们都想讲出「Anthropic+OpenAI」的故事,来争取更大的估值空间。

OpenAI强在其通过生态联盟和算力投资,创造出了前所未有的收入增速;Anthropic则更谨慎,聚焦企业客户、优化毛利率水平,Anthropic曾预计最早将在2027年实现现金流转正。

智谱和MiniMax都很「聪明」:一面会强调收入规模的持续扩充,另一面则会强调提升运营效率。翻译一下,它们想告诉市场:具备高增潜力但不会像OpenAI那样大力烧钱,会像Anthropic靠效率制胜。

8、海外是收入的增长点,也是风险级

海外,都是智谱和MiniMax收入的增长点。

智谱以东南亚为代表的海外市场,其本地化部署在今年上半年贡献了约1792.7万元的收入。除了东南亚,我们还了解到智谱也在大力拓展阿联酋等中东市场,加入大模型出海的竞争。

较早确立出海的MiniMax,2025年前三季度,其海外市场收入贡献占比超70%。

海外是收入的增长点,但也是风险级。MiniMax在其招股书中,就回顾了今年9月包括迪士尼在内的多家影视公司和海螺AI的版权诉讼争议。尽管强调了「不会对业务、经营业绩或财务状况产生重大不利影响」,但版权方和AI公司间的博弈依旧是MiniMax必须要面临的不确定性。

9、上市只是残酷竞争的开始,各有各的苦要吃

 上岸不意味着竞争优势的扩张,智谱和MiniMax依旧面临诸多的挑战。

智谱需要回答的是,着未来模型商品化的加速,其MaaS业务的效果、价格和速度在云厂商面前,是否能真正跑通规模化。

如果想要和Anthropic一样,建立起以API和token消耗的收入模型,智谱就必须要让自己的模型能力在编程等企业关注的实际业务场景里具备更大的优势,在更大的生态里寻找生存机会。

另一边的MiniMax,截至今年9月底,其C端产品已直接触达全球2.12亿用户,招股书中MiniMax对外释放的信号是,比如销售及营销开支同比下降,产品转向自然增长等,强调自身并非是过去粗放式增长。

这些是好的信号,但不是长期护城河,MiniMax目前C端收入还是依赖单一的产品,主打工具属性的海螺AI和情感陪伴属性的Talkie/星野,这一「小而精」的产品路线能否支撑更大的收入规模,都需要划上问号。

除此以外,强调年轻人才优势的MiniMax也面临人才流失的风险。

10、「小米加步枪」式的中国AI

 不同于海外模型公司的「大力出奇迹」,智谱和MiniMax代表了一种「小米加步枪」式的中国AI生存路径:在极高的研发投入下,用敏捷迭代和效率组织,边跑边聚焦商业化。

无论谁将最终上市,都将是中国大模型创业的一个关键节点:不仅是基本面上可被量化的成长性,更是中国模型企业竞争的分化——资本市场不会容下太多的大模型企业,新的洗牌即将发生。

原文链接: 智谱和MiniMax的招股书,揭露大模型创业的10个真相
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