BossAgents凌晨两点，我盯着MiniMax官方那条推文看了快十分钟。
2290亿参数，推理只激活100亿。
我承认我第一反应是，这数字是不是写错了。2290亿是什么概念，这已经是去年大家围观GPT-4时讨论的那个量级，是大模型俱乐部里的顶配身位。而100亿激活，又是什么概念，这差不多是你家那张3090显卡都能勉强跑起来的尺寸。
一个顶配身材的模型，跑起来的成本却只有十分之一的电费。
这事如果发生在去年，我大概率会觉得是PPT技术。但今年，是MiniMax干的，我得认真聊聊。
先把背景说清楚。MiniMax这家公司，国内做AI的朋友应该都听过，海螺AI、星野、Talkie这些产品都是他们家的。他们家此前的形象，更多是一个C端产品做得很猛的公司，Talkie在海外尤其能打，是国产AI出海少有的能在DAU上跟Character.AI掰手腕的那一个。
但在大模型这件事上，MiniMax以前一直走的是闭源路线，跟智谱、月之暗面、阶跃这几家不太一样。你能用他们的API，能用他们的产品，但模型权重你拿不到。
这次M2.7突然开源，而且是完全开源、可商用，这态度上的转变本身就很有看头。我后面会讲为什么他们要这么干，先把这个模型本身说透。
2290亿参数的稀疏MoE，激活约100亿，这套架构这两年已经是大模型圈的显学了。Mixtral最早把这条路走通，DeepSeek把它推到了一个让全世界瞠目结舌的高度，Qwen也在跟，国外的Llama 4也是这条路。
但同样是MoE，差别可以非常大。
打个比方，传统的稠密模型，就像你雇了一个全才博士，不管你问他什么问题，他都要把自己脑子里所有的知识全过一遍才能回答你。问他1+1，他也得把微积分、量子力学、唐诗宋词全过一遍。这显然很浪费。
MoE的思路是，我给你雇一整个研究院，里面有几百个专家，你问数学，数学专家上，你问历史，历史专家上，你问代码，代码专家上。研究院规模是大，但每次干活的就那几个人，电费水费自然就省下来了。
2290亿是这个研究院的总人数，100亿是每次叫出来干活的专家人数。比例大概是4.4%，这个稀疏度在业内属于比较激进的设计，已经接近DeepSeek V3那种思路了。
激进意味着什么呢，意味着便宜。
我们来算笔账。一个稠密的700亿参数模型，比如Llama 3 70B，推理的时候每次都要把整个700亿参数走一遍，对显存、算力的占用就是按700亿来算的。而M2.7每次只激活100亿，从计算量上看，跑起来比700亿的稠密模型还要轻松不少。
但你拿到的能力，是2290亿参数堆出来的能力。
这就是MoE的魔法。你花100亿的钱，享受着2000多亿的智商。这事如果不是亲眼见到benchmark一个接一个被这种架构刷下来，谁都不会相信。
那M2.7具体跑分怎么样呢，我看了一下他们公布的数据，在主流的几个评测集上，跟一线的开源模型基本都能掰一掰手腕，在代码、数学、长上下文这几个MoE模型相对吃亏的方向，反而表现得很稳。
但我得说一句实话，跑分这事我现在越来越不信。这几年大模型卷下来，所有的榜单都已经被刷得不成样子，谁家发新模型不是SOTA。我现在判断一个模型好不好，更多看两个东西，一个是实际用起来的感觉，一个是社区开发者用脚投票的速度。
M2.7开源的时间还短，社区反馈我还在等，但从我自己跑了几个测试用例的体感来看，至少在中文场景、代码场景上，是过关的。尤其是处理长文档总结这种活，它的速度让我有点惊讶，因为激活参数小，吞吐量就是猛。
聊到这里，可能有人要问了，这跟我有啥关系。我又不训模型，我又不开发AI产品。
关系大了。
我跟你讲三个场景，你就明白这事的分量。
第一个场景，是你正在用的那些AI产品。
你现在用的Kimi、豆包、通义千问、文心一言，你以为它们的成本是均匀的吗，不是。每问一次，每生成一段回答，背后都是真金白银的GPU电费在烧。这也是为什么所有大厂的AI产品都拼命要做免费版引流，但免费版都有各种各样的限制。
成本压不下来，免费就是亏本，付费就贵得没人用。
MoE这种架构往下走，意味着同样的智商水平，运行成本可以降一个数量级。降一个数量级是什么意思呢，意思是以前给你限10次/天免费的服务，可能可以变成不限次免费。以前每月20美元的Pro订阅，可能可以变成5美元甚至免费。
这事DeepSeek已经演示过一次了。DeepSeek把API价格打到那个程度，逼得国内所有大厂跟着降价，Kimi降、文心降、通义降，OpenAI都被迫调整了价格策略。
M2.7这一刀，会让这个降价螺旋继续往下转。受益的是谁，是你。
第二个场景，是中国AI的开源生态。
我跟一些海外做AI的朋友聊天，他们一个共同的感受是，过去一年中文开源模型的迭代速度，把所有人都看傻了。
Llama 3发布的时候，大家觉得Meta把开源大模型的天花板拉高了一截，没想到三个月后DeepSeek V2出来，又拉高了一截。然后Qwen 2.5又拉高了一截。然后DeepSeek V3直接把闭源模型也按在地上摩擦了一遍。然后是R1，然后是各家的视觉模型、代码模型，一个接一个砸出来。
到今天，全球Hugging Face下载量前列的开源模型里，中文厂商的份额已经远远超过了一年前所有人的预期。
MiniMax这次加入开源阵营，是有信号意义的。它意味着国内最后几家还在坚持闭源的头部模型公司，开始动摇了。或者说，他们意识到，闭源在中国市场已经不是一个可持续的商业模式。
为什么不可持续，因为有DeepSeek这种存在。当一个性能不输GPT-4o的模型可以免费下载、免费商用，你闭源还想收钱，凭什么。
凭情怀吗，AI圈没那么多情怀。
第三个场景，是开发者生态。
我有几个做AI应用的朋友，他们最大的痛点是什么呢，是模型成本。
做一个AI客服，做一个AI写作工具，做一个AI教育产品，最终拼的不是模型有多聪明，而是单次调用的成本能压到多低，毛利能拉到多高。这就是为什么国内现在做AI应用的公司，越来越倾向于自己部署开源模型，而不是调用闭源API。
调用闭源API，每一次都是按token计费，你的成本曲线是线性的，用得越多越贵。
自己部署开源模型，前期有一次性的硬件投入，但跑起来之后，边际成本就是电费。用得越多，单位成本越低。
M2.7这种激活100亿的设计，对开发者来说太友好了。一台8卡的H100服务器就能跑起来，甚至更便宜的国产卡都能凑合，对中小公司、独立开发者来说，这就是把2000亿规模的能力打包送到他们家门口。
接下来一段时间，你会看到越来越多用了M2.7的AI产品冒出来。它们的特点会很统一，便宜、快、能力不弱。
聊完了对你的意义，我想再聊一下我对这件事更深一层的判断。
坦率讲，我觉得MiniMax这次开源，不完全是技术信仰，更多是商业上的清醒。
这家公司过去给我的感觉，是一家产品力很强、商业嗅觉很灵的公司。他们做Talkie能在海外打到那个体量，做海螺AI能在国内做到一线，本身就说明团队对市场的判断很准。
那为什么要开源呢，因为他们看明白了一件事，单纯靠卖模型API赚钱这条路，在中国市场基本走死了。
走死的标志就是DeepSeek。
DeepSeek那个价格不是商业定价，是市场屠杀。当一家公司愿意用近乎成本价的方式去服务市场，整个行业的定价权就被打碎了。其他公司要么跟，要么躺平。
MiniMax选了第三条路，开源，把模型当成基础设施，靠产品和服务赚钱。
这条路看似激进，其实是这两年大模型行业被反复验证过的最稳的一条。Meta的Llama走的就是这条路，扎克伯格在内部信里说得很直白，开源不是为了情怀，是为了让Meta在AI基础设施层占据生态位，让OpenAI的护城河失效。
DeepSeek走的也是这条路，开源换生态，生态换影响力，影响力换长期的话语权。
MiniMax这次跟上了。
那闭源还有没有未来呢，有，但越来越窄。
未来还能靠闭源活得很好的，可能只剩两类公司。一类是OpenAI、Anthropic这种，能持续在最前沿做出代际差距的，每隔几个月就甩开源一个身位的。另一类是有强消费品和强场景护城河的，比如苹果、Google，模型本身只是产品的一部分，不靠模型挣钱。
中间的那些，闭源会越来越难。
而开源这条路上，今年我们看到的最有意思的现象是，中国厂商正在变成事实上的主力。
我之前写过一篇文章聊过这个事，今年Hugging Face上最热的几个模型，DeepSeek、Qwen、GLM，全是中国公司的。再加上现在MiniMax，加上后面可能跟进的更多家，中国在开源大模型这件事上，已经不是追赶者了，是引领者。
这事在两年前你跟我说，我是不信的。两年前大家还在讨论中国能不能追上Llama 2，能不能复刻出ChatGPT。
两年后，我们在讨论的是Llama 4为啥这么拉跨，OpenAI为啥这么久没有惊艳的更新。
世界变化得真快。
我想再说一个观察。
这两年我接触了不少AI圈的人，从大厂高管到独立研究者，从投资人到一线工程师，大家有一个相对统一的感受，中国AI的优势其实不在最尖端的突破上，而在工程化能力、性价比、迭代速度、应用落地这几件事上。
最尖端的突破，比如o1这种推理模型的范式创新，比如Sora这种视频生成的工程奇迹，更多还是OpenAI、Anthropic、Google这些公司在做。中国公司的角色更多是看到一个新方向出来后，迅速跟进、迅速优化、迅速做到便宜可用。
这听起来像是吃了夸，但我觉得这是事实，而且这种角色一点都不丢人。
因为AI这场革命，最终要落到人身上，要落到产品上，要落到普通人用得起、用得爽、用得多的地方。能做到这件事的，才是真正决定行业格局的玩家。
OpenAI再厉害，如果它的产品永远是月费200美元，永远只服务美国白领，永远不向开源生态妥协，那它影响的人就是有限的。
而DeepSeek、Qwen、MiniMax这些，把2000亿参数级别的模型，做到一个学生都能调用、一个小公司都能部署、一个普通开发者都能基于它做产品，这种普及力本身就是一种革命。
MoE架构的兴起，本质上就是为这种普及做技术准备。激活参数越小，单位成本越低，门槛越低，能用上的人就越多。
所以你看，M2.7这件事拆开来看，是技术，但合起来看，是一个时代的注脚。
我们正在见证AI从精英玩具变成基础设施的过程。
就像电力刚发明的时候，只能在大城市的少数地段用，慢慢地铺到每家每户。就像互联网刚出来的时候，只有少数大学和实验室能用，慢慢地变成空气一样的存在。
AI这场普及战，前半场拼的是模型有多强，后半场拼的是模型有多便宜、多容易用。
我们正在从前半场过渡到后半场。
聊到这里，回到一开始的问题，这件事对你意味着什么。
如果你是一个AI产品的普通用户，意味着你接下来用到的AI工具，会越来越便宜，越来越快，免费额度会越来越大方。你不需要做什么，你只需要享受这个红利。
如果你是一个开发者，意味着你现在有了一个新的、性能很强、成本很低的开源选项。M2.7的权重已经在Hugging Face上了，你可以下载、可以试、可以基于它做你想做的产品。这个时间窗口很关键，谁先用上、谁先迭代出好产品，谁就能在新一轮AI应用浪潮里抢到位置。
如果你是一个对AI格局感兴趣的观察者，意味着你应该把闭源vs开源这条线，重新认真看一遍。这条线的胜负，可能比中美AI竞争那条线，更深远地决定我们未来十年的技术生态。
如果你是一个普通人，对这些都不感兴趣，那至少你可以知道一件事，今天有一家叫MiniMax的中国公司，把一个全世界顶级水平的大模型，免费送给了全世界。
这件事在五年前是不可想象的。
我一直觉得，AI这场革命最让我感动的地方，不是它有多强，而是它在变成一种公共品。每一个像M2.7这样的开源动作，都是在把这个公共品的池子再注满一些水。
水越满，喝水的人就越多。
普通人喝水的成本，就越接近于零。
最终我们会发现，回头看这几年中国AI的发展，最值得记住的可能不是某个模型跑分多高，不是某个产品DAU多少，而是这场把AI从奢侈品变成自来水的运动里，中国公司贡献了多少水。
DeepSeek贡献了一桶，Qwen贡献了一桶，GLM贡献了一桶，今天MiniMax拎着2290亿参数的水桶过来，咣当一声，又倒了进去。
这桶水的名字，叫M2.7。
我们这些喝水的人，应该记得这些拎水桶的人。
以上，既然看到这里了，如果觉得不错，随手点个赞、在看、转发三连吧，如果想第一时间收到推送，也可以给我个星标⭐～
谢谢你看我的文章，下次再见。
