文章摘要
头部大模型厂商MiniMax发布2026年半年报，上半年营收同比增长283.1%，已超2025全年营收，截至8月ARR突破8亿美元，降价后用户规模增长反而带动毛利率提升，当前ToB业务对ARR贡献超八成。MiniMax将推出两款新模型，提出“推理即训练”思路，认为行业核心竞争力是持续规模化迭代的体系能力。

近期某头部大模型厂商发布了2026年半年报，同时披露了下一代模型的研发路线，其提出的“推理即训练”的核心思路引发行业广泛关注。

先来看这份财报的核心数据：上半年营收同比增长283.1%，达到约1.166亿美元，已经超过2025年全年营收规模。毛利同比增幅达到464.8%，第二季度环比第一季度增长约81.8%。截至8月，ARR突破8亿美元，毛利率从去年的12.1%提升至17.9%，厂商表示这一改善主要得益于基础设施运行效率的优化。

今年厂商进行了一轮模型价格下调，市场普遍担心降价会挤压毛利率，但实际数据显示，模型单价降低的同时，用户规模和token消耗量实现了快速增长，毛利率反而实现提升。厂商解释，成本下降后，一部分收益让渡给客户以降低使用门槛，吸引更多用户和更大的token体量，另一部分则用于改善毛利率。只要单位token的毛利保持正向且持续优化，规模扩大就能带来更高的绝对毛利。数据显示，7月的token消耗量已经达到1月的20倍，企业和开发者数量突破200万，是去年年底的10倍。

从业务结构来看，上半年开放平台及其他AI企业服务收入同比增长703.1%，占总营收的63.4%，而去年同期这一占比仅为30.3%。到8月，ToB业务对ARR的贡献已经超过80%，同期C端业务收入翻了一倍，B端业务则增长了八倍。从地域分布来看，海外收入占比约60%，国内占比约40%。

厂商高管指出，当前模型消费正在从人类与AI的单轮交互，拓展到Agent与AI的多轮交互，单个用户的需求会触发多轮模型请求、工具调用和子Agent任务，单用户的token消耗正在快速增长，这意味着模型的需求规模第一次开始脱离人类用户数的增长节奏。

下一代模型研发规划

厂商即将推出两款全新模型M3.1和M3 Pro，整体研发方向围绕“提升能力、降低成本”展开。

M3.1作为M3的迭代版本，将沿用现有底座，扩大后续训练规模，重点强化代码生成、工具调用和Agent能力，更注重任务完成质量、稳定性和推理效率，定位为能够被广泛大规模使用的通用模型。在过去两个多月里，厂商的文本模型单位算力吞吐已经提升了三倍，当前文本模型的算力投入是视频模型的4倍，是当前算力投入的最高优先级方向。

M3 Pro则探索了全新架构，参数规模达到约3T，将在更大的基础模型上强化强化学习和长程任务训练。其搭载的MSA 2.0架构通过压缩KV Cache的存储容量，提升了推理阶段Prefill的缓存命中率，同时支持更大的Batch Size，整体算力利用率得到显著提升，在最大参数档位上，计算效率预计可以提升约3倍。

针对M3 Pro的3T参数规模，厂商规划了三条算力供给路径：自主可控的核心集群负责旗舰模型训练，云厂商提供弹性算力保障，Token Factory作为推理算力的弹性补充。作为国内最早建立规模化稳定基础设施体系的独立大模型厂商之一，目前厂商的有效训练时间占比已经达到97%，现有及规划的算力足以支撑3T级别的文本模型训练。同时，M3和H3正在适配国产芯片，未来大规模国产算力集群将逐步承接真实生产流量。

推理即训练的核心逻辑

厂商高管提出了“推理即训练”的核心思路：推理既是对外输出智能的过程，也是内部生产下一代智能的过程。当前越来越多的训练工作本质上都是推理，比如合成数据、RL Rollout、模型评测、Agent环境、中期训练和后训练等环节，都需要大量的推理算力。这些环节在训练总算力中的占比正在不断提升，推理效率越高，相同算力下能够支撑的后训练规模就越大，因此推理效率不仅决定了API的定价，也开始影响下一代模型的训练深度。

在相同的算力规模下，推理计算效率的提升倍数，与后训练规模的扩大倍数基本呈线性相关，只有持续降低推理成本，才能有足够的算力资源支撑后训练的进一步扩展。因此，当下的推理环节，既是在售卖智能产品，也是在为下一代智能的生产积累能力。厂商强调，单个模型版本的意义并不大，背后的基建和研发体系能否持续规模化迭代，才是核心竞争力。

行业与战略思考

  • 大语言模型行业并非零和竞争，智能提升的空间几乎没有尽头。从去年下半年开始，代码生成和Agent能力已经逐步具备实用价值，未来模型将更加自主、更具创造力地完成长程任务，最终实现端到端交付可靠可验证的结果。任何一家公司的技术进步，只要能够推动智能边界的拓展，都会扩大整个行业的价值空间，惠及更多参与者。
  • 下一阶段的模型竞争核心，不再是单纯的算力规模或用户规模，而是能否定义正确的技术问题，选择有效的技术路径，并持续提升将算力转化为智能的效率。模型智能的提升，不只是简单扩大参数规模，而是要将架构设计、训练、强化学习、推理、评测以及Agent环境等各个环节更好地串联起来。基础设施也不只是拥有更多算力，还要保障集群运行稳定、训练和推理效率更高，能够持续产生和回收高质量数据，支持更大规模的实验和强化学习。基础能力越强，就能开展更多有效实验，更快发现和解决问题，模型迭代的速度也就越快。
  • 厂商的技术路线非常明确：在持续提升模型智能上限的同时，最大化每一单位算力产生的智能价值。极致性价比并非单纯的价格策略，而是一条技术路线。更高的模型和系统效率，一方面可以降低推理成本，另一方面也能支持更大规模的实验、强化学习和真实任务验证，让效率和智能形成正向循环。
  • 最终，模型的价值在于解决现实世界的真实问题。代码生成和视频生成的市场已经证明，用户愿意为更高的任务完成质量、更低的使用成本和更好的生产效率付费。厂商不会将竞争简单理解为大厂与纯AI厂商之间的博弈，也不会只看重初始用户或供应链资源。长期来看，真正的核心竞争力在于谁能持续提升模型智能、降低单位智能成本，并更快地将模型能力转化为真实的使用价值。
  • 厂商希望建立的不是依赖单一模型版本或某一项资源优势的竞争力，而是一套能够持续定义问题、持续进行规模化迭代、持续提升智能密度和智能高度的系统能力。
以上内容不代表本平台立场，仅供读者参考