算力差23倍，性能只差2.7%：闫俊杰访谈拆解，中国大模型靠工程效率追平美国

美国的AI公司用资本堆算力，中国的AI公司用工程压成本。两条路线正在同一张榜单上正面相遇。

MiniMax创始人闫俊杰近日接受了英国投资信托Scottish Mortgage旗下播客《Invest in Progress》的访谈，这是他首次做英文播客节目。对谈人是该机构投资经理Lawrence Burns，此人在2025年12月到中国拜访过闫俊杰，随后Scottish Mortgage参与了MiniMax的香港IPO。

这场对话给出了一组值得所有从业者记下的数字：斯坦福大学《2026年人工智能指数报告》显示，2025年美国私人AI投资达到2859亿美元，中国是124亿美元，相差23倍。可截至2026年3月，Arena Elo评价体系里，美国领先模型1503分，中国最高分模型1464分，性能差距只有2.7%。自2025年以来，中美模型还多次交换过领先位置。

钱差了23倍，分差只有2.7%。中间的差额，被工程效率补上了。

一、算力约束逼出来的技术路线

闫俊杰把中美AI产业概括成两种生态：美国在建立由巨额资本支撑的封闭系统，中国在建立由效率驱动的协作体系。他的原话更直白：”约束让我们成了更好的工程师和研究人员。”

这种约束具体体现在三家公司的技术选择上。

DeepSeek用混合专家（MoE）架构，减少每个Token实际参与计算的参数量。智谱把线性注意力与稀疏注意力结合，降低长上下文处理的计算开销。月之暗面在注意力机制和稀疏专家架构上做优化。路径不同，目标一致：砍掉不必要的计算，把有限的算力留给提升模型能力。

MiniMax自己走了两条原则：架构和基础设施尽可能简单；坚持自建基础设施，哪怕短期拖慢产品发布节奏。闫俊杰还提了一个细节——模型架构从设计之初就考虑在不同芯片上的表现，不押注任何单一硬件。这层设计在芯片供应波动的年份里，价值会反复显现。

二、推理成本降下来，后训练才铺得开

这场访谈里最有信息量的观点，是推理成本和后训练规模的关系。

大模型完成预训练之后，要靠强化学习和数据合成继续打磨能力。这两件事都在消耗推理算力：强化学习需要模型反复尝试、获得反馈，合成数据需要模型批量生成。Burns在访谈里用高尔夫球手作比——两名球手买练习球的单价不同，便宜的那个在同样预算下能多练几万颗球。

推理成本每降一分，同样的资源就能支持更多轮后训练。闫俊杰的判断更进一步：后训练在模型迭代中的分量会越来越重，MiniMax未来甚至可能拥有全球规模最大的后训练系统。公司2月公布的Forge框架就是干这个的，专门用于智能体强化学习训练，M2.5模型开发期间接入了多种智能体脚手架和运行环境。

商业模式也挂在这条逻辑上。闫俊杰的态度很明确：”AI行业的盈利不是通过提高价格实现的，而是通过创新不断降低推理成本。”截至今年8月，MiniMax的ARR（年度经常性收入年化运行率）超过8亿美元，B2B业务占比超过80%。参照数字：公司2026年上半年营收1.166亿美元，同比增长283.1%，经调整净亏损2.93亿美元。增长很快，盈利还没有时间表。

三、Agent时代，成本问题会被放大

推理效率的紧迫性来自使用方式的变化。

过去用户问一句、模型答一句，一轮推理结束任务。Agent时代完全不同：模型要拆解目标、调用工具、检索信息、根据执行结果调整方案。多智能体系统里，主模型还会把任务分给多个子智能体，一个复杂任务可能触发几十轮甚至更多次模型调用。

任务链条每拉长一截，推理成本就翻一倍。这也是为什么各家都在卷低价快模型——DeepSeek V4.1-Flash、MiniMax M3.1 Flash、美团LongCat-2.5，全都是给Agent准备的”量贩算力”。单次调用便宜10倍，几十轮跑下来账单才压得住。

闫俊杰给Agent的下一阶段划了条线：不只是让模型在长周期任务里跟人类竞争，而是让它能自主制定目标、验证自己的执行结果。这才是真正的自主性。

四、开源到AGI：一张明确的时间承诺

访谈里传播最广的一句话是：”我们打算一直开源下去，直到AGI实现。”

闫俊杰给开源算的账很务实。H3模型开放后一个月下载约2500万次，前两周就冒出约300个衍生模型。美国公司fal.ai基于H3做后训练得到H3 Max，3秒生成5秒视频，生成速度快过播放速度。已有开发者拿它做24小时AI直播，根据观众弹幕实时生成画面。

社区替MiniMax探了路，反馈又回到研发里。这就是他说的”Intelligence with everyone”——智能不只服务于所有人，还由所有人共同建设。DeepSeek、智谱、月之暗面、阿里都在走类似的开放权重路线；大洋对岸，OpenAI和Anthropic依旧把权重攥在手里当护城河。开源与闭源，正在变成中美AI产业真正意义上的分野。

五、给从业者的三个判断

第一，别再用”烧钱多=能力强”的旧地图。 23倍的投资差只换来2.7%的性能差，工程效率已经成了模型竞争的核心变量。选模型时把每百万Token的价格拉进对比表，比看参数规模实在。

第二，后训练会是下一个技术分水岭。 强化学习和数据合成的规模取决于推理成本，推理成本取决于架构和基础设施。这条链路决定谁能持续变强。

第三，Agent调用量会吃掉你的预算。 上Agent之前先算清单次调用成本和任务链条长度，优先选按效果计费或低价Flash档模型。工具选型的账本，从今天起要按”每任务总成本”来记。

M3 Pro还在路上。闫俊杰说它没完成，但期待一次重要突破。效率路线能否跑通盈利，这场实验的答案会在未来两年里揭晓。