MiniMax تبني وحشًا بـ 3 تريليونات معامل — وقد يُغيّر مشهد تسعير الذكاء الاصطناعي

الملاحظات الداخلية

سَرَبت مجموعة من الملاحظات الداخلية من MiniMax — أحد أكثر مختبرات الذكاء الاصطناعي في الصين إنكارًا لذاتها — إلى العلن. يغطّي المستند أربعة مجالات: تطوير نموذج الجيل القادم، التموضع التنافسي في معايير البرمجة، استراتيجية البنية التحتية الحاسوبية، وتوقعات هامش الربح الإجمالي. مجتمعةً، ترسم صورة لشركة على وشك القيام بمناولة جادة في سباق النماذج الأمامية — ومن الممكن أن تعيد تشكيل مشهد تسعير واجهات AI الصينية.

اسم MiniMax ليس مألوفًا للعامة خارج الصين. لكن داخل الصناعة، معروف بأمرين: آلية Lightning Attention (التي تطوّرت الآن إلى MSA) التي تجعل الاستدلال بسياق طويل أرخص بشكل كبير، ونموذج برمجة قوي بشكل مفاجئ (M3) يتفوّق على ما هو متوقّع في فئته. هذه الملاحظات توحي بأن كلا الميزتين على وشك أن تكبرا كثيرًا.

الجيل القادم: 2.5–3 تريليون بارامتر

الرقم الرئيسي: نموذج الجيل القادم من MiniMax يستهدف 2.5–3 تريليون بارامتر. للسياق، يُقدَّر GPT-4 بنحو ~1.8T، ويُعتقد أن DeepSeek V4 ضمن نطاق 1–2T. إذا بلغت MiniMax 3T، ستكون من بين أكبر نماذج dense/MoE التي تم تدريبها على الإطلاق.

التدريب المسبق على النموذج الجديد يجري منذ نحو نصف شهر، ووفق الملاحظات التقارب يتجاوز التوقعات. يستخدم النموذج معمارية MSA 2.0 (المزيد عنها أدناه)، وقد تضاعف كلٌّ من عدد البارامترات والتنشيط تقريبًا مقارنةً بجيل M2 الحالي.

الجدول الزمني: يُتوقَّع إطلاق النموذج الجديد بعد صيف 2026 (على الأرجح سبتمبر–أكتوبر). الفريق الداخلي واثق جدًا بحسب التقارير من الأداء ومستوى الإنجاز، زاعمًا أنه سيقود السوق المحلي (الصيني).

MSA 2.0: السلاح السري لكفاءة التكلفة

MSA تعني Multi-Scale Attention — معمارية MiniMax المسجّلة كملكية تطوّرت من أعمال Lightning Attention السابقة لها. الميزة الأساسية: تقلّل بشكل كبير عبء حسابات Attention مع الحفاظ على جودة النموذج.

لماذا يهمّ هذا للتسعير:

• كفاءة التدريب: تتيح MSA 2.0 لـ MiniMax تدريب نموذج بـ 3T بارامتر بكسر مما كلّفه محوّل (Transformer) قياسي. تكلفة تدريب أقل = رأس مال أقل لاسترداده = مساحة أكبر لتسعير عدواني للواجهة.
• كفاءة الاستدلال: تدعم MSA تسلسلات فائقة الطول مع انخفاض في عبء الحساب بمقدار رتبة من القدر. هذا يعني أن MiniMax قادرة على تقديم نوافذ سياق تتجاوز 1M بتكلفة هامشية أقل بكثير من المنافسين الذين يستخدمون Attention التقليدي.
• هامش الربح الإجمالي: تنص الملاحظات صراحةً على أنه رغم تضاعف البارامترات والتنشيط، فإن هامش الربح الإجمالي للنموذج الجديد متوقَّع أن يتجاوز M2. هذا ممكن فقط إذا كانت MSA 2.0 تحقّق وفورات حقيقية في تكلفة الـ token الواحد.

أداء البرمجة والسرعة

تكشف الملاحظات تفاصيل مثيرة للاهتمام حول استراتيجية البرمجة لدى MiniMax:

• M3 هو الأسرع بين النماذج الرئيسية — نحو 100 token في الثانية (TPS)، وهو ما تزعم الملاحظات أنه أسرع من أي منافس. بالنسبة لسير عمل البرمجة الذي يراقب فيه المطوّرون تدفّق المخرجات لحظيًا، تترجم ميزة السرعة هذه مباشرةً إلى تجربة استخدام أفضل.
• تميل فلسفة التدريب لدى MiniMax نحو بيانات أكواد مهنية عالية الجودة بدلًا من الكم الصرف. تؤكّد الملاحظات أن «جودة البيانات ومنهجية التدريب تهمّان أكثر من الكمية» — موقف مخالف للتيار في صناعة مهووسة بحجم مجموعات البيانات.
• كان M3.1 ترقية كبيرة على M3 (الذي عانى من التدريب اللاحق المتسرّع). عبر تحسين جودة البيانات وإضافة بيانات مهام طويلة المدى، حقّق M3.1 تحسينات في القدرة بمقدار رتبة من القدر على مسائل البرمجة المعقّدة.

بالنسبة لجمهور China AI Arbitrage: نموذج البرمجة لدى MiniMax مُسعَّر حاليًا عند نحو $1.20/M token مخرجات — منافس بالفعل لـ Qwen وأرخص من GLM. إذا أوفى النموذج الجديد بوعوده، فقد تصبح MiniMax أفضل قيمة برمجية في سوق AI الصيني.

البنية التحتية الحاسوبية: الميزة الخارجية

إحدى أكثر الأقسام كشفًا: حصلت MiniMax على وصول ممتثل إلى قدرة حاسوبية خارجية على GPU، متقدّمةً بذلك على معظم منافسيها الصينيين الذين يكافحون لإيجاد بدائل محلية.

• شبكات مبنية ذاتيًا: بنت MiniMax بنيتها التحتية لربط الشبكات بين وحدات GPU بنفسها بدلًا من الاعتماد على حلول المورّدين. تزعم الملاحظات أن هذا وفّر التكلفة والوقت معًا، مع استقرار «يتجاوز التوقعات».
• خط أنابيب الحوسبة المحلية: وحدات GPU المحلية (الصينية الصنع) صالحة للاستخدام لكنها محدودة السعة. تتوقّع MiniMax أول مجموعة GPU محلية لها أن تبدأ العمل في الربع الثالث من 2026، بدءًا بأحمال الاستدلال.
• استراتيجية المسار المزدوج: وحدات GPU الخارجية للتدريب (حيث تنتاج الأداء المتقدّم)، ووحدات GPU المحلية للاستدلال (حيث تنتاج الحجم وكفاءة التكلفة). هذا هو النهج العملي الذي يطمح إليه معظم المختبرات الصينية — يبدو أن MiniMax أبعد في التنفيذ.

ماذا يعني هذا لتسعير AI

لنصل النقاط حول تداعيات التسعير:

الخلاصة المحورية: MiniMax تبني نموذجًا أكبر وأكثر كفاءة في آنٍ واحد. في سوق تقدّم فيه DeepSeek V4 Flash مخرجات بسعر $0.28/M token، لا يمكن لـ MiniMax مجرد مضاهاتها على السعر — عليها تقديم شيء مختلف. توحي الملاحظات بأن زاويتها هي: جودة بمستوى أمامي + سرعة الأفضل في فئتها + هوامش مستدامة عبر ابتكار المعمارية.

الزاوية المرجعية (Arbitrage)

بالنسبة لقرّاء China AI Arbitrage، إليك لماذا يهمّ هذا:

الخلاصة

MiniMax ليست أعلى صوتًا بين مختبرات AI الصينية — تلك DeepSeek. وليست الأكثر تمويلًا — تلك Zhipu أو ByteDance. لكن هذه الملاحظات الداخلية توحي بأنها قد تكون الأفضل تموضعًا استراتيجيًا: معمارية مسجَّلة تقلّل التكاليف فعليًا، ووصول حاسوبي خارجي يوفّر الاستقرار، ونموذج برمجة منافس بالفعل وعلى وشك أن يكبر كثيرًا.

ثلاثة أشياء ينبغي مراقبتها:

1. سبتمبر–أكتوبر 2026: إطلاق نموذج 3T الجديد. إذا أوفى بوعد «قيادة السوق المحلي»، فقد يُحرّك تسعير واجهة MiniMax المشهد التنافسي بأكمله.
2. تغييرات تسعير واجهة MiniMax: إذا خفّضت MiniMax الأسعار بعد إطلاق النموذج الجديد (محتمل، نظرًا لتحسّن الهوامش)، تصبح بديلًا جديًا لـ DeepSeek لأحمال الدفعات.
3. فتح مصدر MSA 2.0: لم تفتح MiniMax مصدر MSA بعد. إذا فعلت، فقد تُخفّض بشكل كبير تكاليف التدريب عبر منظومة AI الصينية بأكملها — وتُسرّع سباق السعر نحو الصفر.

حرب تسعير AI الصينية لديها مقاتل جديد. وهذا لديه معمارية مبتكرة فعليًا لتدعم تحرّكاته.

المصدر: ملاحظات داخلية من MiniMax (يوليو 2026)، تم التحقق منها مقابل تسعير واجهة MiniMax العام وبيانات المعايير.