📋 Ang insider notes
May lumabas na set ng insider notes mula sa MiniMax — isa sa mga pinaka-underestimated na AI lab sa China. Sumasaklaw ang dokumento ng apat na lugar: next-gen model development, competitive positioning sa coding benchmarks, compute infrastructure strategy, at gross margin outlook. Kapag pinagsama-sama, naglalarawan ito ng kumpanyang gagawa ng seryosong hakbang sa frontier model race — at posibleng baguhin ang pricing landscape ng Chinese AI APIs.
Hindi sikat ang pangalan ng MiniMax sa labas ng China. Pero sa loob ng industriya, kilala ito sa dalawang bagay: ang Lightning Attention mechanism (na ngayon ay naging MSA) na dramatikong nagpapamura sa long-context inference, at isang sorpresahang malakas na coding model (M3) na lumampas sa kanyang weight class. Ipinalalagay ng mga notes na ang dalawang kalamangang ito ay magiging mas malaki pa.
🧬 Next-gen: 2.5–3 trilyong parameters
Ang headline number: ang susunod na henerasyon ng model ng MiniMax ay nag-target ng 2.5–3 trilyong parameters. Para sa konteksto, ang GPT-4 ay tinatayang ~1.8T, at ang DeepSeek V4 ay pinaniniwalaang nasa 1–2T na range. Kapag naabot ng MiniMax ang 3T, isa ito sa mga pinakamalaking dense/MoE model na naiturokailanman.
Tumatakbo na ang pre-training ng bagong model ng humigit-kumulang kalahating buwan, at ayon sa mga notes, lumampas sa inaasahan ang convergence. Gumagamit ang model ng MSA 2.0 architecture (higit pa sa ibaba) at humigit-kumulang nadoble ang parameter count at activation count kumpara sa kasalukuyang M2 generation.
Timeline: inaasahang ilulunsad ang bagong model pagkatapos ng tag-araw ng 2026 (malamang Setyembre–Oktubre). Magaling ang kumpiyansa ng internal team sa performance at antas ng pagkakumpleto, at inaangkin na muno sa domestic (Chinese) market.
⚡ MSA 2.0: Ang secret weapon ng cost efficiency
Ibig sabihin ng MSA ay Multi-Scale Attention — ang proprietary architecture ng MiniMax na umunlad mula sa kanilang naunang Lightning Attention work. Ang pangunahing kalamangan: dramatikong binabawasan ang Attention computation overhead habang pinapanatili ang kalidad ng model.
Bakit ito mahalaga para sa pricing:
- Training efficiency: Nagpapahintulot ang MSA 2.0 na mag-train ang MiniMax ng 3T-parameter model sa maliit na bahagi ng gastos ng isang standard Transformer. Mas mababang training cost = mas kaunting capital na bawiin = mas maraming espasyo para sa agresibong API pricing.
- Inference efficiency: Sinusuportahan ng MSA ang ultra-long sequences na may order-of-magnitude na pagbaba sa compute overhead. Ibig sabihin, kayang i-offer ng MiniMax ang 1M+ context windows sa mas mababang marginal cost kaysa sa mga kakompetensyang gumagamit ng vanilla Attention.
- Gross margin: Tahasang sinasabi ng mga notes na kahit nadoble ang parameters at activations, inaasahang lampas sa M2 ang gross margin ng bagong model. Iyon ay posibleng lamang kung totoong nagbibigay ang MSA 2.0 ng per-token cost savings.
🚀 Performance at bilis sa coding
Ibinubunyag ng mga notes ang mga interesanteng detalye tungkol sa coding strategy ng MiniMax:
- Ang M3 ang pinakamabilis na model sa pangunahing lineup — humigit-kumulang 100 tokens per second (TPS), na inaangkin ng mga notes na mas mabilis kaysa sa anumang kakompetensya. Para sa mga coding workflow kung saan pinapanood ng developer ang output stream nang real-time, direkta nitong isinasalin ang kalamangan sa mas magandang UX.
- Hilig ang training philosophy ng MiniMax sa high-quality professional code data kaysa sa dami lamang. Idiniin ng mga notes na "mas mahalaga ang data quality at training methodology kaysa dami" — isang contrarian stance sa industriya na sobrang obsessed sa scale ng dataset.
- Malaking upgrade ang M3.1 kaysa sa M3 (na nagdusa dahil sa nagmadali sa post-training). Sa pag-optimize ng data quality at pagdaragdag ng long-horizon task data, nakamit ng M3.1 ang order-of-magnitude na pagbuti sa kakayahan sa mga kompleks na coding problem.
Para sa audience ng China AI Arbitrage: ang coding model ng MiniMax ay kasalukuyang naka-presyo sa ~$1.20/M output tokens — kompetitibo na sa Qwen at mas mura kaysa sa GLM. Kapag tumupad ang susunod na henerasyon sa mga pangako nito, maaaring maging pinakamagandang halaga sa coding ng MiniMax sa Chinese AI market.
🏗️ Compute infrastructure: Ang overseas na kalamangan
Isa sa mga pinakanagbubunyag na seksyon: nakakuha na ang MiniMax ng compliant access sa overseas GPU compute, na nauuna sa karamihan ng Chinese AI competitors na naghahanap pa ng domestic alternatives.
- Self-built networking: Nagtayo ang MiniMax ng sarili nitong inter-GPU networking infrastructure sa halip na umasa sa vendor solutions. Inaangkin ng mga notes na nakatipid ito sa gastos at oras, na "lampas sa inaasahan" ang stability.
- Domestic compute pipeline: Magagamit ang domestic (gawa sa China) GPUs ngunit limitado ang capacity. Inaasahan ng MiniMax na pararating ang unang domestic GPU cluster sa Q3 ng 2026, magsisimula sa inference workloads.
- Dual-track strategy: Overseas GPUs para sa training (kung saan kailangan mo ng cutting-edge performance), domestic GPUs para sa inference (kung saan kailangan mo ng scale at cost efficiency). Ito ang pragmatic approach na ninanais ng karamihan sa Chinese labs — mukhang mas malayo ang MiniMax sa execution.
💰 Ano ibig sabihin nito para sa AI pricing
I-connect natin ang mga tuldok sa pricing implications:
| Factor | Kasalukuyan (M3/M3.1) | Next-gen (3T Model) | Epekto sa pricing |
|---|---|---|---|
| Parameters | ~1.5T (est.) | 2.5–3T | Mas mataas na capability ceiling |
| Architecture | MSA 1.0 | MSA 2.0 | Mas mababang per-token compute cost |
| Gross margin | Baseline | Inaasahang mas mataas kaysa M2 | Espasyo para bawasan ang presyo o pagbutihin ang margin |
| Bilis ng inference | ~100 TPS | TBD (malamang mas mabilis) | Mas magandang UX sa parehong gastos |
| Output price | ~$1.20/M tokens | TBD | Kompetitibong presyon sa DeepSeek/Qwen |
Ang pangunahing konklusyon: nagtuturok ang MiniMax ng model na mas malaki AT mas efficient. Sa market kung saan nag-aalok na ang DeepSeek V4 Flash ng output sa $0.28/M tokens, hindi pwedeng maki-match lang sa presyo ang MiniMax — kailangan nila ng kaibhan. Ipinalalagay ng mga notes na ang anggulo nila ay: frontier-class quality + best-in-class na bilis + napapanatiling margin sa pamamagitan ng architecture innovation.
🌍 Ang arbitrage angle
Para sa mga mambabasa ng China AI Arbitrage, kung bakit ito mahalaga:
Tuwing magpapakita ang isang Chinese lab ng mas efficient na architecture, naglalagay ng presyon sa lahat ng iba — DeepSeek, Qwen, GLM, Kimi — na mag-match sa efficiency o babaan ang presyo. Ang labanan pababa ay pumapabor sa mga Western developer na kayang i-access ang mga API na ito sa maliit na bahagi lang ng US pricing.
Maraming Chinese AI lab ang nahaharap sa compute uncertainty dahil sa US export controls. Ibig sabihin ng "compliant overseas access" ng MiniMax na mas hindi magagawang ma-corner ang kanilang API ng biglaang capacity — isang totoong panganib para sa mga lab na umaasa lamang sa domestic GPUs. Stable supply = maaasahang arbitrage substrate.
Kung nagtatayo ka ng produktong nagbe-resell ng Chinese AI capacity sa Western users, mahalaga ang latency. Ibig sabihin ng 100 TPS ng MiniMax na mas snappy ang karanasan ng end users mo — na nagpapahintulot sa iyong humingi ng premium kumpara sa mas mababagal na alternatibo. Ang bilis ay value-add na pwede mong i-monetize.
⏳ Buod
Hindi ang MiniMax ang pinakamaingay na Chinese AI lab — iyon ay DeepSeek. Hindi rin ito ang pinakamaraming pondo — iyon ay Zhipu o ByteDance. Pero ipinalalagay ng mga insider notes na ito ang pinaka-strategic na posisyonado: proprietary architecture na totoong nagpapababa ng gastos, overseas compute access na nagbibigay ng stability, at coding model na kompetitibo na at papalaki pa nang papalaki.
Tatlong bagay na bantayan:
- Setyembre–Oktubre 2026: Ang paglulunsad ng bagong 3T model. Kapag tumupad ito sa pangakong "muno sa domestic market," maaaring baguhin ng API pricing ng MiniMax ang buong competitive landscape.
- Mga pagbabago sa API pricing ng MiniMax: Kapag nagbaba ng presyo ang MiniMax pagkatapos ng bagong model (malamang, dahil sa pagbuti ng margin), magiging seryosong alternatibo ito sa DeepSeek para sa batch workloads.
- Open-sourcing ng MSA 2.0: Hindi pa open-source ng MiniMax ang MSA. Kapag ginawa nila, maaaring dramatikong pababain ang training costs sa buong Chinese AI ecosystem — at pabilisin ang price race patungo sa zero.
May bagong kalahok sa Chinese AI pricing war. At ang kalahok na ito ay may tunay na novel na architecture na sumusuporta sa mga hakbang nito.
Source: MiniMax insider notes (Hulyo 2026), na-verify laban sa public MiniMax API pricing at benchmark data.