MiniMax M2.5 的陽謀

文：王智遠 | ID:Z201440

MiniMax M2.5 的新聞大家可能已經刷到了。

開源、性能對齊 Claude Opus 4.6、SWE-Bench 80.2%、推理速度是Opus的3倍……

數據都很漂亮。但我注意到一個數字，它比所有跑分都更值得琢磨：1美金/小時

什么意思？

你花1美金，能讓一個SOTA級別的AI Agent連續工作一小時，寫代碼、做Excel、查資料、寫PPT，24小時不眠不休。

歷史上，每一次技術革命的真正爆發點，還有價格跌破心理閾值的那一刻；所以，我想聊一個議題：當AI勞動力的時薪降到1美金，世界會發生什么？

01

咱們先把這個數字放在真實世界。美國勞工統計局的數據，知識工作者的中位時薪，大概是35到40美金。這是一個什么水平？

舊金山一個剛畢業的本科生，進科技公司做運營，時薪差不多就是這個數；紐約一家咨詢公司的初級分析師，每小時也能拿到35美金左右。

國內呢？

我查了一下招聘網站，互聯網行業的產品經理、運營、市場這些白領，平均時薪在50到80人民幣之間，折合下來7到11美金。

哪怕是把人力外包到東南亞，菲律賓、越南的英語客服，時薪也很難低于3到5美金。

而M2.5給出的價格是：1美金/小時。這還沒完。MiniMax官方有一個補充說明：在每秒輸出50個token的模式下，這個數字還能進一步降到0.3美金/小時。

0.3美金什么概念？在北京，一瓶礦泉水的價格。在上海，一趟地鐵的價格。在硅谷，連給小費都不夠。

咱們再換一個角度算賬。

人類一天工作8小時，一年工作250天，這是法定的上限；但AI可以7x24小時連軸轉，一年365天不休。你睡覺時，它在干活，你過春節它在干活，你休年假它還在干活。

所以，真實效率比是接近200：1。

一個AI Agent ，一年能產出的工時，相當于200個全職人類員工。當然，這不是說一個AI能替代200個人，人能做很多AI做不了的事。

但這個數字告訴我們另一件事：過去因為人力成本太高而「不值得做」的事情，現在可能都值得做了。

舉個例子：

一家電商平臺，有100萬活躍用戶。理論上，如果給每個用戶做一次生日關懷、一次個性化回訪，轉化率肯定能提升；但過去這事沒人干，為什么？

因為100萬次個性化溝通，按人力成本算，得雇幾十個客服，一年幾百萬的支出，ROI算不過來。

現在呢？

一個AI Agent，1美金一小時，一天干的活相當于幾百個人類客服同時開工；100萬次個性化溝通，按人力算得幾十個人干一年，按AI算，可能幾千美金就搞定了。

所以你看，1美金/小時的意義，在于把過去「不值得」的事，變成了「值得」，把過去「只能想想」的事，變成了「可以試試」。

這就是我說的臨界點。當成本低到一定程度，決策邏輯就變了。變成什么呢？你可以隨時隨地問問AI，而且不用擔心價格問題。

02

有人肯定會滿腦子疑惑：OpenAI、Anthropic都那么強，這家公司把價格打到這個份上，靠補貼嗎？還是賠本賺吆喝？

都不是。

我看了下MiniMax發的一篇技術報告，里面有一個東西叫「Forge」的訓練體系。什么是Forge系統？它是一個會「派活」的管家。

簡單講，它讓模型學會三件事：

一，讓快的不用等慢的。真實世界里，AI干活的速度不一樣。查天氣幾秒就完事，寫代碼可能要幾小時。如果死板地按順序處理，快的就得等慢的。

Forge怎么解決？

它做了一個叫「Windowed FIFO」的調度策略，角色很清晰，手里攥著一堆任務，知道誰快誰慢，知道哪個該先派活、哪個可以等等。

比如：遇到查天氣這種快任務，管家立刻派給一個輕量級的「技能模塊」去處理；遇到寫代碼這種慢任務，管家把它交給專門的「代碼專家」，然后扭頭就去處理下一個快任務，它們互不耽誤，異步協同。

結果是整體效率最大化，同樣一臺機器，能產出更多活，單位成本自然就降下來了。

第二件事，讓「反復算舊賬」這事不再發生。

Agent干貨有個特點，它會反復調用模型，每次調用都帶著長長的歷史記錄。比如：你跟它聊了50句，第51句時它還得把前50句都「回憶」一遍。

傳統方法里，這相當于每次都要從頭算一遍歷史，就像我們每天上班，都得重新讀一遍過去一周的聊天記錄才能開始干活，你說累不累？

Forge也很煩，它做了一個叫「前綴樹合并」的創新，所有共享歷史的請求，只算一次。

舉個例子：

你問AI「幫我寫一個電商網站」，接著又說再加個購物車功能，Forge則直接把新功能「嫁接」上去，只算新增的部分。

注釋：圖里上半部分是傳統做法：三個請求，每個都帶著長長的公共前綴，重復計算三次；下半部分是Forge的做法：把公共前綴合并成一棵樹，只算一次。40倍加速，就是這么省出來的。

官方數據是：40倍訓練加速；同樣一筆算力預算，別人能訓練1次，Forge能訓練40次。經驗值的差距，就是這樣拉開的。

光拉開差距還不夠。Forge還在意一件事：過程。

過去訓練AI，往只看最終結果，比如，代碼跑通了，好；沒跑通，不好。這叫稀疏獎勵；問題是，中間走了多少彎路、浪費了多少時間，系統不管。

Forge引入了過程獎勵。它除了看結果，還看中間步驟，類似有沒有亂用工具？是不是繞了遠路？完成任務花了多長時間？這些都會被計入「獎懲」。

于是，這讓模型學會了「又快又好」地干活；是真的在琢磨，怎么用最短的路徑把事辦成。

這直接解釋了為什么M2.5能做到推理速度是其他模型的兩倍，因為它被訓練成了一個追求效率的「職場老手」，而非一個為了刷題不惜熬夜的「考試機器」。

所以，1美金/小時怎么來的？

靠一套系統工程，把訓練和推理中的每一份算力都榨干，把每一處冗余都去掉，一點一點摳出來的。

我非常認可一個觀點，當推理消耗變成生產資料，模型廠商就有機會把「算力稀缺」通過分層定價轉化為毛利，M2.5的1美金，是把算力從「資源」變成「生產資料」的開始。

換句話說，MiniMax在重構成本結構；這兩件事，看著結果一樣，但指向完全不同的未來。

03

未來會怎么樣？1美金的AI，會怎么改變各行各業？

咱們把賬再往下算一層，先說結論，它意味著一個「永遠在線、從不請假、時薪只要1美金」的員工，是可以直接放進業務流程里的那種。

咱們試著拆一下成本怎么一層一層傳導下去的。

MiniMax M2.5算力中心那一層，MoE架構、PD分離、全局KV緩存，這些技術名詞不展開，只說結果，單位算力的產出翻了一倍不止，原來跑一個模型需要兩臺機器，現在一臺就夠了。

再說模型廠商，Forge系統的40倍訓練加速，把研發成本攤薄了，原來花1億美金訓練出來的能力，現在花250萬就能搞定。

至于API，100 TPS吞吐量，意味著每一塊錢能買到更多的token。原來1塊錢買1000個token，現在能買3000個。

注意，100 TPS什么意思呢？

打個比方：可以把大模型想象成一家餐廳的后廚，TPS是「每秒能出多少道菜」；普通后廚一秒鐘出兩道菜，高峰期就堵死了；M2.5的后廚一秒鐘能出100道菜，哪怕客人排長隊，它也能流水一樣往外端。

這個「出菜速度」落在企業端，就是另一回事了。

原來你做一個批量任務，比如：生成1萬條商品描述，得等半天才能拿到結果?，F在同樣的任務，幾分鐘就干完了。這意味著你可以把離線跑批」變成「實時響應」。

落到消費者這邊，感受更直接。你跟AI聊天，它回一句要等兩三秒，你會覺得卡；如果它秒回，你就感覺順。這100 TPS，就是把卡變成順的那道坎。

所以，別小看這個數字，它是技術指標，更是用戶體驗的分水嶺，也是單位成本能打下來的底氣所在。好，賬算清楚了。那這筆賬落在真實世界里，長什么樣？

我就隨便挑兩個場景：

一個是服務業。以前客服、售后、用戶運營這些崗位，永遠是抽樣服務，100個用戶進來，能覆蓋20個就算不錯了，因為人就那么多，時間就那么多。

現在一個AI Agent可以7x24小時在線，每個用戶進來都能被照顧到。不是「抽樣」，是「全覆蓋」。

你想想，年費幾十萬的SaaS客戶，以前只能在工作時間找客服；現在半夜三點遇到問題，AI能秒回，這難道不是體驗重構嗎？

另一個，中小企業。

小公司請不起法務、請不起財務、請不起市場總監，因為這些人太貴了；現在你可以用1美金一小時，請一個AI法務幫你審合同，請一個AI財務幫你對賬，請一個AI市場幫你.......

當然，它們目前替代不了資深專家。

所以，你發現沒有，1美金/小時的意義，超越了工業時代「省幾個人」的思維，它把過去不值得的事，變成了值得。

我看到一個報告的觀點，當模型能在編程、Agent、企業流程這些高ROI場景里，把「Token用量」穩定轉化成「省人省時省返工」的交付價值時，它就具備了穿越開源與價格戰的能力。

換句話說，幫企業算得過賬的AI，才有護城河，Minimax M2.5做到了這一切。

04

當這筆賬在所有行業都算得過時，世界會發生什么？

我換個說法，當SOTA級別的智能，變成像水電一樣按需取用的公共服務，誰會被托起來？

你可以想象一個印尼的大學生，他學編程，但買不起正版課程，請不起一對一輔導。

現在他花1美金，讓M2.5給他當助教：代碼報錯了，貼進去問；算法看不懂，讓AI用印尼語講一遍；想做個小項目賺外快，AI幫他搭框架、寫文檔。

1美金，他打一天零工能掙5美金，夠AI干五小時。

你可以想象一個肯尼亞的創業者，他在內羅畢做跨境電商，想從中國進貨，但看不懂中文的商品描述；以前他得花高價請人翻譯，現在把鏈接扔給AI，英文版規格參數、物流條款、售后政策，幾分鐘就出來了。

1美金，他能把十家中國供應商的資料翻個遍。

你還可以想象一個巴西的自由職業者；她在圣保羅接歐美的設計單子，以前只能做視覺部分，因為文案要用英語寫，她搞不定；現在她用AI寫提案、寫郵件、寫設計說明，接單范圍從拉美擴大到全球。

1美金，它打開了一個以前進不去的市場；這些不是科幻片，它們是1美金/小時落地之后，一定會發生的場景。

所以，你看，1美金在硅谷意味著便宜到忽略不計，但在雅加達、在內羅畢、在圣保羅，它意味著另一件事：第一次用得起和硅谷公司一樣的AI能力。

這聽起來像「技術普惠」的陳詞濫調，但它是真的。

歷史反復證明一件事：每一次基礎設施的平民化，都會催生一批我們想象不到的新物種。

印刷術變便宜時，沒人想到會催生報紙和小說；互聯網變便宜時，沒人想到會催生電商和短視頻；云計算變便宜時，沒人想到會催生SaaS創業的黃金十年。

我真的感嘆，現在輪到AI了。

1美金/小時，是起點。Minimax M2.5在告訴我們一件事，AI正在從奢侈品變成日用品，從稀缺資源變成基礎設施。

當一種資源變得像水和電一樣便宜時，用它來做什么，就是想象力的問題。所以，別只盯著M2.5的跑分，1美金/小時，才是這次發布真正的信號。

那問題來了：當智能像水電一樣流進千家萬戶，你想用它來做什么？春節有空時想想看。