💰钛媒体•較早收集於 25m
3000億的智譜和MiniMax，就靠兩個公式？
💡中國頂尖LLM：3000億僅靠2公式？關鍵洞見（18字）
⚡ 30-Second TL;DR
有什麼變化
智譜與MiniMax合計3000億估值
為什麼重要
凸顯中國大模型策略弱點，或影響全球競爭與基礎AI研究投資。
下一步行動
剖析智譜與MiniMax白皮書，反向工程其核心公式用於你的LLM微調。
誰應關注：Researchers & Academics
關鍵要點
- •智譜與MiniMax合計3000億估值
- •成功被指僅靠兩個公式
- •剖析中國大模型開發苦樂
- •凸顯產業酸甜滋味
🧠 深度解析
AI-generated analysis for this event.
🔑 增強重點摘要
- •智譜AI與MiniMax的估值爭議反映了市場對中國大模型公司『Scaling Law（縮放定律）』依賴程度的質疑，即僅靠堆疊算力與數據是否足以支撐長期商業價值。
- •業界對於『兩個公式』的指代，通常指向Transformer架構下的預訓練目標函數與Scaling Law經驗公式，這引發了關於技術護城河是否過於單一的討論。
- •智譜AI與MiniMax在商業化路徑上採取了差異化策略，智譜側重於開源生態與企業級服務（B端），而MiniMax則在C端應用與多模態交互體驗上投入更多資源。
📊 競品分析▸ Show
| 特性/公司 | 智譜AI (GLM系列) | MiniMax (abab系列) | 百度 (文心一言) |
|---|---|---|---|
| 核心架構 | GLM (通用語言模型) | MoE (混合專家模型) | ERNIE (知識增強) |
| 商業模式 | API/私有化部署/開源 | C端應用/API/語音交互 | 雲端服務/生態集成 |
| 基準測試 | 在多項中文基準測試領先 | 在長文本與多模態表現突出 | 綜合能力均衡，生態廣泛 |
🛠️ 技術深入
- •智譜AI採用GLM（General Language Model）架構，支持自回歸空白填充（Autoregressive Blank Infilling）預訓練，優化了理解與生成的平衡。
- •MiniMax廣泛應用MoE（Mixture of Experts）架構，通過稀疏激活機制在保持模型參數規模的同時，顯著降低了推理成本與延遲。
- •兩家公司均高度依賴基於Scaling Law的數據配比優化，通過大規模高質量合成數據（Synthetic Data）來緩解高質量人類數據匱乏的問題。
🔮 前景展望AI analysis grounded in cited sources
中國大模型公司將面臨從『模型規模競賽』轉向『應用落地ROI（投資回報率）』的嚴峻考驗。
資本市場對單純堆疊參數的估值邏輯已產生疲勞，未來盈利能力將成為衡量企業價值的核心指標。
推理成本的優化將成為智譜與MiniMax未來兩年的核心競爭力。
隨著模型能力趨同，誰能通過架構創新（如更高效的MoE或蒸餾技術）降低單位推理成本，誰就能在B端市場獲得定價權。
⏳ 時間線
2022-11
智譜AI發布GLM-130B，標誌著其在超大規模預訓練模型領域的初步突破。
2023-03
MiniMax發布abab系列模型，開始在中文語音與文本交互領域建立市場影響力。
2024-01
智譜AI推出GLM-4，顯著提升了模型的長文本處理與智能體（Agent）能力。
2024-08
MiniMax發布abab 6.5系列，強調在多模態理解與推理速度上的技術升級。
📰
AI 週報
閱讀本週精選 AI 大事摘要 →
👉相關動態
AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： 钛媒体 ↗