在 MiniMax 公司内部，一次内部争论在一场关于新模型 M3 发布后的定价策略的讨论中爆发。一位与会者回忆道：“我当时觉得他说的没错，而且事后证明情况也确实如此，但当时就是会和他争论。”另一位参与者则表示：“我们吵完之后并没有什么私人恩怨，争论的焦点仅仅是细节的内部参数。”后来，在一次关于早期定价争议的场合，这位技术负责人还公开维护了当时并未在场的、曾被他点名的同事。他认为，那位同事之所以在定价问题上有所欠缺，是因为他缺乏必要的背景信息（context），而这一点是大家共同的责任。

在 MiniMax，大部分员工上午十点半左右开始工作，公司负责提供午餐和晚餐，并且不强制打卡。周末加班时反而需要打卡，这被视为一种保护员工休息的措施。中午时分，办公区域逐渐活跃起来，位于漕河泾的三层办公空间内，各个区域如同“大通铺”，四周分布着以星星命名的会议室，使用率极高，常常一位难求。几个大型会议室则用于接待访客以及每周一次的全员大会，大会会邀请各行业人士进行分享，最近的一次是一位上海交大教授讨论心理学与人工智能的关系，员工们在线上积极提问。

模型发布前一个工作日，也就是周五，全员会如期举行，嘉宾是《凡人修仙传》的编剧。许多员工是该小说的忠实粉丝，包括 MiniMax 的创始人 IO。线上提问区最受关注的问题只有两个字：“催更”。当时的气氛轻松愉快，然而，仅仅 48 小时后，MiniMax 自身却成为了被“催促”的对象。

6月1日，M3 发布前夜，MiniMax 的大部分员工聚集在上海总部。有人负责监控服务稳定性，有人在群里追踪模型进展，还有人在小会议室里一边吃着小龙虾，一边讨论最终细节。尽管如此，公司最习惯的协作方式仍然是在线进行。主要的沟通群组并不严格按照部门或业务划分，而是根据谁掌握特定事件的背景信息（context）来组织。重要事项会迅速召集相关人员开会，快速决策并结束。许多关键信息会突然出现在群组中，被所有相关人员同时获知。

“Context”是这家公司所有行动中被潜移默化强调的核心，为此，它极大地促进了信息的自由流动。这种组织方式给人的第一印象是混乱但充满活力：群组众多，信息传递迅速，人与人之间缺乏缓冲层，如同一个开放的广场。

6月1日凌晨，新模型 MiniMax M3 进入上线前的最后冲刺阶段。全体算法和开发人员共同编辑一个文档，更新最新的模型测试成绩以及对模型技术细节的最终描述。几十个光标在屏幕上同时闪烁、移动、修改，仿佛整个公司都挤在同一张纸上，创始人 IO 也在其中。在 M3 发布前的这个凌晨，IO 被拉进一个沟通群组，算法和关键技术方向的同事们正在热烈讨论并敲定核心细节，每个人都在贡献自己的看法。IO 大部分时间都在倾听，而非主导讨论。但在获得足够多的背景信息后，他会适时开口，做出最终决定。

在观察和体验了公司大量的协作过程后，作者发现这是一种常态：当一个重要事项需要某人参与时，他们会被立即邀请加入，因为大家相信背景信息足够清晰，任何人都能迅速提供或查找新信息，IO 也不例外。在充分的背景信息下，他依然是那个负责进行研判、决策，以及在复杂关键事项中做出取舍的人。在模型发布前的紧张 48 小时里，作者能够直接感受到群组中弥漫的兴奋。M3 并非一次普通的更新，它承载了公司对自身的许多期望。正因如此，当这些兴奋与期望遭遇了因“缺乏 context”而引发的关于 token 计划的质疑、攻击甚至谩骂时，对团队中的许多人而言，这无疑是“至暗时刻”。

3月份，OpenClaw 带来了 Agent 领域的启蒙，MiniMax 的 M2.5 模型凭借高性价比和足够的能力，抓住了用户“养虾”的热潮，迎来了一个模型上的高光时刻。然而，模型领域的竞争格局变化迅速。3月18日，MiniMax 推出了 M2.7，一个激活参数仅约 10B 的模型。接下来的两个月，Kimi 开源了 K2.6，DeepSeek 的 V4 实现了 1M 上下文，智谱的 GLM-5.1 宣布其编程能力接近 Claude Opus 4.6；而在国际上，Anthropic 推出了 Claude 5，OpenAI 的 GPT-5.5 也已进入市场。M2.7 的用户开始觉得该模型的能力已不足够。一位产品线员工分享了后台用户反馈，其中六成问题都指向模型本身。

外界容易忽视的是，MiniMax 是中国最早投入大模型训练的公司之一，并且一直保持着最大的资源投入。然而，由于 MiniMax 自身也拥有产品，更多用户是通过这些产品而非模型本身，建立了对 MiniMax 的初步认知。在模型智能水平达到一定高度后，MiniMax M2 成为首个被外界认可其智能水平的模型。从内部的 KPI 和优先级来看，提升模型智能是内部最重要的目标，所有资源都应投入到交付更强的模型上。M3 就是这个长期目标中的一个关键节点。“我们的全部注意力都集中在模型的智能本身上了。”多名不同业务线的员工如此描述模型发布前几个月公司全体员工的状态。

随着围绕 token 计划的争议不断发酵，在短短一天之内，公司发布了数月来期待的模型，初期获得了技术圈的一些赞叹，随后因付费计划引发部分用户愤怒，不得不发布道歉声明，最终市值蒸发了两位数百分比。接下来的几天，反馈信息从零星几条演变成各个群组中不停转发的信息流。后续方案也接连推出，但许多批评开始偏离付费计划本身，演变为谩骂。内部开始注意到一些账号的水军化行为特征，成为情绪化传播的节点。这一切让公司内部感到越来越困惑，尤其是 MiniMax 最为在意的是，这些讨论分散了人们对模型本身的技术创新和新能力的关注。

与此同时，他们也以一种极其刺痛的方式认识到，缺乏提前沟通和对用户背景信息（context）的考量所带来的影响有多么严重。虽然这些问题看似难以理解，但在很大程度上源于经验的不足，以及公司过于理想化的行动方式。如前所述，M3 是 MiniMax 追求更强大模型能力的起点，但在之前的几次轻量级模型发布中，公司逐渐形成了一种习惯：模型最重要的是让所有人都能使用，因此训练好后尽快发布，用户在使用过程中的反馈最为重要。

在与多位了解决策过程的员工交流时，作者发现，收费方式的改变和设计早已开始，它是追求模型能力提升的产物，而非表面上的商业化举措。大约在三四月份，随着训练中模型能力的不断增强，内部意识到需要更新与新模型相匹配的付费体系：旧体系过于复杂，每增加一个模型都需要配套相应的次数，次数与套餐之间又涉及复杂的换算。开发平台的员工经常面临用户询问“你这个是什么？我不知道是什么”的问题。

在对模型“终局”的判断上，内部观点认为，用户使用优秀模型将越来越像使用水电煤，token 将成为服务本身。既然现有的订阅方案显然不符合未来趋势，那么就必须进行改革。改革的节奏如何？MiniMax 很多决策背后的思路再次显现：既然迟早要改，为何不尽早开始。“不改的话，用户可能都没法用好我们的新模型。”一位参与讨论和决策的员工回忆道。

这并非 MiniMax 一家面临的困境。事实上，2026 年上半年，整个行业都在进行定价调整。“当一个行业在 6 个月内实现 20 倍的增速时，历史遗留问题是必然发生的，你不可能所有事情都停下来做好、思考周全后再向前推进。”这一切在 MiniMax 身上变得更加复杂。公司成立仅四年，一切都在快速成长过程中。但正如作者近距离观察到的那样，其内部仍然保持着创业公司的状态。然而，它也是最快完成上市的大模型公司，需要面对复杂的资本市场和商业化的审视，许多初创公司容易忽略的问题因此会被放大数倍，并在一个猝不及防的时刻爆发出来。

6月份发生的一切，是这种复杂度的集中体现，一场由模型进步引发的阵痛，以最激烈的方式，逼近了所有人。

在 M3 发布后的一周例行全员会上，公司推迟了原定的外部分享，改为内部闭门的全员复盘。全体员工以表格实名提问，将尖锐问题抛入大群，创始人 IO 亲自面对。在这次会议上，IO 向全体员工道歉：“效果没有达到预期，为此付出的同事，对不住。”作者表示很少见到创始人如此直接地向全公司道歉。随后，IO 分享了他所有的思考——关于竞争、技术、内部组织运作方式，哪里判断失误，哪里准备不足，以及最重要的，接下来的改进措施。“很简单。接下来要做的就是，把模型做好。”一位员工总结道。

“慌乱、沮丧、愤怒、当众争吵、在争吵中快速解决问题。有‘问责’，也有包容，但不撕扯，继续往前走——这似乎并不是每个公司都会采取的应对方式。”这引发了作者更多的好奇，他询问了更多人，更直接地问：“在类似这样的时刻和过程中，有没有过甩锅？”

一位曾在大厂工作过的员工对比了大型公司的做法：“大厂的思路是谁没做好这件事？他为什么没做好？责任是谁的？”而在这里，IO 会非常冷静客观地指出，这件事里哪些做得好、哪些做得不好，产品团队有哪些不足之处。“当他说的是客观事实时，客观事实是不会给人带来额外压力的。”

这种“就事论事”的特质，在许多员工那里得到了类似的描述，显然不是一种可以“设计”出来的氛围。一位曾在大厂模型团队工作、因无法忍受内部山头林立、争抢资源、安插眼线、频繁甩锅等制度性缺陷对模型研发造成的损害而离开，转投 MiniMax 的员工表示：“你其实很快就能发现这里完全不同。”

“在一些公司，你会感到非常没有安全感，担心项目突然被取消，担心有人给你甩锅，担心与相邻部门的协作，担心他们去投诉你，仅仅因为 KPI 不同。而在这里，人们可以在大群里争吵，这没关系，因为创始人为你营造了一种环境：只要我们把事情想对、做对，就没有问题。”

还有不少员工目睹过两位联合创始人之间发生激烈争吵，但“下一个会议，他们俩就继续正常工作了”。“我一开始嘀咕，他们俩怎么能吵成这样？吵完之后马上又好好说话。后来我觉得这也是身体力行地在证明：这就是一个就事论事的公司。”

创始人不仅会直接参与争吵，也会被员工挑战。一位开发团队的员工描述，他和 IO 也会“吵架”，争论过很多次，有时 IO 也会认同他的观点。还有一次，作者看到群里讨论一个方案，IO 点赞表示认可，但紧接着，掌握更完整背景信息的员工直接批评并否决了这个方案。随后，大家认为新提出的观点更有道理。一切都围绕着如何把事情做好。做错了，就坦然接受批评，然后快速改进。

“这种氛围不是说出来的，当你开始做事了，就会知道它不一样。当你开始发表观点，观察大家的反应，你就会明白。当你去跟其他部门的人沟通，发现大家看得非常透明，没有人防备你，没有人讨论边界问题时，你就会知道它不一样。”一位刚入职不久的员工说道。

作者也问过一些员工：“这家公司这样，是不是太‘nice’了？毕竟这是一个无比残酷斗争的环境，内部给大家的安全感是不是太多了？”有员工回答：“安全感保护的是做事情的人。”“只要你在你的领域里想得足够清楚、足够专业，所有人都会尊重这个想法。但如果你一直没搞懂大家在说什么，也会受到非常严厉的批评——你根本没想清楚，那就是在耽误大家的时间，别再说了，这件事就这么定了。”

显然，这是一家鼓励所有人从专业角度贡献意见、平等交流，从而确保背景信息（context）足够透明的公司。当这种混乱能够带来生机时是可以接受的，但它显然不允许一切走向无序。

许多与 IO 协作更频繁的员工感受到：IO 在海量繁杂的信息中，会思考公司在不同发展阶段，在何种资源水平下，应该追求什么。他有时会独自“思考”，然后定期以全员会的形式将这些信息同步给所有人。公司内部的另一个感受是，一旦做出判断，他便不再摇摆。“坦诚地说，我们历史上产品走过不少弯路，关掉过好几个文本产品。在 IO 看来，如果某个方向已经没有意义，就没有必要让它苟延残喘。”而继续坚持在文本模型、视频模型等更宏大的方向上投入，“这也是源于同样的‘think big’理念。”

在这家公司待不久，你就会意识到它是一个全体员工“ego”（自我意识）很小的公司。在一个全行业“ego”爆棚的环境里，这种气质很容易辨别。公司拥有非常年轻的模型和技术团队，但任何仔细关注这家公司的人都会发现，与不少同行相比，它很少与某种“天才叙事”联系在一起。一位研究员表示，团队在业内的普遍评价是“靠谱”。“如果一个人实力很强，充满自信，判断有逻辑且能说服大家，这不叫 ego。但如果一个人的判断和决策与其实力不匹配，没有相应证据，却强迫大家必须服从，那就是 ego。”一位核心研究员这样解释他们对 ego 的理解。

“ego 大，没什么用。”一位研发负责人说道。这种气质也主导着 MiniMax 在研究上的投入方向。回顾其几代模型，无一不在尝试更好地理解和改进模型最底层、最核心的架构和机制。那些判断后认为没有实际意义的方向，即使非常适合用来造势和宣传，也不会花费过多时间去纠缠。

“一家公司的气质，基本上 99.9% 由其创始人决定，尤其是 CEO，占股最大的那个人。”一位核心技术研究员说道。“IO 是一个非常务实的人，不太爱吹嘘。如果 IO 的 ego 都不大、都很务实，那么很显然，如果你 ego 很大、不务实，你可能就待不下去。即使大家不说你什么，你自己也会觉得很不自在。毕竟公司是围绕创始人构建的，自然会有正向和逆向的筛选，双向筛选。”

IO 在办公区没有独立的办公室，他的工位位于一层的一个角落。在内部，他的分享话不多，通常直奔主题。他想清楚的事情，会直接找负责的人沟通思路。如果发现对方没理解，他会直接打电话讲明白。很多时候，他打电话是为了获取更多背景信息（context）来帮助他做判断。在内部，IO 最常思考、也最常与内部分享的是关于技术和智能演进的判断。

在一次内部讨论中，IO 提到了他对优秀研究的理解：就像 ResNet 那样，简洁且可解释。ResNet（残差网络）由何恺明于2015年提出，其核心思想是通过跳跃连接使输入直接绕过中间层与输出相加，让网络学习“残差”而非完整的映射。这一极简设计解决了深层网络的训练退化问题，使得网络可以达到数百甚至上千层，并且能让所有人一看便知其工作原理。这种简洁性和可复用性使其至今仍是人工智能模型底层最重要的基础架构之一，一个2015年的设计思想在十年后依然随处可见，这种对技术演进的贡献是 MiniMax 同样追求的目标。

“因为只有简洁的，才是最能 scale（规模化）的。”在不少员工看来，理解这家公司许多决策的根本思路是：这件事到底能不能 scale。最直接的体现是，MiniMax 在同类模型创业公司中布局最为全面：拥有语言模型、多模态模型，以及产品。内部对此也曾有过诸多争议和讨论，关于是否要如此全面的投入，与同行相比是否会分散精力。内部达成的共识是，MiniMax 对智能的理解体现在其口号“intelligence with everyone”（人人皆可享有的智能）上，要实现这一目标，必然需要多模态能力、代码能力、Agent 能力以及整体的整合能力。同时，产品是其服务用户的手段，与模型关系密切，它不像传统的移动互联网 App 独立发展，而是随着模型而发展，最终是模型走向市场的成果。

Scale 也体现在每次具体的技术路线和创新方向选择上。例如，M3 的训练进行了几项核心工作，都在尝试提供更多的 scale 可能性。M3 本身是一个从零开始进行多模态混合训练的模型。这种原生多模态的路线能够使不同模态数据的语义空间更自然、更高度地融合，进而更好地 scale。MSA 将模型上下文扩展到 1M，并进一步使上下文维度也能够 scale。M3 构建了交互式用户模拟器框架，旨在将对 Coding 和 Agent 至关重要的真实数据进行 scale up。

它也体现在这家公司的工作方式上。AI 时代最能 scale 的方式就是充分利用 AI。但在作者的体验中，“AI Native”这个老生常谈的概念并没有被 MiniMax 的太多人提及。在 MiniMax，它更多地通过各种细节上的选择，形成一种共同鼓励真实利用 AI 创新来提升效率的氛围。“在很多公司，AI 是命题作文——你必须用 AI 创造业务增量和创新点，还要服务转化指标。然后你傻了，不知道怎么办，感觉 AI 做得还不如原来好。”一位此前有过类似痛苦经历的员工说道。“在这里没有人这么要求。”

员工们列举了许多细节。例如，内部使用的办公软件，对员工开放的、可用于 AI 改造的权限，比他们见过的任何其他公司都彻底。去年 9 月，就有人在内部办公软件中开发出了“AI 实习生”，即接入 Agent 到 IM，让它负责撰写文档、收集用户群反馈、完善 PRD、分析客户用量、排查日志。后来 OpenClaw 诞生，以“龙虾”之名风靡全球，随后 Claude 等产品也