MiniMax 启动"10x Team"计划：无限 Token 换行业专家
MiniMax 今天（5 月 11 日）宣布启动"10x Team"合作计划，核心卖点是给行业专家无限 Token。这不是常规的 API 开放或者开发者计划，而是把模型能力、研发环境和评测体系打包，直接拉行业顶尖人才进来一起做模型迭代。
为什么是现在
过去一年，大模型从"能用"到"好用"的分水岭越来越明显。编程和内容创作已经跑通了智能化升级路径，但工业软件、芯片设计、金融这些垂直领域还在摸索阶段。MiniMax 的判断是：通用模型再怎么堆参数，也比不上行业专家直接参与训练和评测来得高效。
这个逻辑不新鲜。OpenAI 的 GPT-4 医疗版本找了一堆医生做标注，Anthropic 的 Constitutional AI 也是让专家定义价值观边界。但 MiniMax 这次玩法更激进——不只是标数据或者提需求，而是让专家深度参与问题定义、评测体系搭建和工作流设计。
据官方透露，过去几个月 MiniMax 已经和工业软件、游戏引擎、芯片设计、金融、财务等领域的专家做了实质性合作，验证了这套模式的技术价值。这些合作成果会整合到后续迭代模型中，也就是说，你未来用到的 MiniMax 模型，可能就包含了某个芯片设计专家或者财务总监的知识沉淀。
门槛和资源配套
"10x Team"不是面向所有开发者的开放计划，门槛很明确：
- 行业积累：得是某个垂直领域的专业人士，有实际业务经验
- 认知对齐：认可 AI 赋能行业发展的逻辑，不是来试水的
- 自主能力：能独立参与问题定义、评测体系和工作流搭建，不是等着被喂需求
资源配套上，MiniMax 给的条件在国内大模型公司里算顶配：
- 完整的多模态模型能力：不只是 API 调用，而是底层能力的完整访问权限
- 研发环境：应该包括训练、微调、评测的全套工具链
- 无限 Token：这是最直接的吸引力。对于需要大量测试和迭代的专业场景，Token 成本一直是个隐形门槛
合作模式分两种：
- 全职入职：标准的雇佣关系，适合想长期深耕 AI 领域的专家
- Fellowship 短期协作：至少四个月，线下办公，拿股票激励。这个模式借鉴了学术界的访问学者制度，给了行业专家一个低成本试错的机会
Fellowship 项目的办公地点覆盖上海、北京、香港、旧金山、伦敦，这个布局很明显是在对标国际化人才市场。MiniMax 想要的不只是国内专家，而是全球范围内的顶尖人才。
激励机制：不只是钱
薪酬和股票激励是标配，但 MiniMax 还加了两个学术界才有的东西：
- 联合署名：合作成果可以联合署名，这对学术背景的专家来说是个实打实的职业资产
- 学术成果共享：支持机构联合研究，评测内容会开源
这两点很关键。过去很多公司找专家合作，成果都是内部消化，专家拿钱走人，没法在学术圈或者行业里积累声誉。MiniMax 这次把评测体系开源，等于是把合作成果变成了公共产品，专家的贡献可以被行业认可。
这个设计有点像 Hugging Face 的开源生态——你贡献的数据集、模型、评测基准，都会带着你的名字在社区里流通。对于那些既想做商业化又不想放弃学术影响力的专家来说，这是个不错的平衡点。
行业意义：从"买算力"到"买专家"
大模型竞争到现在，算力、数据、算法的边际效应都在递减。OpenAI 砸几十亿美元训练 GPT-5，提升可能只有 10-20%。但如果能让行业专家直接参与模型优化，在垂直领域的表现可能翻倍。
MiniMax 这个计划本质上是在做"知识蒸馏"的逆向操作——不是把大模型的知识压缩到小模型里，而是把专家的知识注入到大模型里。这比传统的监督学习更高效，因为专家不只是标注数据，而是在定义什么是"好"，什么是"对"。
从商业角度看，这也是一种防御性策略。国内大模型公司都在卷通用能力，但真正能产生商业价值的是垂直场景。MiniMax 通过"10x Team"提前锁定各个领域的头部专家，等于是在垂直赛道上提前占位。
对比一下其他公司的做法：
- 百度：主打产业化落地,但更多是 toB 的解决方案输出，专家参与度有限
- 阿里：通义千问走的是开源路线，社区贡献为主，缺少深度合作机制
- 字节：豆包刚宣布要做付费订阅，还在探索 toC 商业化，垂直领域布局不明显
MiniMax 这次直接把专家拉进来做联合研发，在模式上更激进，但风险也更高——如何保证专家的知识能有效转化为模型能力？如何平衡不同领域专家的需求优先级？这些都是后续要解决的问题。
无限 Token 的真实成本
"无限 Token"听起来很慷慨，但实际成本可能没那么夸张。
首先，这个计划面向的是少数行业专家，不是大规模开放。假设 MiniMax 招募 100 个 Fellowship 研究员，每人每月用 1000 万 Token（已经是非常高的使用量），总共 10 亿 Token。按照当前推理成本，这个量级对于一家拿到多轮融资的大模型公司来说，完全可以承受。
其次，专家的使用场景主要是评测和优化，不是生产环境的高并发调用。这意味着 Token 消耗是可预测、可控制的，不会出现突发性的成本爆炸。
最重要的是，专家参与带来的模型提升，远比 Token 成本更有价值。如果一个芯片设计专家能帮 MiniMax 把 EDA 工具的代码生成准确率从 60% 提升到 85%，这个商业价值可能是几千万甚至上亿的订单。
所以"无限 Token"更像是一个营销话术，真正的价值在于降低了专家参与的门槛——不用担心预算，不用申请额度，想测就测。
开源评测体系的博弈
MiniMax 承诺会开源评测内容，这是个有意思的决策。
开源评测体系有两个好处：
- 建立行业标准：如果 MiniMax 的评测基准被广泛采用，就能在垂直领域建立话语权。就像 MMLU、HumanEval 这些基准，谁定义了评测标准，谁就掌握了行业叙事
- 吸引更多专家：开源意味着成果可以被学术界认可，这对那些在乎学术声誉的专家来说是个重要激励
但风险也很明显：竞争对手可以直接用你的评测体系优化自己的模型。MiniMax 的应对策略可能是"快速迭代"——评测体系开源，但模型优化的具体方法和数据不开源。这样既能建立标准，又能保持技术领先。
这个玩法有点像 OpenAI 早期开源 Gym 环境——环境开源了,但真正能在环境里训练出顶级模型的,还是 OpenAI 自己。
对开发者的影响
"10x Team"计划对普通开发者没有直接影响——你不会因为这个计划突然拿到无限 Token。但间接影响可能很大：
- 模型能力提升：如果计划顺利，未来几个月 MiniMax 在垂直领域的表现会明显改善。对于做行业应用的开发者来说，这意味着更好的基础模型可用
- 评测标准透明化：开源的评测体系可以帮助开发者更准确地评估模型在特定场景下的表现，减少试错成本
- 生态位重新划分：如果 MiniMax 在某些垂直领域建立了明显优势，可能会改变开发者的模型选择策略
对于想要深度参与大模型研发的专业人士来说，这是个值得关注的机会。尤其是那些在传统行业有深厚积累、但苦于没有 AI 转型路径的专家，Fellowship 模式提供了一个低风险的尝试窗口。
写在最后
MiniMax 这次计划的核心逻辑是：大模型的下一个突破点不在算力和参数规模，而在专业知识的深度整合。这个判断可能是对的，但执行难度很高。
行业专家和 AI 研究员的思维方式、工作节奏、评价标准都不一样。如何让两个群体高效协作，如何把隐性知识显性化并注入模型，如何平衡不同领域的资源投入——这些都是 MiniMax 接下来要面对的挑战。
但至少在方向上，这个尝试是有价值的。与其继续在通用能力上内卷，不如提前布局垂直领域，用专家知识建立护城河。至于能不能成，几个月后看 Fellowship 项目的第一批成果就知道了。
如果你正在用 MiniMax 的 API 做垂直领域应用，可以关注一下后续模型更新——说不定你用的下一个版本，就包含了某个行业大牛的知识沉淀。
参考来源
- MiniMax 启动"10x Team"合作计划，提供无限的 Token - IT之家
官方消息首发，包含计划的完整细节和资源配套说明