文 | 市象，作者 | 景行，编辑 | 古廿

当前，Coding 时代的行业共识已经确立。

“尽管我们上调了Token价格，客户接受度依然很高，需求持续旺盛，甚至当前供应仍无法完全满足需求，仍有大量客户在排队等待服务。”

上周2026财年Q4财报会议上，阿里巴巴CEO吴泳铭用一番发言，道出Coding蛋糕的庞大。

AI 终于从发布会走进了企业的生产预算，阿里解决了第一个问题：AI 有没有真实需求？

第二个问题来自Google：AI下一步会长成什么样？

北京时间5 月 20 日凌晨，Google I/O 2026如期开场。

这届大会的亮点，无疑是智能体与多模态能力的展示。在Gemini Omni Flash的发布中，Google对其有一段精确定义——支持任何模态的输入，生成任何模态的输出。

大会展示的视频输出只是一个开始，按照Google的规划，Omni有能力实现文图音视的全模态输出，并基于Gemini的世界模型能力，生成重力、动力更精确的物理效果。

对Google来说，Omni不再是一个视频模型，而是真正的超级内容创作入口，进而嵌入所有的创作者工作流程，创造一个比Coding想象空间更大的多模态应用市场。

相较编程，这是AI的真正富矿。从行业通用定价来看，每百万 tokens 的价格，视频模型要远高于图片和文本。这意味着，只要token调用量提升，视频将创造远超文本的API价值。

更重要的是，多模态正在迎来一个历史性的技术拐点。

对比早期文本模型+图像模型+视频模型的简单拼接模式，在2026年，以 Google Gemini Omni 为代表的统一基座全模态模型的出现，标志着行业即将进入一个全新的时代。

多模态，下一个Token拐点

OpenAI 首席执行官Sam Altman没想到的是，100万用户规模的成绩，发布初的ChatGPT要5天实现，GPT-4o图像生成只需要1个小时。

凭借高度还原的吉卜力画风，GPT-4o生图功能上线即爆红，OpenAI 不得不限制免费资格，并恳求用户不要再疯狂生图，让团队睡个好觉。

今年发布的图像生成模型Image 2，一小时全球新增用户破180万，再次打破GPT-4o纪录，一周时间内，全球活跃用户便超过1.2亿，带动ChatGPT Plus订阅量环比增长23%。

年初Google Nano Banana 2的发布，则实现了全球测试屠榜的盛况。产品将一张4K多细节图的生成时间，从分钟级压缩到秒级。

截至目前，Nano Banana系列累计生成图片已超过500亿张。媒体评价是，Google正在终结PS时代。

毫无疑问，颠覆级的多模态模型，拥有一锤定音的市场影响力。

在去年的Google I/O大会上，VEO 3一鸣惊人，切水果视频席卷了TikTok，仅用半年时间，生成视频总量就突破2.3亿条，有媒体撰文称，VEO 3挽救了谷歌的财报。

但更大的颠覆还在路上。

前几天有Reddit用户意外找到并分享了一则Gemini Omni的Demo，瞬间引爆了全球AI社区：

教师一边讲课，一边在黑板上写下公式，全程声音、画面、板书文字精确流畅，丝滑至极。

有X用户的评价是，视频模型的Nano Banana时刻要来了。

Gemini Omni的惊艳之处不仅于此，模型支持一键去除水印、替换物体并自适应光影，从演示效果看，其文字一致性、角色连贯性超越了过往所有视频模型。

跑出过火星文画面的AI用户都清楚，让AI做一个文字清晰准确的内容有多难，更不要说是数学公式，还是在课堂上边讲边写。

与VEO相比，Google Omni是真正意义上全模态输入、全模态输出的模型，支持用户通过任意模态内容混合输入，生成高质量的视频，同时支持对话编辑。

这意味着，Google Omni有能力将所有模态的分析与生成处理，在一个统一模型内部完成，而非调动多个系统后期整合。

按照Google的定义，Omni是Gemini主架构的进化，将Gemini从诞生起就具备的原生多模态能力，从输入端扩展到了输出端。

相比之下，VEO和Nano Banana并非独立产品，而是Omni身上的能力组件。

在现场演示中，Google高管展示了具体编辑场景——用户输入“把背景换成雪地”，模型就换掉视频环境；输入“改成从侧面跟拍的角度”，画面运镜就随之改变；输入“加上旁白”，视频就能生成解说及背景音乐。

自始至终，用户只要对话，就能像指挥员工一样修改视频，并精确到每一个细节，无需切换线程或重新上传。这就将VEO等上一代视频模型提示词生成、抽卡赌运气的模式完全改写。

DeepMind首席执行官德米斯·哈萨比斯则表示，未来Omni将能完成任意模态的输入及输出功能，入口覆盖Gemini应用、Google Flow和YouTube Shorts，更强的Omni版本会在后续推出。

背后Google的野心昭然若揭。它要做一个真正的世界模型，没有媒介限制，没有模态隔阂，AI 可以用任何人类能理解的方式，和世界进行交互，用一个模型定义AI的未来形态。

支撑这个野心的，正是全模态能力。

很多人没意识到，统一基座的全模态模型，其实在研发效率上更有优势。

在执行跨模态任务时，文本理解的提升，可以反哺图像和视频质量，让生成内容更符合逻辑；图像和视频的训练数据，又可以帮助模型更好地理解物理世界，提升文本推理和常识判断能力。

这是1+1>2的正向循环。也能解释为何杨立昆、李飞飞等大牛坚持认为，多模态世界模型才是AI的未来路径。

过去市场盯着Coding看，对多模态认知不足，这一思维范式正在被推翻。

摩根士丹利在近期研报中指出，Minimax的潜在价值被市场忽略，其ARR在2026年底将达到10亿美元。一个重要原因是，市场低估了多模态技术的商业价值，特别是大语言模型与多模态模型的相互促进。

这句话，点破了当前AI行业最大的视野盲区。

原生的五感全能战士？

看回国内市场，一轮技术驱动的增长正在酝酿中。

摩根士丹利指出，中国模型市场已经走到凸性爆发拐点，将复刻美国市场的超新星爆发速度。原因有二：一是模型能力已经接近甚至超越此前的美国头部产品，二是相比美国模型，中国模型定价普遍更有优势。

放眼国内市场，主要玩家的现阶段叙事逻辑高度趋同：争夺Claude平替这个生态位，再找独有优势，比如专攻长文本、专攻智能体、专攻推理，最后从订阅价格角度卷出优势，杀出红海。

但这并不是市场的全貌。

仍有玩家在技术路线上高度接近Gemini Omni的方向，有望率先在国内复刻这一生态位，就是Minimax。

最近高盛发文将字节、阿里、Minimax三家并列，依据是中国独立AI厂商中，Minimax独一无二的全面全模态布局，以及其行业领先的高性价比、高灵活性计算架构。

高盛：中国多模态模型持续进军全球，关注Hailuo 3

按照高盛的预测，M3与Hailuo 3模型发布，将成为Minimax的重要里程碑，其文本API业务毛利率将达到40%，多模态API业务毛利率达到60-70%，高于同行水平。

瑞银则将Minimax的目标价设定为1000港元，原因是随着多模态能力潜力释放，不同模态间的协同研发，将带动训练成本的压缩，以及模型能力的快速提升。

换言之，多模态研发给Minimax带来的远不止产品矩阵，还包含更精细、高效的工程框架。这将令企业模型进一步降低门槛，从开发者向普通用户扩展。

摩根大通则给到Minimax“超配”评级，理由是“技术实力、多模态商业化潜力、全球可扩展性的罕见组合”。

Minimax不仅是国内唯一同时具备“文本+图像+视频+音频+音乐”全栈能力的独立大模型厂商，而且文本、语音、视频生成能力全部排在全球第一梯队。

过去的市场中，全模态很容易被误解成“功能表”，文本、图片、视频、语音、音乐，五个格子都打勾，就叫全模态。

但事实上，全模态的真正价值，不在于“能做什么”，而在于“这些能力能不能彼此增强”。这是先天路线选择和后天补丁式升级的本质区别。

视频生成就是一个最好的例子。

文本模型说自己理解物理世界，很难验证。你让它写一篇关于苹果落地的文章，它能写得头头是道，但你永远不知道它是不是真的理解万有引力。

但视频生成不一样，一秒钟就能露馅。手的位置对不对？物体运动的轨迹符不符合物理规律？镜头切换是否连贯？文字是否清晰准确？音画是否同步？一个地方出错，用户立刻能看出来。

这是对大模型理解世界能力的终极考验。不仅要更强的空间理解能力，还要因果推理、长程一致性和多对象关系建模能力。并反过来提升文本、Agent和工具调用性能。

换言之，统一基座全模态模型不是五个独立模型的简单相加，而是一个有机的整体。

这正是Minimax的路线，从M系列大语言模型，到海螺视频模型、Music音频模型，这种全模态自研+全模态落地的完整性，在国内独立AI企业中属于独一份。

这种底层颠覆性的先天一体路线，使Minimax能在更低成本下实现更流畅的全感官智能。

摩根士丹利测算，通过基础设施优化，Minimax在8卡H800推理服务器上，每分钟可产生约1美元收入，成本低于0.3美元，而行业平均水平只有约0.5美元/分钟。

招股书中有一段数据，成立以来，Minimax只花了5亿美元，就站上全球多模态能力第一梯队，这个费用规模，只有OpenAI的约1%。

文本大模型M2发布时在全球权威评测Artificial Analysis中，拿下开源第一的成绩，其综合推理成本也只有0.53美元/百万Token，只有Claude 4.5 Sonnet的8%，推理速度则是后者的两倍。

同时，在全模态模型的技术路线，Minimax有能力让文、图、音、视频能力协同迭代，突破迭代效率、训练成本与模型性能的不可能三角。

去年发布的Minimax的视频模型，仅用约一个月时间，已帮助全球创作者累计生成视频超过6亿个；语音模型则凭借全球顶尖的超低延时，累计生成语音超过2亿小时。

换句话说，凭借稳居全球第一梯队的多模态模型能力，Minimax模型早已成为全球多模态领域的核心基础设施。

Pure-Play的增长拐点

对于投资者来说，现在最关心的问题是：谁将在全模态的爆发中，成为下一颗新星？

答案很可能是展现出稀缺性资产质地的Minimax，其即将吃到三重历史性的红利。

第一重红利，是阿里巴巴MaaS业绩已经验证过的——Token量价齐升的行业β红利。

阿里巴巴2026财年财报显示，其包含百炼MaaS平台在内的AI模型与应用服务ARR（年化经常性收入）已突破80亿元人民币，到年底将突破300亿元。

吴泳铭用发言证明，Agent市场供不应求，卖方市场特征显著。背后，市场逻辑已经完全扭转。

摩根大通指出，当前市场主战场已经从Token价格转向模型能力，在需求高度强劲的背景下，最优策略不是降价，而是提升模型能力。技术方向与迭代速度更快的玩家，将站出来引领市场。

第二重红利，是Google全模态基座模型路线催化的，多模态估值重估的行业α。

过去纯文本模型公司享受了AI 行情的绝大多数估值溢价，而全模态基座模型将颠覆这一认知——所有需要视觉、听觉、空间感知的场景如教育、传媒、工业、医学、消费都有其施展空间，其商业上限将远超纯文本。

伴随超强理解能力的全模态基座模型问世，全模态将迎来一轮估值拐点。

第三重是作为中国独立AI企业，Pure-Play的估值弹性红利。

大厂的AI业务往往被稀释在巨量营收里。阿里的MaaS收入占比仍在低位，字节的AI能力被分散在多条产品线中，市场的估值锚点很难精确对应到AI业务上。

但Minimax的模型能力就是主引擎，收入全靠模型本身，没有被任何其他业务稀释。这样的纯度差异，会显著放大增长曲线的斜率。

这意味着，当大模型行业爆发时，Minimax的业绩弹性也会更大。

换句话说，阿里巴巴证明了行业β成立，逻辑闭环；谷歌将推动全模态技术路线的α；而Minimax承接的，是中国AI独一份的又一重α。

而即将发布的模型升级，将是这场重估的冲锋号。

在2025年财报会议上，Minimax创始人兼CEO闫俊杰明确透露，今年上半年发布的M3及Hailuo 3相关模型，将迈入中长篇生产级内容的直接生成阶段，届时将把平台的Token需求量，再带上一至两个数量级。

摩根士丹利则表示，M3有望匹敌世界顶级模型性能，并展现多模态理解能力。

Hailuo 3则有望复刻Seedance2.0的生态位。高盛表示，海螺下一代模型将在音视频同步、编辑能力、多分镜生成领域实现质变，同时降低普通用户的制作门槛。

更重要的是，Hailuo 3将是 Minimax 全模态基座的一部分。这意味着，Hailuo 3的技术路径将是与文本、图像、音频能力无缝融合，实现更加复杂的多模态任务。

不久后，我们将看到中国在全模态基座模型方向上，最接近Google理念的新的尝试。

正因如此，顶尖投行普遍认为Minimax是当前AI行业最具投资价值的标的之一。作为国内唯一一家全模态的独立大模型厂商，不仅技术路线最接近 Google，同时增长潜力尚未完全释放。

当M3 和 Hailuo 3 的发布窗口日益临近——Minimax 的稀缺性正在从"技术叙事"变成"财务现实"。待行业重估验证、新一代模型发布后，市场的判断可能会完全不同。