MiniMax与DeepSeek以不足10万H100等效算力逼近美国顶级模型，算法效率成关键变量

近期，中国两家AI实验室MiniMax与DeepSeek引发国际关注：它们并未依赖数十万张H100级GPU的超大规模集群，却在多个权威基准测试中持续逼近甚至超越美国头部模型。这一现象正在改写全球大模型研发的底层逻辑——算力规模不再是决定性因素，单位算力的智能产出效率正成为新焦点。

据公开信息，MiniMax当前算力足迹约为7万颗H100等效GPU，DeepSeek更低，仅约4.7万颗。作为对比，美国主流AI实验室单笔算力采购常达数十万卡级别；Anthropic与亚马逊、谷歌签署的算力协议总功率已超10吉瓦。NVIDIA H100 SXM版单卡配备80GB HBM3显存、528个Tensor Core，FP8张量算力达4000 TFLOPS，是当前数据中心旗舰级加速器。在此背景下，中国团队以不到10万卡的规模实现前沿性能，实属罕见。

具体表现上，MiniMax M3.1 Flash模型以4280亿总参数、230亿激活参数，在Automation Bench、Banker ToolBench与LOCA-Bench-256K三项测试中均位列全球第一。其百万token输入定价仅0.15美元，输出0.60美元，每token计算量较上一代下降至1/20。DeepSeek-V4.1-Flash-1017则在DeepSWE v1.1编程任务评估中保持帕累托最优，即在极低推理成本下维持顶尖编程能力。

值得注意的是，外界曾普遍将中国模型快速追赶归因于“知识蒸馏”——即用大模型生成数据训练小模型。OpenAI战略未来主管Dean W. Ball曾在社交媒体表示，蒸馏可能解释中国模型紧随美国约50%的原因。但随着MiniMax与DeepSeek最新成果披露，该解释已显乏力。外媒明确指出：“别再把‘蒸馏’当成掩盖自身效率落后的遮羞布”，因为蒸馏无法解释为何在同等算力下，中国模型能实现更高性能密度。

真正驱动性能跃升的是底层算法创新。DeepSeek自研的稀疏注意力机制显著降低了长上下文推理的计算开销，尤其在处理超长输入（如256K token）时优势明显；MiniMax则通过多专家混合（MoE）架构与深度硬件协同优化，在有限算力下最大化激活参数利用率与计算吞吐。二者均未依赖超大规模预训练集群，而是聚焦于“智能密度”提升——即每焦耳能耗、每秒FLOPS所能产出的有效推理能力。

从技术演进路径看，这一趋势具有深层合理性。大模型发展初期依赖“ Scaling Law ”，即单纯增加参数与数据量即可线性提升性能；但当模型规模突破千亿级后，边际收益急剧递减。此时，架构设计、训练策略与推理压缩的精细化程度，开始主导实际效能。例如，MiniMax M3.1 Flash的230亿激活参数远低于其4280亿总参数，说明大量专家模块在单次推理中被动态路由跳过，大幅节省计算资源；DeepSeek-V4.1-Flash-1017则通过任务感知的轻量化适配，在编程类任务中实现“精准发力”，避免通用大模型的冗余计算。

行业影响层面，这种效率导向的研发范式正在重塑全球竞争格局。一方面，它降低了高阶AI研发的准入门槛——不再必须绑定数十万张高端GPU才能参与前沿竞争；另一方面，也倒逼美国厂商重新评估其“堆卡”策略的可持续性。Anthropic与OpenAI已收紧对蒸馏行为的内部管控，侧面反映其意识到单纯依赖教师模型输出难以复制中国团队的工程化效率。

需强调的是，算力差距仍客观存在。中国团队当前集群规模仍显著小于美国头部机构，且受限于先进制程芯片获取渠道，在绝对峰值算力上尚有差距。但“效率优先”路线证明：在算力受限条件下，通过算法创新与系统级协同优化，仍可实现高性能模型落地。这不仅是技术路径的选择，更是一种资源约束下的务实策略。

此外，该趋势也与国内“饱和式研发”模式相呼应——即在关键方向集中投入多支团队并行攻关，快速试错迭代。MiniMax与DeepSeek虽独立运营，但在稀疏建模、动态路由、低精度训练等方向均有重叠探索，形成事实上的技术共振。

展望未来，单位算力智能产出（Intelligence per FLOP）或将成为衡量大模型竞争力的新指标。当训练成本趋近物理极限，如何用更少资源达成更高任务完成率，将决定下一阶段的技术主导权归属。中国团队此次表现，标志着AI研发正式进入“精耕细作”时代：拼的不再是卡数，而是每一张卡的使用效率。

目前，MiniMax与DeepSeek均已开放部分模型API服务，商业化落地节奏加快。其低成本推理特性尤其适合企业级场景部署，如金融合规检查、法律文书摘要、工业代码生成等对延迟与成本敏感的应用领域。随着更多高效架构开源与验证，该范式有望进一步扩散至全球中小AI团队。