在 MiniMax 公司内部，围绕新模型 M3 的发布，一场争论在所难免。M3 作为一款具备 1M 上下文容量的原生多模态模型，被寄予厚望，旨在提升公司在模型能力上的表现。模型发布当天，MiniMax 股价一度上涨超过 7%，但随后因同步推出的定价方案引发争议，公司股价转跌，收盘下跌 15.71%。

争议的核心在于，M3 发布后，收费体系从过去的订阅制 Coding Plan 转向按 token 计费的 Token Plan。部分用户发现，在同等使用强度下，额度消耗速度远超预期，且此次调整缺乏充分的用户告知，许多个人开发者是在登录后才发现规则变更。由此引发了用户的不满，包括在投诉平台要求退款、取消续订以及在社交媒体上表达不满。

事件发生后，MiniMax 内部迅速作出反应。设计团队在意识到沟通不足后，迅速提出改进方案，并在当晚发布道歉公告，承认在调整前未与用户充分沟通，以及老用户周限额处理不当。然而，股价的下跌和用户情绪的波动仍对公司造成了不小的影响。

模型发布的第二天，公司内部的焦虑和沮丧情绪达到顶点。一名技术负责人就定价方案的设计问题，直接质问负责服务用户和客户的开放平台部门。双方围绕定价档位、额度分配以及设计是否站在用户角度等问题展开激烈争论。尽管争吵激烈，但在一个小时内，新的套餐设计方案便已完成更新，展现了公司高效率解决问题的能力。

事后，两位争吵的主要参与者在接受采访时表示，尽管当时争论激烈，但并无个人恩怨，争论的焦点仅在于细微的内部参数。其中一人表示，对方的观点是正确的，并且后续已按其建议进行了调整。另一名技术负责人则维护了与他争吵的开放平台同事，认为问题在于该同事入职时间较短，缺乏对早期用户情绪和套餐历史的了解，并指出“他缺的是 context，这是所有人的责任。”

MiniMax 的工作氛围以扁平化和透明化著称。员工们通常在上午陆续到公司，午晚餐由公司提供，工作时间相对灵活。公司内部的会议室使用率极高，信息流动迅速。在 M3 发布前夜，多数员工聚集在上海总部，有人负责服务稳定，有人在群里追踪模型进展，也有人在小型会议室讨论细节。公司最习惯的协作方式是线上沟通，信息共享的群组不以部门为限，谁掌握相关信息，谁就会被拉入群中。

“Context”是这家公司运作中一个被反复强调的核心要素，公司极力鼓励信息的自由流动。这种组织方式给人的第一印象是混乱但充满活力，信息传递速度快，人与人之间的缓冲层较少，如同一个开放的广场。在 M3 发布前的凌晨，算法和开发团队几十个光标同时在一个文档中协作，创始人 IO（闫俊杰）也参与其中，共同敲定模型的技术细节和榜单成绩。

在观察和体验了公司的大量协作后，作者发现，当一个重要事项出现时，相关人员会第一时间被召集，因为信息足够透明，每个人都能迅速提供或获取新信息。创始人 IO 在充分了解背景信息后，会做出最终的决策。M3 的发布寄托了公司对自身发展的许多期望，当这份期待遭遇因“缺少 context”而引发的质疑和批评时，对团队而言无疑是一段“至暗时刻”。

MiniMax 在模型能力上的投入一直很大，但早期用户对其的认知主要通过产品而非模型本身。M3 的发布是公司长期追求更强大模型目标的关键一步。然而，在模型发布前几个月，公司将几乎全部注意力集中在提升模型智能本身。M3 发布后，尽管技术圈对其给予一定赞誉，但付费计划引发的用户愤怒，以及由此导致的市值蒸发，让公司迅速进入反思期。

外界容易忽视的是，MiniMax 是一家成立仅四年的公司，快速成长中伴随着一系列挑战。尤其是在模型智能水平达到一定高度后，用户反馈显示模型能力已不能满足需求。M3 的发布，原本是公司技术实力的一次飞跃，却因定价方案的沟通失误，演变成一场公关危机。

围绕 token plan 的争议被不断放大，批评声甚至演变成谩骂，公司内部发现部分账号行为呈现“水军化”特征。MiniMax 最为在意的是，这些讨论冲散了人们对模型技术创新和新能力的关注。同时，他们也深刻意识到，提前沟通和向用户提供充分的“context”的重要性。

这些问题的根源，在很大程度上源于经验的不足以及公司理想化的行动方式。在过去较轻量级模型的发布中，MiniMax 形成了尽快发布、依靠用户反馈来迭代的习惯。然而，M3 的收费体系调整，是追求模型能力提升的产物，而非单纯的商业化考量。内部认为，旧收费体系过于复杂，需要更新以适应模型能力的提升。

MiniMax 的决策逻辑中，常常体现着“既然迟早如此，为何不早点改变”的思路。参与讨论的员工回忆，当时认为“不改，用户可能都没法用好我们新的模型”。这种行业性的重定价趋势，以及公司快速成长的背景，使得 MiniMax 在面对复杂市场和商业化审视时，初创公司常会忽略的问题被急剧放大。

M3 发布后的一场内部复盘会议上，创始人 IO 向全体员工致歉，承认效果未达预期，并分享了对竞争、技术、组织运转方式的思考，以及未来的改进方向。他强调，接下来要做的就是“把模型做好”。这种在慌乱、沮丧、愤怒中，通过争吵快速解决问题，并最终继续前行的应对方式，并非所有公司都能做到。

与一些大厂的“追责”文化不同，MiniMax 的创始人 IO 在面对问题时，会冷静客观地分析，指出产品团队做得不好的地方，这种“就事论事”的态度，避免了给员工带来额外压力。许多员工反映，公司内部不存在山头林立、争抢资源、甩锅等现象，创始人营造了一种“只要把事情想对、做对，就没有问题”的环境。即使是联合创始人之间，甚至创始人与员工之间，也存在激烈的争论，但过后都能恢复正常工作。

MiniMax 鼓励员工从专业角度平等交流，确保信息透明。创始人 IO 在大量信息中，会思考公司在不同阶段、不同资源水平下应追求的目标，并定期与全员分享。公司文化中，“ego”很小，很少有“天才叙事”，团队普遍被认为“靠谱”。公司决策往往围绕“这件事到底能不能 scale”展开。

MiniMax 的布局尤为全面，涵盖语言模型、多模态模型及产品。内部共识认为，要实现“intelligence with everyone”的通用智能，需要多模态、代码、Agent 等综合能力。产品被视为模型走向市场的手段，并随模型发展而演进。M3 的训练，在原生多模态、1M上下文容量（MSA）、交互式用户模拟器框架等方面，都在为“Scale”的可能性提供支持。

公司鼓励员工真实利用 AI 创新来提升效率，例如内部开发的“AI实习生”功能，已在公司内部推广使用。与一些公司不同，MiniMax 会提醒员工注意token的合理使用。他们认为，AI Native 的概念并非空谈，而是 AI 在组织运转和成长发展中扮演的角色，以及公司对其的认知和运用。

在一次内部讨论中，当被问及 MiniMax 的目标函数是什么时，核心技术人员回答：“我觉得优化目标是 scaling。就是最终的规模。而规模包括最终的智能，以及为了达到这个智能，这个公司能拥有多少资源。”他解释说，“Scale = 智能上限 x 可动员的资源。”这与公司名称“MiniMax”的寓意相契合。

“我们就是一群很朴素、很普通的人。Mini，就是我们现在拥有的状态。但我们希望，一旦拥有资源，就要能够 Max。我们始终追求一个很高的目标，但在 ego 上是比较 Mini 的。”一位员工这样描述公司理念。

M3 模型开源后，其参数量（激活参数 23B）引起关注。创始人 IO 认为，AI 行业的技术鸿沟正在缩小，模型的最大挑战在于经验和实验的积累，不同规模的模型能积累不同经验，因此需要一代一代进步。MiniMax M3 在上线后，通过高强度的开发优化，模型服务逐渐稳定，TPS 快速提升，首包延迟也将继续优化，达到行业领先水平。

M3 发布后，第三方服务商和重点客户的反馈多为正面，平台后台核心指标也显示增长。六月对 MiniMax 而言是疯狂的，但这种疯狂将继续，行业仍在加速。公司在技术博客中写道：“今天的模型更新速度之快，很容易让人忘记这依然是一件日拱一卒的事情。它有自身客观规律，也会奖赏循着规律扎实前进的团队。” MiniMax 将投入更多资源研发下一代模型，目标是让用户在使用 Opus 级别智能时，基本不再受成本限制，这正是从 Mini 到 Max 的优化函数。