文 | 市象，作者 | 景行，編輯 | 古廿

當前，Coding 時代的行業共識已經確立。

“盡管我們上調了Token價格，客戶接受度依然很高，需求持續旺盛，甚至當前供應仍無法完全滿足需求，仍有大量客戶在排隊等待服務。”

上周2026財年Q4財報會議上，阿里巴巴CEO吳泳銘用一番發言，道出Coding蛋糕的龐大。

AI 終于從發布會走進了企業的生產預算，阿里解決了第一個問題：AI 有沒有真實需求？

第二個問題來自Google：AI下一步會長成什么樣？

北京時間5 月 20 日凌晨，Google I/O 2026如期開場。

這屆大會的亮點，無疑是智能體與多模態能力的展示。在Gemini Omni Flash的發布中，Google對其有一段精確定義——支持任何模態的輸入，生成任何模態的輸出。

大會展示的視頻輸出只是一個開始，按照Google的規劃，Omni有能力實現文圖音視的全模態輸出，并基于Gemini的世界模型能力，生成重力、動力更精確的物理效果。

對Google來說，Omni不再是一個視頻模型，而是真正的超級內容創作入口，進而嵌入所有的創作者工作流程，創造一個比Coding想象空間更大的多模態應用市場。

相較編程，這是AI的真正富礦。從行業通用定價來看，每百萬 tokens 的價格，視頻模型要遠高于圖片和文本。這意味著，只要token調用量提升，視頻將創造遠超文本的API價值。

更重要的是，多模態正在迎來一個歷史性的技術拐點。

對比早期文本模型+圖像模型+視頻模型的簡單拼接模式，在2026年，以 Google Gemini Omni 為代表的統一基座全模態模型的出現，標志著行業即將進入一個全新的時代。

多模態，下一個Token拐點

OpenAI 首席執行官Sam Altman沒想到的是，100萬用戶規模的成績，發布初的ChatGPT要5天實現，GPT-4o圖像生成只需要1個小時。

憑借高度還原的吉卜力畫風，GPT-4o生圖功能上線即爆紅，OpenAI 不得不限制免費資格，并懇求用戶不要再瘋狂生圖，讓團隊睡個好覺。

今年發布的圖像生成模型Image 2，一小時全球新增用戶破180萬，再次打破GPT-4o紀錄，一周時間內，全球活躍用戶便超過1.2億，帶動ChatGPT Plus訂閱量環比增長23%。

年初Google Nano Banana 2的發布，則實現了全球測試屠榜的盛況。產品將一張4K多細節圖的生成時間，從分鐘級壓縮到秒級。

截至目前，Nano Banana系列累計生成圖片已超過500億張。媒體評價是，Google正在終結PS時代。

毫無疑問，顛覆級的多模態模型，擁有一錘定音的市場影響力。

在去年的Google I/O大會上，VEO 3一鳴驚人，切水果視頻席卷了TikTok，僅用半年時間，生成視頻總量就突破2.3億條，有媒體撰文稱，VEO 3挽救了谷歌的財報。

但更大的顛覆還在路上。

前幾天有Reddit用戶意外找到并分享了一則Gemini Omni的Demo，瞬間引爆了全球AI社區：

教師一邊講課，一邊在黑板上寫下公式，全程聲音、畫面、板書文字精確流暢，絲滑至極。

有X用戶的評價是，視頻模型的Nano Banana時刻要來了。

Gemini Omni的驚艷之處不僅于此，模型支持一鍵去除水印、替換物體并自適應光影，從演示效果看，其文字一致性、角色連貫性超越了過往所有視頻模型。

跑出過火星文畫面的AI用戶都清楚，讓AI做一個文字清晰準確的內容有多難，更不要說是數學公式，還是在課堂上邊講邊寫。

與VEO相比，Google Omni是真正意義上全模態輸入、全模態輸出的模型，支持用戶通過任意模態內容混合輸入，生成高質量的視頻，同時支持對話編輯。

這意味著，Google Omni有能力將所有模態的分析與生成處理，在一個統一模型內部完成，而非調動多個系統后期整合。

按照Google的定義，Omni是Gemini主架構的進化，將Gemini從誕生起就具備的原生多模態能力，從輸入端擴展到了輸出端。

相比之下，VEO和Nano Banana并非獨立產品，而是Omni身上的能力組件。

在現場演示中，Google高管展示了具體編輯場景——用戶輸入“把背景換成雪地”，模型就換掉視頻環境；輸入“改成從側面跟拍的角度”，畫面運鏡就隨之改變；輸入“加上旁白”，視頻就能生成解說及背景音樂。

自始至終，用戶只要對話，就能像指揮員工一樣修改視頻，并精確到每一個細節，無需切換線程或重新上傳。這就將VEO等上一代視頻模型提示詞生成、抽卡賭運氣的模式完全改寫。

DeepMind首席執行官德米斯·哈薩比斯則表示，未來Omni將能完成任意模態的輸入及輸出功能，入口覆蓋Gemini應用、Google Flow和YouTube Shorts，更強的Omni版本會在后續推出。

背后Google的野心昭然若揭。它要做一個真正的世界模型，沒有媒介限制，沒有模態隔閡，AI 可以用任何人類能理解的方式，和世界進行交互，用一個模型定義AI的未來形態。

支撐這個野心的，正是全模態能力。

很多人沒意識到，統一基座的全模態模型，其實在研發效率上更有優勢。

在執行跨模態任務時，文本理解的提升，可以反哺圖像和視頻質量，讓生成內容更符合邏輯；圖像和視頻的訓練數據，又可以幫助模型更好地理解物理世界，提升文本推理和常識判斷能力。

這是1+1>2的正向循環。也能解釋為何楊立昆、李飛飛等大牛堅持認為，多模態世界模型才是AI的未來路徑。

過去市場盯著Coding看，對多模態認知不足，這一思維范式正在被推翻。

摩根士丹利在近期研報中指出，Minimax的潛在價值被市場忽略，其ARR在2026年底將達到10億美元。一個重要原因是，市場低估了多模態技術的商業價值，特別是大語言模型與多模態模型的相互促進。

這句話，點破了當前AI行業最大的視野盲區。

原生的五感全能戰士？

看回國內市場，一輪技術驅動的增長正在醞釀中。

摩根士丹利指出，中國模型市場已經走到凸性爆發拐點，將復刻美國市場的超新星爆發速度。原因有二：一是模型能力已經接近甚至超越此前的美國頭部產品，二是相比美國模型，中國模型定價普遍更有優勢。

放眼國內市場，主要玩家的現階段敘事邏輯高度趨同：爭奪Claude平替這個生態位，再找獨有優勢，比如專攻長文本、專攻智能體、專攻推理，最后從訂閱價格角度卷出優勢，殺出紅海。

但這并不是市場的全貌。

仍有玩家在技術路線上高度接近Gemini Omni的方向，有望率先在國內復刻這一生態位，就是Minimax。

最近高盛發文將字節、阿里、Minimax三家并列，依據是中國獨立AI廠商中，Minimax獨一無二的全面全模態布局，以及其行業領先的高性價比、高靈活性計算架構。

高盛：中國多模態模型持續進軍全球，關注Hailuo 3

按照高盛的預測，M3與Hailuo 3模型發布，將成為Minimax的重要里程碑，其文本API業務毛利率將達到40%，多模態API業務毛利率達到60-70%，高于同行水平。

瑞銀則將Minimax的目標價設定為1000港元，原因是隨著多模態能力潛力釋放，不同模態間的協同研發，將帶動訓練成本的壓縮，以及模型能力的快速提升。

換言之，多模態研發給Minimax帶來的遠不止產品矩陣，還包含更精細、高效的工程框架。這將令企業模型進一步降低門檻，從開發者向普通用戶擴展。

摩根大通則給到Minimax“超配”評級，理由是“技術實力、多模態商業化潛力、全球可擴展性的罕見組合”。

Minimax不僅是國內唯一同時具備“文本+圖像+視頻+音頻+音樂”全棧能力的獨立大模型廠商，而且文本、語音、視頻生成能力全部排在全球第一梯隊。

過去的市場中，全模態很容易被誤解成“功能表”，文本、圖片、視頻、語音、音樂，五個格子都打勾，就叫全模態。

但事實上，全模態的真正價值，不在于“能做什么”，而在于“這些能力能不能彼此增強”。這是先天路線選擇和后天補丁式升級的本質區別。

視頻生成就是一個最好的例子。

文本模型說自己理解物理世界，很難驗證。你讓它寫一篇關于蘋果落地的文章，它能寫得頭頭是道，但你永遠不知道它是不是真的理解萬有引力。

但視頻生成不一樣，一秒鐘就能露餡。手的位置對不對？物體運動的軌跡符不符合物理規律？鏡頭切換是否連貫？文字是否清晰準確？音畫是否同步？一個地方出錯，用戶立刻能看出來。

這是對大模型理解世界能力的終極考驗。不僅要更強的空間理解能力，還要因果推理、長程一致性和多對象關系建模能力。并反過來提升文本、Agent和工具調用性能。

換言之，統一基座全模態模型不是五個獨立模型的簡單相加，而是一個有機的整體。

這正是Minimax的路線，從M系列大語言模型，到海螺視頻模型、Music音頻模型，這種全模態自研+全模態落地的完整性，在國內獨立AI企業中屬于獨一份。

這種底層顛覆性的先天一體路線，使Minimax能在更低成本下實現更流暢的全感官智能。

摩根士丹利測算，通過基礎設施優化，Minimax在8卡H800推理服務器上，每分鐘可產生約1美元收入，成本低于0.3美元，而行業平均水平只有約0.5美元/分鐘。

招股書中有一段數據，成立以來，Minimax只花了5億美元，就站上全球多模態能力第一梯隊，這個費用規模，只有OpenAI的約1%。

文本大模型M2發布時在全球權威評測Artificial Analysis中，拿下開源第一的成績，其綜合推理成本也只有0.53美元/百萬Token，只有Claude 4.5 Sonnet的8%，推理速度則是后者的兩倍。

同時，在全模態模型的技術路線，Minimax有能力讓文、圖、音、視頻能力協同迭代，突破迭代效率、訓練成本與模型性能的不可能三角。

去年發布的Minimax的視頻模型，僅用約一個月時間，已幫助全球創作者累計生成視頻超過6億個；語音模型則憑借全球頂尖的超低延時，累計生成語音超過2億小時。

換句話說，憑借穩居全球第一梯隊的多模態模型能力，Minimax模型早已成為全球多模態領域的核心基礎設施。

Pure-Play的增長拐點

對于投資者來說，現在最關心的問題是：誰將在全模態的爆發中，成為下一顆新星？

答案很可能是展現出稀缺性資產質地的Minimax，其即將吃到三重歷史性的紅利。

第一重紅利，是阿里巴巴MaaS業績已經驗證過的——Token量價齊升的行業β紅利。

阿里巴巴2026財年財報顯示，其包含百煉MaaS平臺在內的AI模型與應用服務ARR（年化經常性收入）已突破80億元人民幣，到年底將突破300億元。

吳泳銘用發言證明，Agent市場供不應求，賣方市場特征顯著。背后，市場邏輯已經完全扭轉。

摩根大通指出，當前市場主戰場已經從Token價格轉向模型能力，在需求高度強勁的背景下，最優策略不是降價，而是提升模型能力。技術方向與迭代速度更快的玩家，將站出來引領市場。

第二重紅利，是Google全模態基座模型路線催化的，多模態估值重估的行業α。

過去純文本模型公司享受了AI 行情的絕大多數估值溢價，而全模態基座模型將顛覆這一認知——所有需要視覺、聽覺、空間感知的場景如教育、傳媒、工業、醫學、消費都有其施展空間，其商業上限將遠超純文本。

伴隨超強理解能力的全模態基座模型問世，全模態將迎來一輪估值拐點。

第三重是作為中國獨立AI企業，Pure-Play的估值彈性紅利。

大廠的AI業務往往被稀釋在巨量營收里。阿里的MaaS收入占比仍在低位，字節的AI能力被分散在多條產品線中，市場的估值錨點很難精確對應到AI業務上。

但Minimax的模型能力就是主引擎，收入全靠模型本身，沒有被任何其他業務稀釋。這樣的純度差異，會顯著放大增長曲線的斜率。

這意味著，當大模型行業爆發時，Minimax的業績彈性也會更大。

換句話說，阿里巴巴證明了行業β成立，邏輯閉環；谷歌將推動全模態技術路線的α；而Minimax承接的，是中國AI獨一份的又一重α。

而即將發布的模型升級，將是這場重估的沖鋒號。

在2025年財報會議上，Minimax創始人兼CEO閆俊杰明確透露，今年上半年發布的M3及Hailuo 3相關模型，將邁入中長篇生產級內容的直接生成階段，屆時將把平臺的Token需求量，再帶上一至兩個數量級。

摩根士丹利則表示，M3有望匹敵世界頂級模型性能，并展現多模態理解能力。

Hailuo 3則有望復刻Seedance2.0的生態位。高盛表示，海螺下一代模型將在音視頻同步、編輯能力、多分鏡生成領域實現質變，同時降低普通用戶的制作門檻。

更重要的是，Hailuo 3將是 Minimax 全模態基座的一部分。這意味著，Hailuo 3的技術路徑將是與文本、圖像、音頻能力無縫融合，實現更加復雜的多模態任務。

不久后，我們將看到中國在全模態基座模型方向上，最接近Google理念的新的嘗試。

正因如此，頂尖投行普遍認為Minimax是當前AI行業最具投資價值的標的之一。作為國內唯一一家全模態的獨立大模型廠商，不僅技術路線最接近 Google，同時增長潛力尚未完全釋放。

當M3 和 Hailuo 3 的發布窗口日益臨近——Minimax 的稀缺性正在從"技術敘事"變成"財務現實"。待行業重估驗證、新一代模型發布后，市場的判斷可能會完全不同。