新眸原创·作者 | 棠宁

这两天，大家聊的最多的不是又出了什么刷新榜单的新模型，也不是又签了什么千万级的行业订单，而是两个字：涨价。

就在昨天，阿里云和百度智能云同步发布了公告，旗下AI算力与存储产品将在4月18日正式调价，最高涨幅达到34%。而在这之前，亚马逊AWS、微软Azure、谷歌云已经完成了一轮AI相关服务的价格上调，部分特定项目的涨幅甚至达到100%。全球云厂商集体进入算力涨价周期，没有一家能置身事外。

打个比方，现在做大模型，就像开着车上了没有出口的高速，油门不敢松，松了就会被后面的车瞬间超过，但油价一直在涨，油箱里的融资款越烧越少，没人知道自己能不能撑到下一个服务区。

这话不是矫情。如果你留意阿里2026财报Q3前瞻和刚刚发布的腾讯财报，你会发现两者最大的共通点，就是加大了对AI基础设施与大模型研发的大额持续投入，当然，这也不可避免地让昔日互联网巨头在营收增速上放慢了脚步。

几乎在同一时间，上海的大模型创业公司MiniMax，发布了新一代旗舰大模型M2.7。和行业里常见的“参数规模再创新高”、“权威榜单全面领先”的发布逻辑不同，这款模型最核心的标签，是“自进化”。

据官方介绍，这是全球第一个实现商用的自进化大模型，它可以深度参与自身训练优化的全流程，在部分研发场景可承担30%到50%的工作量。

一边是全行业都在为算力成本、研发效率焦虑，在军备竞赛的泥潭中越陷越深；一边是一家成立仅4年多的创业公司，让大模型从被研发的工具，变成了研发的参与者，甚至是主体。这一枪，算是打到了行业的七寸上。

3年竞赛，大模型的背后难点

大模型行业走到今天，整整三年时间，几乎所有玩家都困在同一场军备竞赛里。

2023年ChatGPT引爆生成式AI浪潮的时候，行业的竞争焦点是参数规模。从百亿参数到千亿参数，再到万亿参数，大模型的参数膨胀速度，远超摩尔定律曾经的节奏，仿佛参数规模就是衡量大模型能力的唯一标尺，谁家的参数更大，谁家就站在了行业的顶端。

很快，参数竞赛就走到了尽头，大家发现，参数规模的提升，带来的能力增长越来越有限，反而对算力的需求呈指数级上涨。于是行业的竞争焦点，转向了算力资源的争夺。高端AI芯片的供需缺口持续扩大，国内的大模型公司纷纷锁定长期算力订单，行业一度出现“一卡难求”的局面，甚至有创业公司为了保障算力稳定，直接包下了整个智算中心的机柜。

到了2025年，单纯的算力军备竞赛也卷不动了，行业的战场延伸到了落地场景。大厂们纷纷把大模型和自己的云服务、硬件产品、生态体系绑定，试图在千行百业的落地中抢到先发优势，竞争从技术研发，蔓延到了生态、渠道、客户资源的全面比拼。

但这场持续了三年的竞赛，代价越来越沉重，已经开始影响到整个行业的发展。

大厂尚且如此，创业公司的生存压力更是肉眼可见。我接触过的不少大模型创业者，都有过类似的经历：融到的第一笔钱，一半先打给了云厂商锁定算力，剩下的钱大部分用来支付算法团队的薪酬，留给产品打磨、场景落地的资金少之又少。行业就像一个高速运转的跑步机，所有人都必须不停往前跑，一旦停下来就会被赶超，但跑的越快，消耗的成本就越高，陷入了“越卷越贵，越贵越卷”的死循环。

而这个问题的根源，是大模型研发效率的底层瓶颈。

传统的大模型研发，是一套完全由人驱动的标准化流程。从最开始的数据清洗、标注，到模型架构的设计、预训练的参数调整，再到后续的微调、对齐、评测、bug修复，每一个环节都需要大量的算法工程师、数据标注人员、产品经理深度参与。

一个千亿参数级别的大模型，从立项到正式发布，往往需要一个几百人的团队，花费3到6个月的时间，中间还要消耗数亿的算力成本。即便是迭代速度最快的头部厂商，一个完整的大版本更新，也需要至少两个月的研发周期。

更让人无奈的是，这种“手工作坊”式的研发模式，正在遭遇明显的边际效益递减。从GPT-3到GPT-4，再到GPT-5，OpenAI的每一次迭代，都投入了比上一次更多的算力和人力，但普通用户能感知到的能力提升，却越来越有限。

国内的大模型玩家也是如此，从2023年到2026年，国内已经发布了数百款大模型，参数规模越来越大，训练数据越来越多，但真正能重构行业流程、带来颠覆性体验的能力突破，却寥寥无几。很多大模型的迭代，只是在特定榜单上的分数提升，很难转化为用户可感知的体验升级。

从这个角度看，MiniMax的M2.7，给大家指了一条全新的路。

M2.7的核心突破，不是参数规模的提升，或是某个特定场景能力的优化，而是对大模型研发范式的重构。

在M2.7之前，大模型在自身的研发流程里，最多只能承担辅助工具的角色。算法工程师可以用它写一些训练相关的代码，做一些简单的数据清洗工作，但核心的模型架构设计、训练流程控制、对齐优化等关键环节，还是必须由人来完成。大模型始终是一个被研发的对象，而不是研发的参与者，整个研发流程的核心驱动力，始终是人。

而M2.7的“自进化”能力，第一次让大模型深度参与到了自身研发的全流程中。

根据MiniMax官方披露的信息，M2.7可以完成数据筛选与清洗、训练数据的构建、模型架构的迭代优化、训练过程中的参数调整、对齐与评测，甚至是自身推理代码的优化等多个环节的工作。在部分特定研发流程中，M2.7可以承担30%到50%的工作量，研发人员只需要完成顶层的目标设定、关键环节的审核与把控，以及最终的效果验收。

这个变化的本质，是把大模型的研发模式，从过去的“人驱动模型迭代”，转向了“模型驱动模型迭代”。

最直观的改变，就是研发效率的提升和成本的下降。

同样的一个大模型迭代版本，过去需要一个200人的算法团队花费3个月的时间完成，现在只需要更少的人力、更短的周期就能落地，人力成本和时间成本都有显著下降。而在算力成本上，因为M2.7可以自主优化训练流程，调整训练参数，提升算力的使用效率，同样的训练任务，消耗的算力资源也会明显减少。对于本就面临资金压力的创业公司来说，这种效率的提升，直接意味着生存空间的扩大。

很多人会有疑问，让大模型参与自己的研发，会不会牺牲基础能力？

从官方发布的信息来看，并没有。M2.7的编程能力已经追平了OpenAI的GPT-5.3-Codex，在多模态理解、长上下文处理、逻辑推理等核心能力上，也进入了国内大模型的第一梯队。自进化能力的实现，没有以牺牲基础能力为代价，反而通过模型的自主优化，实现了基础能力的同步提升。

对于一家成立仅4年多的创业公司来说，这样的成绩并非偶然。MiniMax成立于2022年，是国内最早一批入局大模型赛道的创业公司，此前已经发布了多个版本的通用大模型，在多模态生成、长对话等领域积累了成熟的技术能力，也沉淀了大量的模型研发数据与经验，这些都为自进化大模型的研发提供了坚实的基础。而这次自进化大模型的发布，也让MiniMax从国内大模型的第二梯队，一跃进入了技术创新的第一阵营。

M2.7的发布，之所以能在行业内引发这么大的震动，核心原因在于，它打破了大模型行业过去三年的竞争逻辑。

过去三年，大模型行业的竞争，本质上是资源的竞争。谁能拿到更多的算力，谁能组建更大的算法团队，谁能投入更多的资金，谁就能在竞争中占据优势。大厂凭借着自己的资金优势、算力优势、生态优势，在这场竞争中占据了绝对的主导地位，创业公司想要突围，只能在细分场景里寻找机会，很难在通用大模型的核心技术上，和大厂正面抗衡。

行业的马太效应越来越明显，头部厂商占据了绝大多数的算力资源、人才资源和市场份额，中小玩家的生存空间越来越小。

但自进化大模型的出现，改变了这个游戏规则。当大模型可以自己研发自己的时候，资源的重要性会相对下降，技术创新的权重会被无限放大。创业公司不需要再和大厂拼算力、拼资金、拼团队规模，只需要在核心技术上实现突破，就能用更少的资源，实现更快的迭代速度，在竞争中拿到自己的一席之地。

和当年的DeepSeek类似，相当于给陷入内卷的行业，打开了一条全新赛道，让技术创新重新成为行业竞争的核心。