AI Agent 的门票，MiniMax 想先打下来

本文来自微信公众号： 极客公园 ，作者：Cynthia，编辑：郑玄

能力固然耀眼，但这次主要想聊一聊的，是它的价格。

过去在Chatbot时代，很多人可能对这种性价比没什么概念。毕竟用户问一句，模型答一句，成本还比较温和。到了Agent时代，模型开始学会读仓库、扫文件、跑测试、看日志、修bug、跑测试。一次任务背后，可能是几十次、几百次模型调用。

于是，模型变聪明了，但成本也没多少人扛得住了。

而一个聪明又有足够性价比的模型，对很多个体以及企业而言，有时候往往就是AI真正走向落地的临门一脚。

01

从Agent经济学的痛点，

过去大家讨论AI替代人、解放人，常常默认AI一定更便宜。

但这句话成立，是有限制条件的。

特别是Coding Agent场景，前段时间，一篇关于Agentic Coding成本的研究，分析了8个前沿模型在SWE-bench Verified上的运行轨迹发现一个有意思的现象：

Agentic Coding类任务，token消耗不是线性增长，甚至可以达到普通代码问答的1000倍。更麻烦的是，有时候，token烧得更多，准确率并不一定继续变高，很多任务的准确率会在中等成本区间达到峰值，然后趋于饱和。

背后逻辑在于，Coding需要用户把完整的项目文件、代码上下文喂给AI，才能产出真正可用的代码。是典型的输入token远大于输出token的场景。越是生产级场景，上下文成本就越是贵得离谱，有时候，甚至会超过人力成本本身。

这也就解释了为什么很多过去在AI使用上非常激进的企业，从今年开始，出现了态度反复横跳：

一个极端案例是OpenClaw。其创始人Peter Steinberger曾晒出30天消耗约130万美元OpenAI API token的账单，覆盖6030亿token、760万次请求，背后是约100个Codex agent在跑自动化开发任务。

Uber更是CTO与COO先后公开下场吐槽，公司到2026年4月已经花完了全年Claude Code预算。

Agent不能试错就做不了复杂任务；但试错太贵，企业就会关止步不前，个人开发者也会变得保守。

以前模型竞争的核心的是智力上限，agent时代，单位成本下的有效工作量才是真正的重点。

但支撑这个性价比的根源在于哪里？性价比背后，产品的体验又究竟如何？

02

为什么行业发展到现在，

需要更强的Coding和长程自主迭代

价格解决的是敢不敢用，下一步用户关心的，是值不值得用。

先看看Hopper FP8 GEMM kernel优化案例。

在这个任务里，M3的起点只有任务描述、benchmark脚本和一个不能直接运行的Triton骨架，没有reference高性能实现。

也就是说，模型并不是前几轮灵光一闪就完成任务，而是在多个平台期里继续诊断、尝试、验证、推翻，再尝试。

这个过程里，模型需要需要维持目标、记住历史、理解benchmark反馈，还要避免在多轮改动中把系统搞乱。

这也是Coding Agent和代码补全工具的分界线。一个普通vibe coding群体可能没意识到的现实在于，真实的生产级环境中，无论AI还是人类，产出代码第一次跑不起来很正常；跑起来之后性能差也很正常；优化完引入新bug也很正常。而工程任务的大部分时间，都花在诊断、验证、回滚、再尝试。

这也是为什么我在前面说，benchmark结果漂亮固然很重要，但不能直接将其平移到生产环境。今天很多coding benchmark仍然是single-turn task，但真实协作一定是multi-turn、multi-file、multi-tool、multi-objective。谁能把训练和评测从一次性解题推进到持续协作，谁才更接近下一代Coding Agent。

这个任务的特点在于任务本身够复杂，需要的能力也够多。模型要读论文正文，理解公式和图表，写实验代码，跑训练脚本，检查结果是否对齐论文结论，再根据偏差调整实验设置。这就需要，模型的智能上限、长上下文、编程、多模态、工具调用、事实纠偏各种能力必须同时成立。

我在测试里直接让AI根据《西游记》小说，制定一个交互地图。

完成这个任务的难点在于，首先模型要自己找到《西游记》原文共100回，60余万字并通读理解。

在此基础上，做西游交互地图最难的是原著地名散乱、虚实空间混杂：行程描述只写里程但没有坐标，所有的动线、事件跨百回分布，必须全本上下文统筹梳理空间关联；而仙界洞府等多层平行空间中的各种虚构场景没有现实GIS参照，同时一些凡间位置，虽然有现实世界原型，但又并未在书中明说。

要把这些文字描述转成地图画面、自动生成开发代码，对模型的上下文能力、工具调用能力、多模态能力、agent协作能力，甚至审美都是不小的考验。

向上滑动查看

这是最终的生成HTML页面的截图，可以看到，不仅路线图与剧情完全吻合，甚至不同地点可能对应的现实世界方位，也基本一致。

比如五行山对应现实世界河北五指山，法门寺在陕西西安，通天河在青海玉树附近，而流沙河对应现实世界新疆塔里木的开都河，与现实世界原型的参考方位几乎一一对应。

03

稀疏注意力搞定1M上下文已经不新鲜，

但如何保证命中率？

长上下文现在已经不稀奇。很多模型都在宣传200K、1M，甚至更长。问题在于，窗口长不代表模型会用。

Agent不可能每一步都从零开始思考，它必须把过去的失败、用户偏好、项目结构、工具反馈沉淀进上下文。相应的，模型的上下文中会堆满了超长的代码文件、终端日志、失败记录、benchmark输出、用户反馈、历史工具调用和中间推理痕迹。

长上下文是实现这一切的基础。但有时候，窗口越长，也就意味着各种中间状态、无关内容构成的噪音越多，输出质量越差，成本也越容易爆炸。

在这一背景下，使用稠密注意力，上下文长度的扩张以及输出效率会受到限制，成本也会随之失控。

使用普通稀疏注意力，能省成本，但容易牺牲细粒度信息定位能力。

但偏偏，Agent执行过程中，最怕漏细节。一次工具调用里的关键报错、某个代码文件里的边界条件、某张图里的曲线异常，都可能决定任务能不能继续。

因此，实现长上下文本身不难，真正难的是如何实现成本、效率、命中率的三者得兼。

这其中的难点在于，《国富论》通篇都是定性社科论述，分工、财税、外贸、资本、薪资的经济传导逻辑零散分布全卷，只有百万级上下文才能完整通读全书，提炼环环相扣的量化演算规则，把斯密的文字理论转化成税率、生产率、财富联动的数值公式。

在此基础上，要完成模拟世界游戏的构建，还需要靠Agent不断完成长时序推演，理解玩家减税、修路等政令可能导致的结果，最后还能分短中长期按古典经济学逻辑迭代面板数据，全程不能违背原著底层经济规律。

而长上下文也只有做到这一步，才有意义。

04

Agent时代，最稀缺的不是智能，

而是可负担的智能

复杂任务需要长上下文。长上下文会带来成本、速度和信息命中率问题，所以需要MSA这种更高效的注意力机制。

Coding Agent需要持续迭代。持续迭代会消耗大量token，所以模型既要会写代码，也要能在多轮失败里维持目标、读懂反馈、继续推进。

真实工作环境是多模态的。只会处理文本，Agent就很难处理截图、图表、后台、Excel、PR页面和终端输出混在一起的任务。

高频使用还要足够便宜。否则用户不会让Agent充分试错，企业也不敢把它接入真实流程。

每个点单独看都不是第一次出现，但组合起来构成的，是Agent能力进入开发者和企业日常工作流的敲门砖。