MiniMax股价两周跌53%,解禁、亏损、涨价难题待解,回A之路几何?

MiniMax股价暴跌:解禁压力与市场恐慌

2026年中国资本市场最受瞩目的明星科技股MiniMax,在解禁期临近前,跌出一场资本市场的惊魂戏。6月前两周,MiniMax港股股价分别下跌34.17%和28.39%,短短两周累计跌幅约53%。在经济学里,资产价格若在极短时间内跌超30%,基本可算“泡沫破灭”。

让市场如此紧张的,可能是MiniMax即将到来的解禁压力。其将在7月9日迎来一轮重要解禁,涉及基石投资者及部分现有股东。按部分市场数据口径测算,流通股潜在供给量接近放大10倍。

然而,哪家上市公司不会遇到解禁潮?更何况现在还只是临近解禁,并非大规模抛售,但市场已先一步跌成惊弓之鸟,这说明市场提前恐慌的原因或许不只是担心有人卖股票。真正的问题是:当股价从神坛跌落,MiniMax能否证明自己配得上此前近4000亿港元的估值?

股价前期狂飙与暴跌原因

今年1月9日,MiniMax登陆港股,IPO发行价为165港元/股。上市后股价一路狂飙,到3月18日最高收报1238港元/股,较发行价翻了约7.5倍,市值一度摸到3900亿港元,几乎被资本市场按“下一个AI巨头”标准定价。

在股价暴跌前,MiniMax也在向市场释放增长加速信号。3月,创始人闫俊杰透露公司2月ARR(年化经常性收入)超1.5亿美元。5月28日,联合创始人兼首席运营官贠烨祎披露,截至当时,MiniMax用户规模超3亿,服务的全球企业及开发者客户数超100万,较半年前增长5倍;公司年化ARR过去两个月实现翻倍。

但资本市场残酷,能快速将故事推上神坛,也能迅速重新估值。6月前两周股价暴跌,一方面有外部冲击。6月9日,科技智库SemiAnalysis发布研报,引发市场对AI链条担忧,当天美股科技板块率先调整,随后压力传导到A股和港股科技板块。虽报告讲的是光模块和CPO技术,但今年科技股、大模型股涨幅大,市场敏感,任何环节风吹草动,市场都会重新审视AI叙事链条价值,MiniMax难独善其身。

更关键的助跌因素可能是解禁压力。目前MiniMax实际流通盘比例仅约5%,前期股价因流通盘小在资金推动下走出极端行情。解禁后,按部分市场数据口径测算,潜在可流通股份比例可能升至约46%,市场潜在供给量将大幅增加,接近放大10倍。而且很多早期投资者仍有可观浮盈,“获利了结”抛压大。

此外,MiniMax这轮暴跌处于准备“回A”关键节点。原本港股上市后的高市值、高关注度、高成长叙事,可能是回归A股的重要筹码,但现在上市不足半年股价剧烈回撤,意味着资本市场已开始重新评估其真正价值。

两年亏损160亿:业绩困境与融资需求

资本市场对MiniMax情绪敏感,根本原因是担心业绩。2024年,MiniMax营收约3000万美元,亏损4.65亿美元;2025年,营收翻超一倍达约7900万美元,但亏损直接翻超4倍,达18.72亿美元。2024 - 2025年两年,MiniMax合计亏损约23.37亿美元,按1比7汇率粗算,约160亿元人民币。

这可能意味着MiniMax商业模式尚处早期,虽有上市公司身份,但不是那种能让资本市场看到扭亏希望的公司,距离盈亏平衡可能还很远。对其来说,继续融资是必答题,启动A股上市辅导、推进“A + H”资本平台成了合理选择。

中国证监会5月29日文件显示,MiniMax已于2026年5月29日与中信证券签署辅导协议。5月31日,MiniMax在香港交易所网站发布公告,称董事会已决议探究拟发行人民币股份的初步建议。

然而,资本市场可听故事,但公司需拿出改善业绩的信号。于是,MiniMax在释放回A信号同时宣布涨价,将计费方式从按次改为按token。从公司角度,两年亏损超百亿元,研发和算力成本高,涨价不难理解。但从用户角度,难以接受。网上实测数据显示,原本5小时可调用1500次的额度,新规则下只能支撑300 - 500次,按同等业务消耗量计算,成本涨幅最高可达2.5倍。还有用户算账,过去每月消耗30亿 - 50亿token只需49元,现在要花约175元,实际涨幅达257%。一位重度用户在黑猫投诉平台称,开发工作高频调用1M长上下文功能,过去一周的额度现在两三天就用完。

更重要的是,目前不少同行在降价,开发者选择增多。5月22日,DeepSeek宣布DeepSeek V4 Pro永久降价;5月27日,小米MiMo - V2.5系列跟进降价,最高降幅达99%。此外,根据财新6月1日文章,在全球最大API聚合平台OpenRouter周度累计Token消耗量排行榜上,MiniMaxM2.7以526B的Token消耗量位列第18位,落后于国内竞争对手。这反映出MiniMax市场份额不稳,涨价改善财务压力可能削弱市场竞争力。

转战B端:机遇与挑战并存

不涨价业绩扛不住,涨价又可能把用户推向同行,转向B端或许是平衡业绩和市场的现实方向。2025年,MiniMax的B端收入占比超三成,业务增速反超C端,发力B端战略定位渐明。

相比C端用户,B端客户对价格不那么敏感,更在乎“值不值”。普通用户易因价格上涨转向其他模型,但企业客户更关心模型能否提高效率、减少成本。

然而,B端虽对价格不敏感,但要求MiniMax有足够强的技术优势和场景落地能力,让企业客户愿意买单。这恰恰是MiniMax易被质疑之处。在M3发布会上,MiniMax称其在SWE - Bench Pro测试基准上取得59%的成绩,超过GPT - 5.5的58.6%和Gemini3.1 Pro的54.2%,接近Claude Opus 4.7。但海外科技媒体指出,其公布的benchmark结果来自自行测试,部分测试还使用了Claude Code等外部Agent脚手架,这让人质疑最终高分有多少来自M3模型本身。

此外,这不是MiniMax第一次面临“技术可信度”拷问。今年2月23日,Anthropic指控包括MiniMax在内的三家中国公司对其Claude模型发动“工业级蒸馏攻击”,MiniMax交互量超1300万次。虽MiniMax未公开回应,但市场信心已受影响。

除技术问题,MiniMax发力B端还需考虑战略调整。过去其产品线铺得太开,从文本大模型、语音合成到视频大模型等,几乎什么都做,这是典型C端思维。但B端企业客户更在乎能否在具体场景解决问题,如提高客服效率、代码开发速度或节省人力等。多模态全线推进消耗巨大,在资源有限时,可能导致“什么都做不精”。

所以,MiniMax若想从C端转向B端,需在战略上收缩,砍掉不聚焦的战线,把资源投入最有商业价值、能形成差异化的场景。但这种调整需要时间和资金,2024年和2025年,其研发开支分别是当年营收的6.2倍和3.2倍。

推进A股融资本是MiniMax完成B端转型、支撑研发投入的重要一步。过去半年,资本市场给予其慷慨估值溢价,但不会无限期为想象力买单。当解禁来临、融资需求迫切、市场追问盈利路径和商业化能力时,所有故事都将归结为一个问题:这家公司未来究竟能赚多少钱?7月9日解禁的,或许不只是股票,还有资本市场对MiniMax的信仰。

内容概要:本文介绍了基于噪声抑制半监督学习的锂离子电池SOH(State of Health,健康状态)估计方法的Python代码实现。该方法融合半监督学习框架与先进的噪声抑制机制,旨在利用少量标注样本和大量未标注数据,有效提升电池健康状态预测的精度与模型鲁棒性,特别适用于实际工程中电池老化数据标注成本高、样本稀缺的挑战性场景。通过设计高效的特征提取网络与可靠的伪标签生成及优化策略,模型能够有效识别并抑制训练过程中的噪声干扰,增强在复杂工况和数据波动下的泛化能力与稳定性。; 适合人群:具备一定机器学习理论基础和Python编程能力,从事电池管理系统(BMS)、新能源汽车、储能系统等领域的科研人员、工程师,以及专注于电池寿命预测、设备状态监测与智能运维等方向的硕博研究生;; 使用场景及目标:①解决锂离子电池SOH估计中标注数据获取困难、成本高昂的核心痛点;②提升模型在存在测量误差、传感器漂移或异常数据等噪声环境下的预测准确性与可靠性;③为相关科研课题提供可复现、可扩展的算法基准与开源代码框架,加速算法迭代与工程落地; 阅读建议:此资源以Python代码为核心载体,强调算法的完整复现与实验验证过程,建议读者结合代码逐模块剖析模型架构、损失函数设计与训练流程细节,并积极在自有电池数据集上进行迁移学习、参数调优与性能对比,以深入掌握半监督学习与噪声抑制技术在电池退化建模中的关键应用。
内容概要:本文系统阐述了高速串行信号在传输过程中因信道损耗导致的眼图闭合问题,并介绍了主流的均衡技术解决方案。信道作为低通滤波器,会显著衰减高频分量,造成码间干扰(ISI),尤其在速率高于1GHz时更为严重。为恢复信号质量,发送端采用FFE(前馈均衡器)实施预加重或去加重,提前补偿高频损耗;接收端则结合CTLE与DFE进行二次均衡:CTLE通过模拟高通滤波器“削峰填谷”提升高频响应,而DFE利用反馈机制消除后向码间干扰,提高判决准确性。文章详细解析了各均衡模块的工作原理、电路结构、关键参数及其频率响应特性,并通过PCIe 3.0实例展示均衡前后眼图的改善效果,最后对比了不同技术的适用场景与优缺点。; 适合人群:从事高速电路设计、信号完整性分析等相关领域的工程师和技术人员,以及具备一定通信原理和电子工程基础的研发人员; 使用场景及目标:①理解高速信号传输中的损耗机理与眼图退化成因;②掌握FFE、CTLE、DFE等均衡技术的设计原理与应用场景;③为高速接口(如PCIe、USB等)的信号完整性优化提供理论支持与实践指导; 阅读建议:建议结合仿真工具观察不同均衡参数对眼图的影响,深入理解抽头系数、零极点配置等关键参数的调节逻辑,并关注实际硬件实现中的功耗与噪声权衡问题。
内容概要:本文详细介绍了基于光伏逆变器调节的中低压配电网电压分层协调控制策略的Matlab代码实现方法,旨在应对高渗透率光伏发电接入导致的配电网电压越限问题。该策略构建了分层控制架构,上层采用集中式优化算法进行全局决策,下层则依赖本地测量信息实现快速动态响应,从而实现对多个分布式光伏逆变器的协同调控。文中系统阐述了控制模型的数学建模过程、优化求解算法的设计流程以及仿真验证方案,并基于标准测试系统开展了仿真实验,结果表明该方法在抑制电压波动、提升电压稳定性、降低网络损耗方面具有显著优势,具备良好的工程应用前景。; 适合人群:具备电力系统分析、自动控制理论及新能源并网技术等相关专业知识背景,熟悉Matlab/Simulink仿真平台,从事相关领域科研工作的高校研究生、科研院所研究人员及电力行业工程技术开发人员。; 使用场景及目标:①深入研究高比例分布式光伏接入背景下中低压配电网的电压控制难题;②掌握分层协调控制体系的设计理念与实现机制;③学习并实践基于Matlab的电力系统建模、优化算法编程与仿真分析技术;④为实际配电网电压调控项目提供可复现、可拓展的技术参考与解决方案支撑。; 阅读建议:建议读者结合所提供的Matlab代码与典型配电系统模型开展仿真实践,重点剖析控制架构的层级划分逻辑、通信机制设计以及优化目标函数的构建方法,同时可尝试将其拓展至多时间尺度协调控制、考虑通信延迟与数据丢包等更贴近实际的复杂应用场景中进行深入研究。
源码下载地址: https://pan.quark.cn/s/2e09cbca2d82 【针对青龙面板wxpusher推送问题的修复包】是一个为青龙面板(QL Panel)设计的更新或改进版本,其目的是纠正与wxpusher相关的推送故障。青龙面板是一个被广泛应用的自动化部署及管理解决方案,它赋予用户在图形化环境中执行多种IT运维操作的能力,涵盖脚本操作、周期性任务执行以及文件处理等。wxpusher作为青龙面板的一个附加组件,承担着实现微信消息推送的任务,用以保障用户可以即时获取系统关键状态变动或异常警报。 sendNotify.js 是此修复包内含的关键模块,属于wxpusher插件的一部分,其核心职责是发送各类通知。在JavaScript编程语言中,该脚本或许内含了处理推送流程、调用微信推送端点以及消息内容的格式化和校验等操作。一旦青龙面板监测到新的事件状况,例如任务成功完成、发生错误或系统进入维护阶段,sendNotify.js便会被激活,将相关数据传送至用户的微信账户。 ql.js 另一个重要的构成部分,可能代表了青龙面板的核心代码库或专用于wxpusher的设定文档。它或许包含了整合wxpusher的相关参数,例如启动过程、授权核实、故障应对和日志管理等功能。ql.js与sendNotify.js协同工作,确保wxpusher能够顺利与青龙面板进行数据交互,并可靠地向用户传递通知信息。 CK_WxPusherUid.json 这一文档很可能是储存用户信息或配置参数的JSON格式文件。"CK"通常指代Cookie或某种缓存机制,而"WxPusherUid"可能意指wxpusher用户的专属识别码。该文件用于保存用户微信推送服务的连接详情,让青龙面板可以...
源码链接: https://pan.quark.cn/s/a4b39357ea24 在Java开发中,处理大批量数据时,合理利用线程池可以显著提高程序的执行效率和资源利用率。 本文将深入探讨如何在Java中使用线程池来查询大量数据,以及这样做的好处和实现方法。 理解线程池的概念至关重要。 线程池是一种多线程处理形式,预先创建了若干个线程,当有任务需要执行时,会从线程池中取出一个线程来执行任务,任务执行完毕后,线程返线程池中等待新的任务。 这种机制避免了频繁创建和销毁线程带来的性能开销,提高了系统的响应速度和并发处理能力。 Java中的线程池主要由`java.util.concurrent`包下的`ExecutorService`接口及其实现类提供。 最常见的实现是`ThreadPoolExecutor`,它允许我们自定义线程池的核心参数,如核心线程数、最大线程数、线程存活时间等。 使用线程池查询大批量数据的基本步骤如下: 1. **创建线程池**:我们需要创建一个线程池实例。 通常,我们可以根据实际需求设置线程池参数。 例如,如果数据量大且系统资源充足,可以适当增加线程数量;反之,若系统资源有限,应控制线程数量,避免资源过度消耗。 ```java int corePoolSize = 4; int maximumPoolSize = 8; long keepAliveTime = 60L; TimeUnit unit = TimeUnit.SECONDS; BlockingQueue<Runnable> workQueue = new LinkedBlockingQueue<>(); ThreadFactory threadFactory = Executors.defa...
内容概要:本文围绕基于Wasserstein生成对抗网络(W-GAN)的光伏场景生成程序展开研究,提出了一种利用W-GAN生成高精度、高波动性光伏出力场景的方法,以应对新能源发电中的不确定性挑战。研究通过构建生成器与判别器之间的对抗训练机制,有效捕捉光伏出力的时间序列特征与统计分布规律,生成符合实际运行条件的多样化场景数据,弥补实测数据稀缺问题。相较于传统GAN,W-GAN引入Wasserstein距离作为损失函数,显著提升了模型训练的稳定性与梯度传播的连续性,增强了生成样本的质量与多样性。文中还提供了完整的Python代码实现,便于读者复现与拓展。; 适合人群:具备一定Python编程能力、深度学习基础的研究生、科研人员,以及从事新能源电力系统规划、优化调度、不确定性建模等相关领域的工程师和技术人员。; 使用场景及目标:①用于电力系统中可再生能源出力的不确定性建模与风险评估;②支撑微电网、综合能源系统等场景下的随机优化、鲁棒优化与分布鲁棒优化研究;③为风光互补系统、储能配置、需求响应等应用提供高质量、多样化的输入场景;④帮助研究人员掌握深度学习在能源时序数据生成中的前沿应用,推动模型迁移至风电、负荷等其他场景生成任务。; 阅读建议:建议读者结合提供的Python代码进行动手实践,深入理解W-GAN的网络架构设计、损失函数构造、训练技巧及超参数调优策略,重点关注Wasserstein距离在缓解模式崩溃与梯度消失问题中的作用,并尝试将该框架拓展至多变量、多站点或多能源联合场景生成,提升模型的泛化能力与工程实用价值。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值