MiniMax تتخلى عن مسارها التقليدي وتشهد إيراداتها المؤسسية قفزة بنسبة 700% لتتحول بهدوء إلى بائع للعتاد التقني

في أذهان الكثيرين، عند الحديث عن MiniMax، قد يتبادر إلى الذهن أولاً رفيق الذكاء الاصطناعي Talkie الذي حقق شهرة واسعة في الخارج، أو تطبيقا Hailuo AI و Xingye المألوفان للمستخدمين المحليين. لفترة طويلة، أُطلقت على هذه الشركة الناشئة في النماذج الكبيرة تصنيف "شركة موجهة للمستهلكين".

لكن الوضع تغير بشكل جذري على مدار العام الماضي.

تشير التقارير المالية النصف سنوية لعام 2026 التي أصدرتها MiniMax مؤخراً إلى أن هيكل إيراداتها قد انقلب تماماً، حيث كانت أعمال المستهلكين تشكل حوالي 70% مقارنة بنحو 30% لأعمال الشركات قبل عام، لتصبح أعمال الشركات (B2B) هي المهيمنة بشكل مطلق الآن.

استغرقت MiniMax عاماً واحداً لإجراء تحول هيكلي، لتصبح حالياً شركة تعتمد على قاعدة الحوسبة مدفوعة بنظام المطورين العالمي، وخدمات النماذج كخدمة (MaaS) متعددة الوسائط، والبنية التحتية للوكلاء الأذكياء (Agents).

وفقاً للبيانات المعلنة، شهد الحجم الإجمالي لإيرادات MiniMax زيادة هائلة، حيث بلغ إجمالي الإيرادات في النصف الأول من عام 2026 حوالي 120 مليون دولار، بزيادة سنوية قدرها 283.1%، ليتجاوز إيرادات نصف عام إجمالي إيرادات العام الكامل لعام 2025 بمقدار 1.5 مرة.

من بين هذه الأرقام، بلغت إيرادات أعمال الشركات (B2B)، والتي تتمثل بشكل أساسي في المنصة المفتوحة وخدمات الشركات الأخرى، 73.9 مليون دولار، بزيادة سنوية تتجاوز 700%، ليرتفع وزنها من إجمالي الإيرادات من 30.3% في نفس الفترة من العام الماضي إلى 63.4%، لتصبح أكبر ركيزة لإيرادات الشركة.

أدى هذا النمو المتسارع في سوق الشركات إلى زيادة ملحوظة في الإيرادات السنوية المتكررة (ARR) لـ MiniMax، والتي بلغت 800 مليون دولار بحلول شهر أغسطس، حيث شكلت أعمال الشركات (B2B) حوالي 80% منها، فيما شكلت أعمال المستهلكين (B2C) حوالي 20% فقط.

(تجدر الإشارة إلى أن ARR ليس رقماً تدقيقياً وفق مبادئ المحاسبة المقبولة عموماً، وقد يحتوي على بعض المبالغة بطبيعته، ولكنه لا يزال مؤشراً ذا قيمة لشركات نماذج الذكاء الاصطناعي وشركات SaaS).

بالإضافة إلى ذلك، ساهمت الأسواق الخارجية بنحو 60% من إيرادات MiniMax في النصف الأول من العام، مما يبرز طابعها العالمي مرة أخرى.

بالتوازي مع الارتفاع الكبير في الإيرادات، انخفضت مصاريف المبيعات والتوزيع بنسبة 17.9% على أساس سنوي إلى 27 مليون دولار، فيما ارتفع إجمالي الربح بنسبة 464.8% إلى 20.81 مليون دولار.

من حيث الخسائر، انخفضت الخسارة الصافية للفترة من حوالي 400 مليون دولار في نفس الفترة من العام الماضي إلى نحو 360 مليون دولار.

هذا يعني أن MiniMax ودعت تماماً مرحلتها المبكرة التي كانت تعتمد على شراء الزيارات لاكتساب المستخدمين لتطبيقات المستهلكين الترفيهية، وبعد التركيز الكامل على قدرات النماذج الأساسية والنماذج متعددة الوسائط، تحولت إلى نمو شبكي طبيعي مدفوع بواسطة نظام الشركات والمطورين.

لإجراء مقارنة أفقية بسيطة:

• وفقاً لتقرير صحيفة The Information، حققت DeepSeek إيرادات بلغت 70.7 مليون دولار في الأشهر السبعة الأولى من هذا العام، وإذا استثنينا شهر يوليو المزدحم، يمكن تقدير أن إيرادات MiniMax في النصف الأول من العام تعادل ضعف إيرادات DeepSeek تقريباً.

• على الرغم من أن صافي إيرادات DeepSeek أقل من MiniMax، إلا أنها حققت في الأشهر السبعة الأولى إيرادات تعادل 10 أضعاف إجمالي إيرادات عام 2025، وهو معدل نمو أعلى بكثير من MiniMax.

• بلغت الخسارة الصافية لـ DeepSeek في الأشهر السبعة الأولى 106 ملايين دولار، فيما تعادل الخسارة الصافية لـ MiniMax في هذه الفترة حوالي 3.4 أضعاف خسارة DeepSeek.

توافق آراء جديد وقديم

أوضحت MiniMax أن القفزة غير المسبوقة في استهلاك الرموز (Tokens) هي سبب رئيسي وراء الارتفاع الحاد في الإيرادات لهذه الفترة.

في شهر يوليو وحده، بلغ استهلاك الرموز عبر جميع منصات MiniMax 20 ضعف ما كان عليه في شهر يناير. وحتى الآن، تجاوز عدد عملاء الشركات العالميين والمطورين 2 مليون، وهو ما يمثل 10 أضعاف العدد في نهاية عام 2025.

يرجع السبب وراء هذا التحول غير الخطي المذهل في استهلاك الرموز إلى تغير نموذج استهلاك النماذج. كشف الرئيس التنفيذي يان جونجي (Yan Junjie) أن نموذج استهلاك النماذج قد تحول بالكامل من "المحادثة المباشرة بين الإنسان والذكاء الاصطناعي" إلى "التفاعلات المتسلسلة متعددة الجولات بين الوكلاء الأذكياء والذكاء الاصطناعي".

نمو الطلب على الاستدلال المدفوع بالوكلاء الأذكياء أسرع بكثير من نمو عدد المستخدمين البشريين والرسائل. أدى هذا مباشرة إلى زيادة استهلاك الرموز لكل مستخدم بشكل أسي.

يُعد هذا الأمر "توافق آراء قديم" في صناعة النماذج سريعة التطور.

أما توافق الآراء الجديد والأهم، فيتمثل في أن التدريب اللاحق (Post-training) أصبح الحد الأعلى الجديد لقابلية التوسع (Scaling).

بالنظر إلى البيانات العامة لنماذج مثل Zhipu GLM 5.3 و DeepSeek V4 Flash (إصدار 0731) و Gemini 3.x Flash مؤخراً، يعتمد المزيد من مطوري النماذج بشكل مكثف على التدريب اللاحق في التحديثات الطفيفة، أو حتى يعتمدون عليه فقط، لتحسين أداء النموذج في مهام رئيسية محددة بشكل ملحوظ.

أشار يان جونجي أيضاً في اجتماع الإدارة إلى هذا التحول في توافق الآراء الصناعي الجديد: إن عملية التوسع (Scaling) للنماذج الكبيرة تتوسع بسرعة من التدريب المسبق (Pre-training) الفردي لتشمل التدريب المتوسط والتدريب اللاحق والتعلم المعزز.

في مرحلة التدريب اللاحق، إن توليد البيانات الاصطناعية الضخمة، وعمليات التوسع البيئي (rollout) في التعلم المعزز (الاستدلال/التوليد)، والتحقق من الأخط والتجربة في المهام المنتجة، كلها تعتمد بطبيعتها على حسابات الاستدلال. وكلما انخفضت تكلفة الاستدلال لكل وحدة قدرة حوسبة وزادت الإنتاجية، زادت مسارات وتجارب التدريب اللاحق التي يمكن للنموذج استيعابها. هذا يفسر سبب قيام العديد من مطوري النماذج، بما فيهم MiniMax، بتخصيص نسبة متزايدة من قدرات الحوسبة لمرحلتي التدريب المتوسط واللاحق.

أشار يان جونجي إلى أنه في ظل نفس حجم القدرة الحوسبية، يرتبط مقدار التحسن في كفاءة حسابات الاستدلال ارتباطاً خطياً تقريبياً بمقدار زيادة حجم التدريب اللاحق. يمكن فهم هذه العبارة بشكل تقريبي على النحو التالي: كلما زاد الجهد المبذول في التدريب اللاحق، زادت كفاءة الاستدلال، وتحسنت النتائج النهائية التي يقدمها النموذج.

بعبارة أخرى، بغض النظر عما إذا كان الناس يعتقدون أن قانون التوسع (Scaling Law) قد وصل إلى طريق مسدود، أو أن حجم معاملات النموذج قد بلغ حده الأقصى — فإن التدريب اللاحق...