MORE WORK 03 / 行业分析
从 MiniMax 2026 中报看 AI 产品的价值逻辑
基于公开财报的个人阅读笔记，只代表我自己的判断，不代表任何公司立场；文中不含未公开信息。
01 / 产品价值
基座模型公司不必等到模型绝对领先，产品价值才能成立
模型能力始终是底座，决定了产品长期能触达的天花板。但这次财报让人更清晰地意识到：在模型尚未取得绝对优势的阶段，产品同样可以先行发力——而这种发力不是「包装概念」，而是将现有模型能力转化为真实使用、真实收入和真实反馈的过程。
收入在这里的意义值得强调。它不只是财务结果，也不是传统意义上的商业化 KPI，而是一种更本质的信号：用户是否愿意为某种能力持续付费，而非仅仅是尝鲜式的使用。相较于泛化的 DAU，付费意愿与 ARPU 更能反映一个产品是否真正切入了场景、解决了足够高权重的问题。
由此也可以重新理解产品能力与模型能力的关系。严格拆解的话，这中间其实是三层：模型能力之外，还有一层 Agent Harness——把模型包装成 Agent 的系统脚手架，包括工具定义、消息循环、上下文与记忆管理、终止规则、系统提示词、环境接口；再往上才是用户能直接感知的产品交互层。Harness 是纯工程向、用户看不见的中间层，和面向用户体验的交互层性质并不完全一样，但两者有一个共同点：都是模型厂商给不了、只能靠产品团队自己搭建的部分——所以在这个论证里，可以把它们合并成「系统与产品能力」，与「模型能力」构成二分。
自下而上读：宽度递减表示支撑，不是并列。左侧方括号圈住的两层被标出，右侧灰线是模型跃迁后可能发生的回流方向。
当模型能力尚未跃迁到「通用即完备」的水平时，产品需要通过 Agent Harness 和交互层的组合设计，把仍在演进中的模型能力封装为低门槛、可完成、可付费的服务。未来模型一旦大幅跃迁，今天许多 Harness 层的机制或许会被重新吸收进模型本身；但在当下这个阶段，能否把演进中的模型能力率先跑通为业务，本身就是不可替代的产品价值。
02 / 评测
Agent 评测衡量的是模型能力在真实任务中的转化效率
这个判断是我从主导一套 Agent 评测体系的过程里磨出来的：真正决定 Agent 产品能不能被信任的，不是它在某次固定测试里表现好不好，而是能不能把用户独有的意图和约束，稳定地承接到最终交付里。这也是为什么我把评测拆成了两条轨——Benchmark 负责重点任务和版本产物的横向比较，回答「这个能力能不能做到」；真实用户 Session 负责过程里的问题发现和故障归因，回答「它在真实、非受控的分布里稳不稳、具体断在哪一步」。这两个问题不是同一件事，不能互相替代。
Anthropic 在《Demystifying evals for AI agents》里，对这个判断给出了一套更精确的词汇。它指出过去只看 Agent 最后一句回复打分是不够的——Agent 会真的调用工具、改变外部状态，模型说「已完成」和任务是否真的发生，是两件事；真正该看的是 outcome：任务结束后环境的真实终态。它还把一次 eval 拆解成 task、trial、agent harness、eval harness、transcript、outcome、grader、suite，用来定位一次失败到底出在模型、harness、任务定义还是评判标准上。
但这里也有一个结构性的分歧点。task、trial、outcome 假设的是你能在一个可控环境里反复重跑 agent——同一个 task 跑 k 次，用 pass@k 和 pass^k 衡量「能不能做到」和「能不能稳定做到」。而真实产品里最有价值的证据，恰恰是不可重跑的：用户带着自己独有的意图完成了一次真实、独一无二的多轮交互，这件事没法重来一次去验证。所以在产品这一侧，outcome 这个单元本身用不太上，真正承重的换成了两个东西——evidence（判断能不能锚回那次真实交互里具体发生了什么）与 attribution（能不能说清楚问题出在承接、执行、多轮收敛还是最终交付哪一环）。
左右两栏逐行对齐，同一行放同一类角色。判据与指标两行同构，蓝色只标出真正分岔的两行：执行记录与判断产物。
这不是没做评测，而是把面向可控 sandbox 的评测单元，换成了面向不可重跑真实证据的评测单元。「评测越来越接近商业价值」说的正是这件事：用户愿意持续付费买的，从来不是 Agent 在测试集里表现多好，而是它在自己那次具体的真实交互里，有没有把要求真的接住——这后半句，只有真实 Session 能回答。
03 / 成本
AI Native 降低了实现成本，却没有同步降低判断成本
如今，一个 idea、demo、workflow 或 Agent 原型，都可以在较短时间内被做出来。这里需要拆开看的是两种不同的成本：产生一个「可运行版本」的成本，确实已经越来越接近推理和 token 调用的成本；但从想法到真正上线、能被用户稳定使用的总成本，并没有同比例下降——因为问题定义、上下文整理、系统集成、质量验证，以及上线之后的维护与责任，这几件事仍然需要大量人的判断。
一个盒对五个盒：被压缩的是一层，没被压缩的是五件事。这个一比五是计数，不是估算出来的比例。
这背后也在快速重新分配稀缺性。「我想到一个功能」不再稀缺，「我能把它做出来」也没那么稀缺了。真正稀缺的，是能不能定义一个值得解决的问题，判断当前最需要验证的究竟是产品方向、用户需求，还是工程方案——这三者需要验证的方式并不一样，分不清楚就容易做错方向。
原型和离线评测可以帮团队用很低的成本先暴露一部分问题，但它们的信号是弱的；只有把东西放进真实产品、真实场景里，才能验证用户是否真的愿意用、哪些任务真正有价值、Agent 的行为在生产环境里是否可靠。
所以「快速去做」不是盲目堆砌功能，也不是把所有判断都交给模型自己决定。恰恰因为实现门槛被大幅拉低，产品判断、验证设计和责任边界才变得比以往更重要。
04 / 闭环
把这些串起来，才是转得起来的系统
只有真实产品才能产生真实使用，只有真实使用才能筛出高价值用户和真实 trajectory，但也不是所有 trajectory 都值得留——只有其中有价值的部分，才应该被沉淀为可复用的评测样本和迭代依据。关键不在于用户规模是否足够大，而在于这些 trajectory 是否源自真实任务、真实场景、真实付费意愿。
顺时针读，环上没有起点也没有终点。右侧被标出的闸门是这张图的重点：它决定这个环是闭环，还是堆积。
AI 产品真正的壁垒，从来不只是模型强不强、功能做没做出来，而是能否在模型持续演进的过程中，把 Agent Harness、产品交互、收入验证、Agent 评测与业务数据回流，串联成一个能够自我强化、真正转得起来的系统。