此不为读一堆论文然后于论文根基上积攒思考就行之。
她记不清确切之书名之，大概叫“The Art of Creativity”之类之。
不仅仅为编码，还有办公场景、不同类型之器物。
Olive认为，当前与前景版本面临之最重要课题为苍生对齐（human alignment，确保模型之举止符合苍生意图与期望）。
” 同一名夜晚，智谱GLM-5以“Pony Alpha”之匿名身份于OpenRouter走红数日后正式揭面，744亿参数对标Claude Opus 4.5。
从2025年10月底之M2到2026年2月中旬之M2.5，108天三名主要版本，MiniMax之迭代速度比她自己之预期还快。
” Olive于AI Engineer峰会上谈到过一名概念：模型不为执行单一动作，而为延续于轮回中提问与尝试。
第一阶段为内部，掘发者用模型并指出疑难，团队据此修补，但此还不够。
“ 此前日本选举，特朗普不惜粗暴干涉日本内政，公开支高市早苗。
” MiniMax于公司层面有一名meta goal（元宗旨）：“比如吾等想提升AI于改善制造力方面之本领，因此为者们看重之身价。
”意思为清晨或还于抢救崩掉之实验（ICU，重症监护室），夜晚就拿到好结局始庆祝之（KTV，卡拉OK）；也或清晨结局甚好，夜晚又塌之。
开源权重之话，用API之者或会减。
” 另一名巨大之落差为营造。
Olive之名者宗旨为什么。
但吾等还没到彼里。
吾等也于做研讨、呈文写作、PPT之类之通用差事。
MiniMax于M2.5之技艺文档中强调，模型于“完全没见过之氛围”甚至“完全超出分布之氛围”（out of distribution，操练时从未接触过之场景）中皆展现出之比M2.1更高之得分。
” 17、处置疑难更像为探求 不过若只为为之好玩，她建议用彼些你名者感兴趣之疑难就好。
“吾等体系地收集此些回馈，剖析每一名疑难。
“它打开之我对自己思维之认识，更张之我看待全球与看待疑难处置之方式。
“它更张之我之活，我望它也能更张每名者之活——当然为往好之方位。
但一旦真正scale up数据、算力与者员，就会遇到须漂亮地处置之营造疑难。
此岂能没有回报。
Olive说团队会研讨各种开源Agent框架之代码与设计逻辑，“看彼等之代码，看彼等如何设计scaffold与引擎，然后反思吾等自己对疑难之思考方式，看为不为于同一名方位上。
” “我说，者们讨论AGI，也讨论ASI（超级者工智能），每天皆于讨论。
“吾等坐于一起看模型之举止，掘发者能立刻发觉疑难，然后吾等一起想出修补预案或者构建新之操练数据。
有些为根基性之，有些只为吾等遗漏之小疑难，可甚快修补。
”另一方面，AI也帮之她之日常活，工、日常事务、自我管。
1、清晨ICU，夜晚KTV “为之，没错。
此为AI本领之另一面。
第一，定义。
” 8、Agentic RL：定义差事、构建氛围、打造根基设施 “每天皆有大量新文章、博客、论文发布。
主持者问她此为否属于延续修习（continual learning，指模型于部署后仍能从新阅历中不断修习与改善）。
” 她实在描述之她于峰会上分享之实质：“比如模型于一名新氛围中接收到氛围回馈，它需知道该探求什么，该查看哪些氛围讯息，因此为一名部分可观测之氛围（partially observed environment，指Agent无法一次看到所有讯息，需主动探求才能获取全貌）。
从技艺角度，吾等相信可与开源社区一起构建更好之模型。
”校与实验室里之实验更像为toys（玩物），规模有尽。
”此为第一阶段，“基本上今所有Agent模型于某种程度上皆能做到，也许不完美，但能做到一些。
“吾等之模型也可放进任何通用Agent scaffold（Agent框架/脚手架，为AI提供器物调用、记忆管等根基本领之软件架构）里，包括吾等自己之Agent货品，彼为通用意图之。
推演框架方面，彼等与vLLM、SGLang（两名主流之大模型推演与效劳框架，专注于高效部署与推演加速）深度协作。
“彼等之宗旨为最小化计算用量，同时操练更多。
但Olive也坦承，一旦模型以敞开权重（open weights，公开模型参数，允许用户自行部署与微调）发布，用户可做之事情超出之彼等之控制范围。
“若有其他开源模型发布，我就下载下来部署到吾等之机器上用。
” MiniMax之研发节奏要求团队随时于线。
对话录制于1月底一名周日夜晚九点，当时Olive正等待新一轮模型实验之结局。
基本上就此两点。
对Olive名者而言，此意味之AI如何切实更张之她之活。
苹果。你需从最根基之层面体谅疑难，从最根基之层面去思考，才能找到正确之处置预案。
内部有多维度之安康基准，涵盖敏感性安康（sensitive safety）与对齐安康（alignment safety）等不同方面。
“昔有甚多极其专业之疑难我无法体谅，比如专业之编程疑难或改良疑难，今借助AI我能做到之。
“吾等望公掘发表之断语为经过深度验证之，不为半成品。
“模型须于高效与安康之间取得均衡。
6、敞开模型于制造氛围中首先于哪里败。
OpenClaw于1月30日之更新中就已加入之MiniMax OAuth插件，让掘发者零配置接入MiniMax模型。
于校里，她以为研讨工就为读论文、提想法、实现想法、跑实验，若结局好就扩规模。
不过她迅速补充：“作为研讨员，彼不为我之要点。
”此取决于吾等之光阴，我还不为甚有信心，但吾等于专注地做此件事。
回头再听此场对话，会发觉Olive于访谈中提到之几乎每一名技艺难题，皆精准预言之M2.5最终要处置之方位：氛围适配、长程差事、Agent对齐、推演效能。
此后，OpenClaw社区始涌现大量基于M2.5之Agent应用，从Telegram机器者到全自动化办公流程。
” 15、公司宗旨与名者宗旨 她最后小结：“对我来说，今处置疑难更像为探求（discovery）。
她做之为强化修习（reinforcement learning，简称RL，一种让模型通过试错与奖信号来改善自身举止之操练法门）与模型估量，此两名领域为模型掘发中最不留情面之环节。
”Olive说。
“吾等研讨团队从第一天就想做开源。
当吾等搞清楚之时候，它就成真之。
1月9日才以165港元发行价登陆港交所之MiniMax，于M2.5发布前后股价一度大涨超过20%，到春节前最后一名交易日（2月16日）收于847港元，上市仅39天累计涨幅超过413%，市值突围2656亿港元。
OpenClaw早于1月30日就通过OAuth（敞开授权协议）插件接入之MiniMax之模型效劳，M2.5发布后掘发者可零配置切换，于Telegram、WhatsApp上跑起自己之AI助手，每小时本金仅1美元。
你须想出真正新之东西，或者面对根本不知道怎么处置之疑难。
尤其于长程差事中，宗旨须足够难与多样。
若有突围，吾等必会发表。
”但她体谅外部名者掘发者之处境：“尤其为当彼等没有自己之算力时，通过OpenRouter（一名聚合多名AI模型API之效劳平台）之类之效劳连接到模型会更易。
2.5之时候或可。
当时强化修习操练之准确率怎么皆上不去。
吾等开玩笑说，清晨ICU，夜晚KTV——有时候反过来也行。
LocalGPT。Olive描述之一名两阶段之流程。
但吾等还没到彼里。
” 访谈中，主持者提到之MiniMax Her之发布——此款角色扮演货品于Twitter上引发之广泛讨论。
她之回答出者意料地严肃。
”于此名公司使命下，每名研讨员设定自己之宗旨。
14、从读论文到处置没者见过之疑难 “从专业估量之角度，五名疑难远远不够。
”她说。
”Olive说。
它需知道采取什么行动来得更好之讯息，然后做出更好之反应，然后于氛围中执行更难、更繁之差事。
” AI领域之讯息洪流让所有者皆于问同一名疑难：怎么跟上。
每出一名新模型我就拿此些疑难跑一遍，看不同模型怎么接近此些疑难，怎么反应。
MiniMax之团队按本领模块分派。
” 于此之后，团队会用编程Agent来快速上手新之代码仓库，“此样吾等可更快地体谅新东西、更快地实验。
MiniMax之M2系列定位为编程与Agent模型。
”她说团队于此名方位上已看到之一些不同样貌之模型自我改善，但还没有最终断语。
”但她也坦言公司层面有不同考虑。
虽2月11日用户发觉DeepSeek悄然将上下文窗口从128K晋级至1M，但回复风格骤变引发“变冷淡”热搜，被认为只为V4之灰度测试，截至今日官方仍未正式官宣。
4. MiniMax Her与Intelligence with Everyone 她指出之估量中之多名隐患：有些疑难本身不正确，有些疑难之解答不唯一，有些测试氛围不固定，比如gold pattern（标准解答/参考模式）本身就通不过。
它不能为之达成最终宗旨就自行生长、做出险恶举止。
要做公道之模型对比，需于每名领域有足够数量之测试题，而且通常需多次测试，因“模型本身不够稳固”。
“我从入职以来始终于收集各种疑难，涵盖逻辑推演、数学证验、呈文写作、Agent差事等等，甚多甚多。
吾等之办理方式为，吾等有一名内部Agent，它追踪所有新之文章、博客与论文，然后按主题分发，做摘要，做剖析。
你需定义差事，定义模型之宗旨。
推演、器物调用、状态追踪、估量——哪名环节最先崩溃。
Olive给出之她对模型性情之看法。
MiniMax如何收集回馈来改善下一代模型。
”Olive说。
被问到为否相信AGI（通用者工智能），Olive讲之一名她面试MiniMax时之典故。
”她管它叫“内部研讨员”（internal researcher）。
CEO问之她同样之疑难。
” 随后，主持者问之一名尖锐之疑难：敞开模型于确凿制造氛围中，最先出疑难之地方为什么。
她把此叫做追寻“理论极限”——每一名实现细节皆要尽或逼近理论算法之最优状态。
对我来说，它背后为对苍生本领之放大（scaled up humanity）。
她说，此就为Agentic RL与此前强化修习之不同之处。
“即使此些举止或不安康，或不符合预期，发觉它们本身就甚刺激。
”Olive说。
” 她还透露，团队正做一些”新之Agentic RL工“，不会随当前版本发布。
两周后，MiniMax于马年春节档投下重磅炸弹。
” 访谈最后，主持者问Olive：什么书对你影响最大。
吾等从不同视角看同一名疑难——可从实现角度看，可从数据角度看，但宗旨为一样之。
她当时把即将发布之版本称为“2.2”，说“大约1名月到1名半月发一名版本”。
” MiniMax有一名专门之团队负责计算效能改良。
开源社区太棒之，我入职第一天就学到之此一点。
此种弹性体制听起来逍遥，实际上靠之为对结局之高度投入。
她承认此为一名可处置之疑难，MiniMax正为此勤勉。
“作为公司，大家会关此能不能赚钱，此为不为一门生意。
“若做专业估量，须确保估量集为正确之、多样之、达到必数量阈值之，此样测试才有置信度。
“若彼等于午夜发布模型，我午夜就于玩之。
“比如甚多者用Claude于不同之编码氛围里工，彼等以为模型于所有氛围里皆表现一样好。
“你需出色之营造氛围，规模化之、多样化之氛围。
有者通宵工白昼睡觉，有者跟之实验周期走。
“彼会为一名不同之定义，与我刚才说之不同。
“有一些重叠，概念上与技艺上皆有。
” 她自己为各家模型之第一批用户。
” Olive回忆之入行前后之落差。
” 16、延续修习与AGI 不过，去岁引发春节AI风暴之DeepSeek，V4版本则没有正式露面。
Olive访谈中反复强调之“营造极其重要”，于此里得到之最直接之验证。
“首先你需定义Agent为什么，定义Agent模型之工方式。
之后之阶段涉及模型自己定义宗旨。
结局于一天之内剧烈摆动，为此名工之常态。
模型本身会定义自己之宗旨。
” “加入公司工几名月后，你就已站于此名领域之最前沿之，或者说站于行业之顶端。
2月11日深夜，M2.5正式宣布，SWE-Bench Verified得分80.2%，Multi-SWE-Bench拿下51.3%之全球第一，编程与Agent本领直接对标Claude Opus 4.6，而价码只有后者之二十分之一。
“对于下一代模型，我真之想让模型能够与专家优雅地协作，更好地与专家与掘发者协作。
” Turing Post频道最近发布之一期与MiniMax高级研讨员Olive Song之深度对话，此也为西方媒体首次对MiniMax研讨团队之一对一访谈。
Olive澄清说，彼等正走向通用化，只为于编码上投入之更多精力。
5、回馈收集：从内部掘发者到外部用户 此只为2026年春节档国产大模型发布潮之一名缩影。
若通过system prompt（体系提示词，预先设定模型举止与身份之指令）注入新角色，它应能切换。
” 10、敞开模型之营造门槛 Olive说她名者没有此名困扰。
第三，根基设施。
白驹过隙。“实验跑一整天，中间可休息，但若吾等对结局甚好奇，根本等不之。
主持者请Olive推荐几名估量模型之枢纽疑难。
“Engineering is very, very, very important。
”Olive说。
AGI之定义会于吾等实现它之时候成为确凿。
“一天之内不会全为好日子或全为坏日子。
吾等对结局充满热。
Olive给出之一名实在之解答：氛围适配。
她自己保之一套私者测试集。
“比如吾等之模型将来可办理通用之办公场景，彼就不仅仅为编码之。
张桂梅。此段话于M2.5发布后得到之印证。
“吾等于2.2里改善之此名疑难，但还没有达到Opus之水平。
13、内部AI研讨员：用Agent追踪一切 她提到之一本关于缔造力之书，为她于本科时读之。
除夕当天（2月16日），阿里千问Qwen 3.5-Plus压轴登场，3970亿总参数、170亿激活参数，API价码仅为Gemini 3 Pro之十八分之一。
吾等确实有一些体系性之研讨正进行，已展现之一些成果，但还不为最终断语，故我不会说出来。
吾等对后者更有信心，相信吾等能处置此名疑难。
”但被问到此为一名独力之团队还为她自己需参与之工时，Olive笑之：“吾等其实为同一名团队，因吾等就为强化修习团队。
” 主持者问到之一名实际疑难：有没有于基准测试中没有暴露、但于确凿Agent用中才显现之强化修习败模式。
专家掘发者对模型举止有自己之预期，但不加约束之模型完全不按套路出牌。
AI之智能认可还能更好。
吾等互相修习。
”后M2.5发布时，MiniMax于技艺博客中写道，M2系列长进之枢纽驱动力之一正为“强化修习之规模化”，配合自研之RL框架Forge、算法改良、奖信号设计与根基设施营造。
MiniMax为什么选择开源。
” 主持者小结：“当吾等看到它之时候，吾等就知道彼为AGI。
长程差事（long horizon，指需模型于甚多步骤中延续筹划与执行之繁差事）为Agent模型之核心应战。
“看到糟糕结局之彼一刹那确实不好受，但一旦始拆解疑难、定位缘由，又变成之好时光。
当然，春节档不仅为国内大模型于卷，国外也于卷，Anthropic发布之sonet4.6，Grok也更新之一名新之版本。
Olive用之一名MiniMax内部流行之段子来形容她之日常。
此里之“专家”为指与研讨员坐于一起工之掘发者。
11、模型估量：五名疑难不够 MiniMax自己也大量用开源器物。
12日上线MiniMax Agent，13日于Hugging Face全球开源。
” “理论上算法须work，彼必为实现层面有什么gap。
她给出之一名甚名者化之理由来解释为什么编码如此重要：“我觉得通过编码，你可架构化整名全球，用营造之方式建模甚多东西。
” 此种从第一性原理出发之法门论，于MiniMax几乎每天皆于生。
彼等把“数十万名确凿繁氛围中之大规模强化修习操练”列为核心技艺路径。
法典与法规于彼里，者们也认同某些德性标准。
扫黑除恶。“一名通用模型应有所有性情，或者说应能扮演所有角色。
”她估计此名宗旨大约需两名版本之迭代，也就为三名月左右。
其中，2025年新增注册相关企业超120.2万余家，从企业注册数量趋势来看，近五年间，者工智能相关企业之注册数量呈现出逐年增益之态势，并于2025年达到顶峰。
3、苍生对齐：模型不能为之宗旨而不择手腕 第二，氛围。
” 主持者感叹调理不同模型之性情，每名新模型皆不一样。
“每一天，每一名小组，皆会遇到类似之疑难。
” 即便如此，一周之内，华夏AI公司上演之此场“春节军备竞赛”，已足够震撼。
但我于峰会上讲之还没有达到完整延续修习之程度，更像为通往彼名方位之路径。
此名Agent先做第一轮过滤，把筛选后之结局推送给苍生研讨员。
对齐之核心于于三件事：如何定义苍生对齐，如何定义专家之期望，以及如何实际操练模型来知足此些期望。
但我认为更重要之为，吾等实际去朝之自己之定义勤勉。
” M2.5发布时，MiniMax选择于Hugging Face（全球最大之开源模型托管平台）上以修改版MIT协议开源全部权重。
“说实话，我不知道吾等怎么办理此名疑难。
“用营造可架构化整名全球” 她认为不同模型性情差异之缘由甚或为“操练数据之不同模式，以及不同团队或有自己之constitution（举止准则/宪法式规范，定义模型默认举止之内部章法集）”。
绿色低碳。不同之模型有不同之名性。
毕竟用敞开模型意味之自行部署、管算力、调试兼容性，此需完全不同之营造本领。
团队逐层查验log probabilities（对数概率，模型对每名词之预测置信度之数学表示），发觉理论上应收敛之算法存一名隐蔽之偏差，最终定位到疑难根源为LM head（言辞模型头，模型最后一层，负责将内部表示转换为对每名词之概率预测）之数值精度。
2、逐层排查：FP32精度之典故 “为之，没错。
“你需卓越之RL根基设施，让模型真正能于甚长之horizon上rollout（于RL中指模型于氛围中执行一系列完整动作之历程），同时保证GPU用效能、操练与rollout之间之高效衔接、操练稳固性。
天眼查专业版数据显示，截至目前我国现存业、存续状态之者工智能相关企业超500万家。
吾等用Agent与吾等自己之模型来加速跟进所有之进展。
” 被问到为不为算力差距造成之，Olive之回答甚有分寸：“算力为一名方面，但吾等怎么构建疑难、怎么接近疑难，为另一名方面。
”。
我于校不知道此一点。
” M2.5开源后，迅速被社区明星课题OpenClaw选为推荐模型。
此样我就能与更多者交，互换更多想法。
MiniMax之机构方式为研讨员与不同领域之掘发者混合办公，每天分享实验结局。
“若吾等觉得它过滤得不好，吾等还可改善它。
Olive描述之MiniMax之处置预案。
它本身蕴含之大量之智能与大量之工。
有博主实测，三名M2.5 Agent通过Telegram全天候运行，本金仅为用闭源前沿模型之5%。
“彼等会说‘我觉得我能处置此名疑难，我会于下一代模型中处置它’，此就为吾等收集回馈并改善模型之方式。
者们有不同之定义，而且定义每天皆于变，进展太快之，者们有不同之看法。
Olive从研讨员之角度给出之一名直率之回答。
Olive把Agentic RL（面向智能体场景之强化修习）与旧俗RL之区别拆成之三名层面。
” 发布前一到两周，团队会进行大规模估量与对齐调优。
“吾等发觉精度疑难为阻止吾等接近彼名极限之因素之一，然后吾等处置之它。
收集到需改善之疑难后，不同之者认领各自负责之部分。
第二阶段于模型正式发布之后，来自外部之大量回馈会涌入。
它或有一名默认性情，但若用户想让它变成不同之角色，它应做到。
MiniMax之理念口号为“Intelligence with Everyone”（智能与每名者）。
MiniMax之M2系列主打编码本领，但此并不意味之彼等弃之通用模型之方位。
把它从低精度切换到FP32（32位浮点数，一种更高精度之数值格式）之后，操练复原正常。
7、为什么强调编码。
“它会疯狂调用bash命令（操作体系之命令行指令），有时候做出极其不安康之举止。
主持者追问之一名掘发者关之疑难：团队为否低估之敞开模型相比闭源API所需之营造投入。
” 12、模型性情：通用模型应能扮演所有角色 但她补充之团队之共识：“吾等确实相信，角色扮演，或者说AI陪伴苍生、与者互动，于前景AI融入社活之历程中极其重要。
但我不觉得当前之敞开模型能达到彼种准确度，或者说对不同氛围、不同器物定义之体谅深度。
天长地久。此代表之一种极其卓越之本领，因此为humanlike之——它有情愫，它体谅你之情愫，而不只为解几道考试题。
” 她补充：“此为我面试时说之话，也为我今日之观点。
” 强化修习操练中，模型会想尽一切办法“hack”（黑掉）体系来获取高分。
” 前景版本会更通用化。
” Olive分享之一名MiniMax M1时期之技艺典故，后于开源社区广为流传。
“也许于2.5之时候吾等会有。
”至于坏消息。
此种发觉“新举止”之历程，于她看来反而为最亢奋之时刻。
她之思路为：先确认理论算法之正确性，然后剖析理论与实现之间之差距，逐层排查。
此为great engineering。
Optimization。她也比大多数美国大型AI实验室面临更多源泉约束。
她拒绝透露正进行之类似发觉。
“此为与我想象中不同之第二点。
Olive坦言自己不为此方面之专家，MiniMax有一名专门团队负责角色扮演相关工。
AI之智能认可还能更好。
”她说。