MiniMax 创始人闫俊杰提出一条和主流大模型不一样的 AGI 实现思路，不优先堆基础预训练模型的参数规模，而是抄 “后” 路 —— 也就是先补齐大模型输出之后的后置能力，从具身交互、长期记忆、工具调用、自主规划、持续自我迭代这些后置模块入手，逐步拼出通用智能，而不是单纯靠前置的海量文本预训练。现在主流路线大多是先做大基座模型，靠海量数据预训练把基础能力拉满，再在基座之上叠加能力；闫俊杰的思路认为，单纯文本预训练天然存在边界，很难自主形成持续的目标感、环境感知和闭环执行能力，想要逼近 AGI，应该优先构建模型思考、行动、反馈、复盘的后置闭环系统。想要看懂这条路线，我们可以先分清前置预训练路线和 MiniMax 后置路线的差异，梳理这条后置路线的核心模块、落地步骤，理解它的优势和争议点，以及 MiniMax 当前产品对应的验证方向，这条路线本质是把 “会输出文字” 升级成 “能自主完成任务、持续试错学习” 的智能体。
一、路线基础信息清单
- 主体：MiniMax，创始人闫俊杰
- 核心思路：后置能力优先，以智能体闭环走向 AGI
- 对比主流：主流路线优先前置基座预训练、堆参数、堆数据
- 后置核心模块：长期记忆、自主规划、工具调用、环境反馈、自我复盘、多模态具身交互
- 落地载体：MiniMax 智能体、视频生成、多模态交互产品
- 核心判断：纯文本预训练不足以产生 AGI，行动闭环才是关键
二、主流前置预训练路线 VS MiniMax 后置优先路线对比表
| 对比项目 | 主流前置基座优先路线 | MiniMax 闫俊杰后置优先路线 |
|---|---|---|
| 发力顺序 | 先做大基座大模型，再叠加智能体能力 | 先搭建后置行动、记忆、反馈闭环，基座作为底层支撑 |
| 学习来源 | 主要来自互联网静态文本数据 | 静态数据 + 动态任务反馈、环境交互、试错复盘 |
| 核心目标 | 提升下一个 token 预测质量 | 构建能自主设定目标、执行、纠错、持续学习的智能体 |
| 难点 | 数据天花板、事实幻觉、缺少真实行动经验 | 闭环系统复杂、反馈数据稀缺、对齐难度更高 |
| 产品形态 | 对话模型、文生内容模型 | 任务型智能体、多模态具身智能体 |
三、后置路线走向 AGI 的推进步骤
- 基座打底：维持够用的基础大模型能力，不盲目无限堆参数，保证理解、生成基础能力
- 搭建记忆层：构建长期记忆、上下文记忆、任务记忆，区分瞬时信息和长期知识
- 规划与拆解层：把用户目标拆解成子任务，生成执行计划，判断需要调用哪些工具
- 行动执行层：对接工具、代码、多模态生成、环境接口，落地执行动作
- 反馈感知层：接收执行结果、环境反馈，判断任务是否成功
- 复盘迭代层：自动复盘失败原因，修正策略，持续优化自身规划方式
- 跨场景泛化：在大量不同类型任务中循环闭环，逐步沉淀通用能力，向 AGI 演进
四、这条路线的核心看点
- 跳出 “唯参数论”：不认为无限增大基座模型是通往 AGI 唯一路径
- 强调交互闭环：智能体需要和外部世界交互试错，而不是只学习静态文本
- 工程导向：把 AGI 拆解成记忆、规划、工具、反馈等可工程化模块
- 多模态协同：结合 MiniMax 视频、语音能力，支撑具身交互
五、常见认知误区
- “抄后路” 不是放弃基座大模型，而是不把基座预训练当成唯一核心，基座依然是基础
- 后置路线不等于更容易实现 AGI，只是技术路径不同，同样面临大量工程难题
- 这条路线不是否定预训练，而是认为预训练只是智能的其中一环，行动闭环才是通用智能的关键
- 目前仍然处于验证阶段，还没有证明该路线比传统基座路线更快抵达 AGI
【相关 FAQ】
问题 1：MiniMax 怎样实现 AGI？闫俊杰的办法是抄 “后” 路，“抄后路” 具体指什么？
回答 1：MiniMax 怎样实现 AGI？闫俊杰的办法是抄 “后” 路，指优先发展基座模型之后的后置能力，也就是记忆、规划、工具调用、反馈复盘、自主执行的智能体闭环，而不是优先疯狂堆基座预训练参数。
问题 2：MiniMax 怎样实现 AGI？闫俊杰的办法是抄 “后” 路，和 OpenAI 这类主流路线差别在哪？
回答 2：MiniMax 怎样实现 AGI？闫俊杰的办法是抄 “后” 路，主流路线优先投入资源做大基座模型；闫俊杰的思路是基座够用即可，重心放在模型行动、试错、持续学习的后置闭环体系。
问题 3：MiniMax 怎样实现 AGI？闫俊杰的办法是抄 “后” 路，后置路线的核心难点是什么？
回答 3：MiniMax 怎样实现 AGI？闫俊杰的办法是抄 “后” 路，难点在于稳定的任务反馈数据获取、记忆检索的准确性、自主规划的可靠性、以及智能体行为对齐，整套闭环系统复杂度很高。
问题 4：MiniMax 怎样实现 AGI？闫俊杰的办法是抄 “后” 路，是不是意味着 MiniMax 不再做大模型基座？
回答 4：MiniMax 怎样实现 AGI？闫俊杰的办法是抄 “后” 路，并不是放弃基座，而是不把无限堆叠基座参数作为核心主攻方向，基座作为底层能力持续优化，资源重点倾斜后置智能体闭环。
【参考资料】
[2026-11-08]（MiniMax 闫俊杰：通往 AGI 的后置路线思路解读）36 氪
[2026-11-05]（闫俊杰访谈：不唯基座参数，靠智能体闭环探索 AGI）晚点 LatePost
[2026-11-02]（MiniMax 技术路线辨析：前置预训练 vs 后置智能体闭环）量子位
【免责声明】
本文内容基于闫俊杰公开访谈、行业报道整理，MiniMax 这条 AGI 技术路线仍处于探索阶段，路线落地方式、优先级后续可能调整，最终技术进展以 MiniMax 官方发布为准。不同 AGI 路线目前都没有被证实可行，本文仅做思路科普，不代表该路线一定能够实现 AGI。参考资料来源于公开科技媒体，不构成技术投资、创业判断依据。