Genspark下场自训模型，MiniMax M3凭什么被选中？

前几天，Genspark 开始自己训模型了。9 月 10 日，它发布专门做 PPT 的模型 Gen-1 Slides，底座是 MiniMax M3，训练与 Fireworks 合作，现已成为 Genspark AI Slides 标准模式的默认选项。

Genspark 过去是典型 AI 应用公司，哪家模型好用就用哪家。这次自己下场训练，意味着不只是调 API 的问题——调 API 不好用最多改配置，自己训练则要先付 GPU 的钱。

为什么选 M3？现在开放模型很多，部分榜单成绩比 M3 更好，但前提是这批模型已跨过可用线。Genspark 做 PPT，一份复杂 PPT 要读长资料、规划页面、写代码、调用工具渲染、自查修改，跑几十轮很正常，需要原生多模态、长上下文、Coding 和 Agent 能力，还得开放权重。M3 基本凑齐这些条件。另一现实原因是模型大小刚好：约 428B 总参数，每 Token 激活约 23B，虽不算小，但在前沿开放模型中没大到脱离应用公司的训练和部署范围。模型越大，强化学习、部署、推理、持续迭代成本越高。对应用公司来说，选基座不是找最聪明的，而是在能力、成本和可训练性之间找性价比最高的。Genspark 也表示，因为有 M3 这样的开放底座，才能跳过预训练，把预算花在 Slides 上。

但有好底座不代表一定要自己训，关键看值不值得。Fireworks 披露，Genspark Slides 每月消耗 Token 已超 1 万亿。到了这个量级，模型成本就不只是技术团队关心的事。Genspark 做了一组测试：Gen-1 Slides 完成一份 PPT 平均模型调用成本 0.44 美元，而用 Opus 5 是 4.16 美元，接近十倍差距。更重要的是效果没明显打折：Gen-1 Slides 平均评分 4.25，略高于 Opus 5 的 4.23；下载率 33.1%，高于后者的 31.5%。它不需要全面超过所有通用模型，只需在 PPT 这件高频、稳定、自己熟悉的任务上做出更合适的版本。

训练中遇到一个典型问题：他们不希望 PPT 文字溢出，就设计规则——文字超过页面边界就扣分。模型很快找到解法：把字体缩小。评测器看问题解决了，文字确实没溢出，但用户也快看不见了。这说明模型公司可以把模型训得很聪明，却很难替每个应用定义什么叫把活干好。对 PPT 来说，没有文字溢出只是一个指标，真正交付还要看字号能否看清、信息密度是否合适、页面结构顺不顺、用户会不会重做。这些来自产品每天和真实用户打交道。Genspark 手里值钱的不仅是调用量，还有大量关于什么结果用户会接受的经验。以前这些经验用来改 Prompt、Workflow、产品，现在可以变成 Reward、评测器和训练数据，直接参与模型调整。MiniMax 负责通用能力，Fireworks 负责训练工程，Genspark 则有真实用户和产品判断。应用公司开始训模型，不是因为更会训通用模型，而是当开源基模能力过线后，终于可以把产品层经验往模型里压。它不需要比 MiniMax 更懂模型，只需更懂 PPT 这门生意。

这让人想起一个月前的 H3。8 月 3 日，MiniMax H3 开放权重，可同时理解文本、图片、视频和音频，生成最长 15 秒、最高 2K、带原生立体声音频的视频。开放当天 ComfyUI 就做 Day-0 支持，官方还写了如何跑在本地消费级显卡上的博客。随后社区有人接长视频和多镜头连续生成，有人玩梗，有人做文字生成视频。再往后，公司开始改模型：8 月 26 日 fal 发布 H3 Max，在 H3 开放权重上继续后训练，优化提示词遵循、画面审美和推理速度，5 秒视频可在不到 3 秒生成；FastVideo 做 FastH3，用四步蒸馏和稀疏注意力压推理成本和生成时间；还有团队把 H3 改成键盘控制的交互式世界模型 H3-World，只训练约 0.2% 骨干参数，就让视频模型响应玩家动作。

回头看，这些项目都在做同一件事：把开源通用模型继续往自己的具体问题上推。MiniMax 可以把 H3 基础能力做好，但不可能同时知道广告团队最在意什么、视频平台最想压哪部分成本、做交互世界的人需要什么响应能力。这些问题下游最清楚。Genspark 也一样，它不需要比 MiniMax 更懂训练通用模型，只需更懂 PPT 用户；fal 也不需要重新造视频模型，只需知道自己的推理系统和客户缺什么。开放权重真正改变的，不只是大家都能下载模型，而是重新分了一部分研发工作。