MiniMax ernennt Inferact zum API-Launch-Partner für M3.1 Flash. Das Modell hat sich nicht geändert – die Serving-Schicht schon.

Am 21. Oktober 2026, zwei Tage nachdem MiniMax-M3.1-Flash allgemein verfügbar wurde, nannte M​iniMaxs Konto auf X Inferact einen API-Launch-Partner für das Modell, verwies auf dessen vLLM-Expertise und beschrieb die Zusammenarbeit als den Aufbau „der Serving-Infrastruktur für komplexe Agent-Workloads“. Das ist die gesamte öffentliche Ankündigung: ein Post, kein Blogbeitrag, keine technischen Details. Trotzdem sollte man sie ernst nehmen, denn es ist das erste, was öffentlich dazu gesagt wurde, wie dieses Modell tatsächlich bereitgestellt werden soll – und bei einem Modell, dessen zentrale Behauptung eine dreifache Geschwindigkeitssteigerung ist, ist die Serving-Schicht keine Fußnote. Sie ist die Behauptung. Die dokumentierten KI-Ausfälle und Agent-Vorfälle hinter Releases wie diesem finden sich in dem OrcaRouter AI Incident Archive, wo jeder Eintrag seine eigenen Quellen, Schweregrad, Konfidenzstufe und ein Kennzeichen für strittige Fälle trägt.

Was der Launch-Post nicht enthält

MiniMax veröffentlichte am 19. Oktober 2026 einen ordentlichen Launch-Post für MiniMax-M3.1-Flash: Agentic-Benchmarks, eine Kostensenkung um 70 %, Inferenz „fast dreimal so schnell“. Es ist eine substanzielle Arbeit, und sie enthält nicht das Wort Inferact. Sie enthält auch nicht das Wort vLLM. Was auch immer die Partnerschaft bedeutet: Das Unternehmen betrachtete sie an dem Tag, an dem die Launch-Story erzählt wurde, nicht als Teil derselben.

Diese Lücke ist das Informativste an der Ankündigung. Ein Launch-Partner, der zwei Tage zu spät in einem Social-Media-Post genannt wird, ohne begleitendes technisches Write-up, ist ein Partner, dessen Arbeit noch läuft. Hätte MiniMax bei der allgemeinen Verfügbarkeit M3.1-Flash auf einem getunten Drittanbieter-Stack laufen gehabt, hätte der Launch-Post das gesagt – Day-zero-Serving auf einer namentlich genannten Engine ist genau die Art von Beleg, die ein Anbieter in den Fließtext packt. Stattdessen kommt die Behauptung separat, ohne Zahlen, was zeigt: Die Zusammenarbeit wird zu dem Zeitpunkt angekündigt, an dem sie zu einer Verpflichtung wird, nicht zu dem Zeitpunkt, an dem sie zu einem Ergebnis wird.

Es gibt eine zweite, kleinere Lücke. Die eigene Website von Inferact, geprüft am 22. Oktober, zeigt unter ihren Partnern ein MiniMax-Logo und ein Testimonial, das Dr. Yan Junjie, Gründer und CEO von MiniMax, zugeschrieben wird. Sie erwähnt auch nirgendwo MiniMax-M3.1-Flash. Ihre Fallstudien behandeln ausschließlich andere Modelle. Die beiden Unternehmen haben also eine Partnerschaft angekündigt, die keine der Marketing-Websites der beiden Unternehmen bislang in Produktbegriffen beschreibt. Das sollte man als Beleg für die Aktualität und nicht für Zweifel lesen: Der X-Post ist zwei Tage alt, und Partnerseiten sind langsam.

Was Inferact ist und warum das vLLM-Detail wichtig ist

Inferact beschreibt sich selbst als „das Unternehmen, das von den Erschaffern und Maintainern von vLLM gegründet wurde“. Das Team leitet die vLLM-Roadmap, während die Engine selbst Open Source bleibt, unter Apache 2.0 steht und von der Community unter der PyTorch Foundation verwaltet wird. Diese Struktur ist der Grund, warum die Partnerschaft nachvollziehbarer ist als die meisten Ankündigungen von Launch-Partnern: vLLM ist keine Blackbox, sodass alles, was Inferact für MiniMax-M3.1-Flash verbessert, gute Chancen hat, in der offenen Engine aufzutauchen, die alle anderen nutzen.

Das Unternehmen verkauft zwei Ausprägungen derselben Sache. Inferact Platform wird in der eigenen Cloud oder im Rechenzentrum eines Kunden installiert – die Formulierung auf der Website lautet „Run inference on your compute“ – mit einer Control Plane, die Monitoring, Rollout-Validierung, Kostenverfolgung, Autoscaling, Endpoint-Management, Nutzungsmessung und Observability abdeckt. Inferact Cloud ist dieselbe Plattform auf GPUs, die Inferact bereitstellt: „Run inference on our compute.“ Der Unterschied ist wichtig für alle, die die MiniMax-Ankündigung als Verfügbarkeitsaussage lesen. Ein API-Launch-Partner für dieses Modell kann verwaltete Endpunkte bedeuten, die jemand anderes betreibt, oder einen Software-Stack, den man neben den eigenen Gewichten installiert. Bei einem geschlossenen Modell ist nur Ersteres möglich, was den möglichen Umfang dieser Partnerschaft einschränkt.

Warum dieses spezielle Modell zuerst ein Serving-Problem und erst danach ein Preisproblem ist

MiniMax-M3.1-Flash hat für ein günstiges Modell eine ungewöhnliche Form, und genau diese Form verleiht der Serving-Frage ihr Gewicht.

• Thinking ist immer aktiv — die API-Referenz von M​iniMax liefert HTTP 400 bei thinking: {"type": "disabled"} und lehnt reasoning_effort: "none" ebenso ab, sodass die einzige Steuerungsmöglichkeit eine fünfstufige Leiter von low bis max ist, und das Weglassen des Feldes bedeutet max

• Es ist daher decode-limitiert – Artificial Analysis verzeichnete 180 Millionen verbrauchte Output-Tokens während seines Durchlaufs für den Intelligence Index, gegenüber einem Median von 99 Millionen bei Modellen im selben Tracker.

• Das Kontextfenster umfasst 1,000,000 Token, wodurch der KV-Cache-Speicher zur limitierenden Einschränkung dafür wird, wie viele gleichzeitige Agentensitzungen ein Knoten halten kann.

• Agent-Loops verwenden ein großes Präfix wieder – derselbe System-Prompt, dasselbe Tool-Schema und derselbe Dateikontext kehren bei jedem Schritt wieder – daher schlägt sich Prefix-Caching direkt sowohl in Latenz als auch in Dollar nieder

• Die Ausgabegeschwindigkeit wird mit 125,5 Tokens pro Sekunde bei einer Zeit bis zum ersten Token von 1,04 Sekunden gemessen, was für diese Klasse schnell ist, aber genau die Kennzahl, die eine Warteschlange aus gleichzeitigen langen Generierungen zuerst aushöhlt

Setzt man diese Dinge zusammen, ergibt sich ein Workload-Profil, das genau das belohnt, wofür vLLM gebaut ist: Paged Attention, damit ein Kontext mit einer Million Tokens nicht zusammenhängend sein muss, Prefix Caching, damit Agentenschritte dieselben Tool-Definitionen nicht erneut vorab befüllen, und Continuous Batching, damit hundert halbfertige Reasoning-Traces sich die Hardware teilen, statt sich gegenseitig in die Warteschlange einzureihen. Die eigene Aussage von M​iniMax, im Spitzenfall 200+ Tokens pro Sekunde und im Median 170+ zu erreichen, ist ebenso eine Aussage über Scheduling wie über den Kernel. Die 3×-Beschleunigung im Launch-Beitrag entsteht nicht allein durch eine bessere Matrixmultiplikation.

Die Zahlen, die es gibt, und die, die es nicht gibt

Inferact veröffentlicht Leistungszahlen, und es lohnt sich, genau darauf zu achten, woran sie geknüpft sind. Auf seiner Website werden 464 Tokens pro Sekunde bei Batchgröße 1 auf Kimi-K3 am Tag der Markteinführung beworben, 709 Tokens pro Sekunde pro Nutzer mit seinem ersten Megakernel auf TPU, 18,3 Millionen Tokens pro Dollar auf SemiAnalysis AgentX mit demselben Modell und Platz eins bei Artificial Analysis im Mai 2026. Jede dieser Angaben ist eine Aussage über Inferacts Engineering an einem anderen Modell, veröffentlicht von Inferact, und keine davon wird hier als Tatsache über MiniMax-M3.1-Flash wiedergegeben.

Was es Stand 22. Oktober überhaupt nicht gibt, ist irgendeine Zahl für M3.1-Flash auf dem Stack von Inferact: keine Tokens pro Sekunde, keine Zeit bis zum ersten Token, keine Kosten pro Million, keine Parallelitätskurve. Die Ankündigung ist eine Zusage ohne Messung. Das ist zwei Tage nach der Ankündigung normal, und es ist auch der einzige Grund, sich dafür zu interessieren — der Wert der Partnerschaft für einen Käufer wird vollständig davon abhängen, ob diese Zahlen das übertreffen, was MiniMax selbst anbietet, und im Moment weiß niemand außerhalb der beiden Unternehmen, was MiniMax selbst anbietet.

Das ist der ehrliche Stand der Belege. Der einzige unabhängig gemessene Durchsatz für dieses Modell stammt von Artificial Analysis und beträgt 125,5 Token pro Sekunde; das ist ein Single-Stream-Wert aus einem einzigen Harness, kein Serving-Benchmark. Er sagt dir, dass das Modell schnell generieren kann. Er sagt dir nichts darüber, wie viele gleichzeitige Nutzer man für einen Dollar bekommt.

Was eine Partnerankündigung tatsächlich wert ist

Nicht viel für sich genommen, und doch mehr als nichts. Drei Dinge machen daraus mehr als nichts.

Der erste Punkt ist, dass es einen zweiten Implementierer gibt. Ein Modell, das von genau einem Unternehmen bereitgestellt wird, ist ein Modell mit genau einer operativen Meinung, und wenn diese Meinung eine schlechte Woche hat, hat Ihr Produkt eine schlechte Woche. Ein namentlich genannter Partner bedeutet, dass ein zweites Team die Architektur gelesen, die relevanten Kernel gefunden und sich öffentlich weit genug festgelegt hat, dass eine Nichtlieferung peinlich wäre. Das ist ein schwaches Signal, aber ein echtes, und es ist dieselbe Logik, die eine zweite Cloud-Region den Preis wert macht.

Zweitens die Rahmung als Agent-Workload. MiniMax beschrieb die Partnerschaft nicht als „schnellere Inferenz“, sondern als Serving-Infrastruktur für „komplexe Agent-Workloads“ – ein spezifisches und schwierigeres Problem als Chat-Durchsatz: langlebige Sitzungen, Tool-Aufrufe, die mit der Generierung verschachtelt sind, Präfixe, die über Schritte hinweg erhalten bleiben müssen, und Kosten, die mit der Länge der Trajektorie statt mit der Anzahl der Prompts skalieren. Ein für dieses Problem gewählter Partner ist ein Partner, der für genau den Workload gewählt wurde, auf den hin MiniMax das Modell vermarktet. Ob die Wahl richtig war, lässt sich noch nicht testen.

Der dritte Punkt ist, dass es die operative Erzählung mit einem Datum versieht. MiniMax-M3.1-Flash ist seit drei Tagen allgemein verfügbar. Die Gewichte wurden nicht veröffentlicht – das Unternehmen sagt, sie „würden später veröffentlicht“, ohne Datum –, daher gibt es keinen Ausweg über Self-Hosting und keine Möglichkeit für eine unabhängige Partei, das Modell auf eigener Hardware zu benchmarken. Alles darüber, wie dieses Modell in der Produktion abschneidet, wird vorerst von demjenigen vermittelt, der es bereitstellt. Ein Launch-Partner ist der erste Eintrag in einer Liste, die es noch brauchen wird.

Was das bedeutet, wenn Sie entscheiden, wo Sie es ausführen

MiniMax-M3.1-Flash ist nicht im OrcaRouter-Katalog enthalten. Es ist heute über die eigene API von M​iniMax, den M Plan und M​iniMax Code sowie – laut der Ankündigung vom 21. Oktober – über Inferact aufrufbar. Das ist die vollständige Liste, für die wir bürgen können, und nichts davon ist ein Router: Jede dieser Optionen ist eine einzige Bezugsquelle für das Modell, mit eigenen Ratenlimits, eigener Verfügbarkeit und ohne zweite Option dahinter, falls sie ausfällt.

Dieses Ein-Anbieter-Problem ist genau das, wofür ein Router da ist, und deshalb ist die interessante Frage hier nicht „welcher Partner“, sondern „wie viele“. OrcaRouter bündelt 200+ Modelle hinter einem einzigen API-Schlüssel, reicht die Listenpreise der Anbieter mit 0 % Aufschlag durch und kann einen Fallback in der Routing-Tabelle vorhalten, sodass eine Anfrage an ein Modell mit nur einem Endpunkt nicht zum Ausfall wird, wenn dieser Endpunkt eine schlechte Minute hat. Die Routing-DSL ist der Ort, an dem das ausgedrückt wird: Ein Agent-Schritt, der MiniMax-M3.1-Flash benötigt, kann es zuerst benennen und auf ein Modell zurückfallen, dem du bereits vertraust, ohne dass der aufrufende Code erfährt, dass eine Ersetzung stattgefunden hat.

Was sich heute in unserem Katalog routen lässt, ist der Rest der MiniMax-Reihe — MiniMax-M3 unter anderem — und das ist auch das Modell, mit dem man bei den Kosten vergleichen muss. Die Preisliste von MiniMax-M3.1-Flash liegt bei genau der Hälfte der von MiniMax-M3: 0,15 und 0,60 US-Dollar pro Million Input- und Output-Tokens gegenüber 0,30 und 1,20 US-Dollar, und Artificial Analysis veranschlagt für das neuere Modell 0,22 US-Dollar pro Benchmark-Aufgabe gegenüber 0,51 US-Dollar. Bei agentischem Traffic ist dieser Unterschied real. Bei einem Job mit hohem Volumen und kurzen Klassifizierungsaufrufen kann das ältere Modell mit abgeschaltetem Thinking immer noch günstiger sein, weil sich bei M3.1-Flash das Thinking überhaupt nicht abschalten lässt.

Die belastbare Zusammenfassung ist eng. Dass M​iniMax Inferact als API-Launch-Partner nennt, ist eine Aussage darüber, wer MiniMax-M3.1-Flash betreiben wird – getroffen zwei Tage nach dem Release des Modells von einem Unternehmen, das es nicht für nötig befand, es in den Launch-Beitrag aufzunehmen. Das ist ein Beleg dafür, dass die Serving-Schicht für dieses Modell aktiv neu aufgebaut und nicht übernommen wird, was man für ein Modell erwarten würde, dessen gesamtes Verkaufsargument der Durchsatz ist. Es ist kein Beleg für den Durchsatz. Dafür sollte man auf die ersten Inferact-Zahlen speziell zu diesem Modell warten – und es bis dahin irgendwo mit einem Fallback dahinter laufen lassen, denn ein Modell mit einem einzigen Endpunkt und ohne herunterladbare Gewichte ist ein Modell, um das man nicht herumrouten kann.