MiniMax M3.1 Flash Gewichte sind da: 428B, 252 GB und eine Lizenzschwelle von 20 Mio. US-Dollar

Die Gewichte von MiniMax M3.1 Flash wurden am 23. Oktober 2026 auf Hugging Face veröffentlicht, vier Tage nach dem Start des Modells am 19. Oktober. Der Download umfasst insgesamt 428 Milliarden Parameter, davon 23 Milliarden pro Token aktiv, und das Repository ist 252,4 GB groß: 48 Weight-Shards plus einen 2,3 GB großen Speculative-Decoding-Drafter. Es handelt sich um eine echte Open-Weights-Veröffentlichung, aber nicht um eine Open-Source-Veröffentlichung. Die Lizenz ist MiniMax’ eigene Community-Lizenz, die bei jeder kommerziellen Bereitstellung eine Namensnennung und, sobald der Jahresumsatz 20 Millionen US-Dollar übersteigt, eine vorherige schriftliche Genehmigung von MiniMax verlangt.

Diese Unterscheidung ist wichtiger als die Parameteranzahl. Wer „open weights“ gelesen und MIT oder Apache-2.0 angenommen hat, dem steht bei der Beschaffung eine Überraschung bevor. Wer das Modell nur aufrufen muss, sollte den Download wahrscheinlich komplett ignorieren: Die gehostete API kostet weiterhin 0,15 US-Dollar pro Million Eingabe-Tokens und 0,60 US-Dollar pro Million Ausgabe-Tokens, und vier Tage mit Weight-Dateien ändern diese Rechnung für ein Team, das ein paar Milliarden Tokens pro Monat sendet, nicht.

Was befindet sich eigentlich im Repository?

Die Modellkarte beantwortet die Spezifikationsfragen, die MiniMaxs Launch-Post vage ließ. Die wichtigsten Zahlen sind diejenigen, die man auseinanderhalten muss, denn mehrere davon weichen von den Zusammenfassungen vom Launch-Tag ab, die kursierten, ohne dass eine Modellkarte zur Überprüfung vorlag.

• Parameter — insgesamt 428 Milliarden, 23 Milliarden pro Token aktiviert, ein natives multimodales Mixture-of-Experts

• Download — insgesamt 252,4 GB: 48 Safetensors-Shards plus ein 2,3 GB DSpark-Drafter für spekulatives Decoding

• Kontext — 1.000.000 Eingabe-Tokens; bis zu 524.288 Ausgabe-Tokens

• Eingaben und Ausgaben — Text, Bild und Video als Eingabe; Text als Ausgabe

• Präzision — geroutete Experten und der KV-Pfad der Sparse-Attention sind für NVFP4 trainiert, wobei gemeinsam genutzte Experten in MXFP8 gehalten werden; der Query-Pfad bleibt bei FP8

• Serving — vLLM, SGLang und TokenSpeed sind die empfohlenen Wege, mit Day-0-vLLM-Containern für NVIDIA und AMD

• Lizenz — minimax-community, auf Hugging Face als license: other eingereicht

• Gehosteter Preis — 0,15 $ Eingabe, 0,60 $ Ausgabe, 0,015 $ zwischengespeicherte Eingabe pro Million Tokens

Die Aufteilung 428B/23B ist dieselbe, die MiniMax seit dem Launch angibt. Die 252 GB sind eine neue Information für alle, die eine Bereitstellung planen: Es ist die tatsächliche Größe des Artefakts, das man durch eine Sicherheitsprüfung bringen würde, nicht eine theoretische Parameteranzahl mal zwei Bytes. Die Ausgabegrenze ist die andere erwähnenswerte Zahl. Die API-Dokumentation von MiniMax erlaubt 524.288 Ausgabe-Tokens, weit über der Obergrenze von 65.536 Tokens bei Gemini 3.8 Flash und über DeepSeek V4.1 Flash mit seinen 384.000. Das ist eine Fähigkeit für lange Generierungen, die der Launch-Beitrag nicht vorangestellt hat.

Die Lizenz ist der Teil, den man zweimal lesen sollte.

MiniMax nennt das eine Open-Weights-Veröffentlichung, und nach der gewöhnlichen Bedeutung des Begriffs – herunterladbare Dateien, kein API-Schlüssel – ist es das auch. Bei der Lizenz beginnt das Wort „offen“ dann weniger zu leisten. Die MiniMax Community Licence gewährt die kostenlose Nutzung, Veränderung und Weitergabe für nichtkommerzielle Zwecke. Kommerzielle Nutzung ist erlaubt, geht aber mit zwei Verpflichtungen einher, die MIT nicht kennt.

Das erste ist die Namensnennung. Bei einer kommerziellen Bereitstellung muss „Built with MiniMax M3“ gut sichtbar auf einer zugehörigen Website, einer Benutzeroberfläche, einem Blogbeitrag, einer About-Seite oder in der Produktdokumentation angezeigt werden. Das Modell ist M3.1 Flash; der geforderte String lautet weiterhin M3 – genau die Art von Detail, das übersehen wird, bis eine rechtliche Prüfung es aufdeckt.

Die zweite ist eine Umsatzschwelle. Bei einem Jahresumsatz von 20 Millionen US-Dollar oder weniger ist ein Unternehmen gegenüber MiniMax zu einer einmaligen Mitteilung per E-Mail verpflichtet. Über 20 Millionen US-Dollar benötigt es vor der kommerziellen Nutzung eine vorherige schriftliche Genehmigung von MiniMax. Die Lizenz definiert die kommerzielle Nutzung so weit gefasst, dass sie das Anbieten eines Produkts oder einer Dienstleistung, das bzw. die auf dem Modell beruht, den Betrieb einer kommerziellen API darauf sowie die Bereitstellung einer feinabgestimmten oder nachtrainierten Version für kommerzielle Zwecke umfasst. Ein gehostetes Inferenzgeschäft, das auf diesen Gewichten aufbaut, fällt eindeutig unter diese Definition.

Das ist kein Grund, die Veröffentlichung zu vermeiden. Es ist ein Grund, die Veröffentlichung richtig zu lesen. Für ein Start-up unterhalb der Schwelle sind die praktischen Kosten eine E-Mail und eine Zeile mit Quellenangabe. Für ein größeres Unternehmen ist es ein Lizenzierungsgespräch mit einem chinesischen Labor, nach einem Zeitplan, den MiniMax kontrolliert. Vergleichen Sie das mit DeepSeek V4.1 Flash, das unter MIT veröffentlicht wird und überhaupt keine Mitteilung erfordert, und das Feld der offenen Gewichte ist nicht eben, selbst wenn beide Checkpoints herunterladbar sind.

252 GB ist die einfache Zahl; 76 gleichzeitige Sequenzen sind die nützliche.

Das interessante Serving-Detail stammt aus dem vLLM-Day-0-Post, der konkreter ist als MiniMax' eigenes Launch-Material. Der NVFP4-Checkpoint umfasst in vLLMs Abrechnung 250,1 GB gegenüber 451,5 GB für MiniMax-M3 in MXFP8 — eine Reduktion um 44,6 %. Der KV-Cache sinkt von 61.440 Bytes pro Token auf 34.560, eine Kürzung um 43,75 %, weil sowohl der Sparse-Attention-Indexer als auch der Attention-Pfad in NVFP4 laufen.

Die Konsequenz ist Nebenläufigkeit bei langem Kontext, und diese Zahl entscheidet darüber, ob Self-Hosting tragfähig ist. Auf vier NVIDIA B300 GPUs bei 256K-Token-Sequenzen meldet vLLM 76 gleichzeitige Sequenzen für M3.1 Flash, während M3 mit einem FP8-KV-Cache 28 unterbringt – etwa 2,7-mal mehr. Am latenzempfindlichen Ende seines GB300-AgentX-Laufs hält der Stack 418,9 Ausgabe-Token pro Sekunde pro Nutzer aufrecht, während er insgesamt 38,6K Token pro Sekunde pro GPU verarbeitet. Am Durchsatzende erreicht er 153,8K Gesamt-Token pro Sekunde pro GPU bei rund 127 Token pro Sekunde pro Nutzer. Auf Rubin meldet dasselbe Rezept 724,9 Token pro Sekunde pro Nutzer, und auf AMD MI355X meldet es 331.

Das sind Framework-Benchmarks auf spezifischer Hardware, keine unabhängigen Produktionsmessungen. Sie sind dennoch die nützlichsten Zahlen im Release, weil sie die Frage beantworten, die eine Parameteranzahl nicht beantworten kann: wie viele Long-Context-Anfragen auf die Box passen, die man tatsächlich mieten kann. Ein 428B-Modell, auf das 76 gleichzeitige 256K-Sequenzen auf vier GPUs passen, ist ein anderes Beschaffungsobjekt als ein 428B-Modell, auf das acht passen.

Was Self-Hosting kostet – und wann die API trotzdem gewinnt

Der Break-even bei offenen Gewichten ist eine Auslastungsfrage, keine Preisfrage. Bei $0.60 pro Million Ausgabe-Tokens kostet eine Milliarde Ausgabe-Tokens pro Monat $600 über die API von MiniMax. Vier B300-GPUs kosten weit mehr als das für Miete oder Besitz, bevor Strom, Netzwerk und der Ingenieur hinzukommen, der den Serving-Stack aktuell hält. Ein Team, das diese GPUs am Durchsatzende von vLLMs Benchmark ausgelastet halten kann, kauft Tokens zu einem ganz anderen effektiven Satz; ein Team, das sie nur zwei Stunden am Tag braucht, subventioniert ungenutzten Silizium.

Die Workloads, die den Download rechtfertigen, sind diejenigen, bei denen der API-Preis nicht die bindende Einschränkung ist. Daten, die eine kontrollierte Umgebung nicht verlassen dürfen. Fine-Tuning-Läufe, die Gewichtszugriff benötigen, bei denen vLLM End-to-End-RL mit veRL, FSDP2 und Rank-32-LoRA auf dem NVFP4-Checkpoint meldet, und ein 200-Schritt-GRPO-Lauf, der die AIME-2024-Genauigkeit mit 16 GB300s von 36,3 % auf 67,5 % steigerte. Latenzempfindliche Agent-Loops, bei denen der Netzwerk-Hop und die Warteschlange des Anbieters Teil des p95 sind. Und Batch-Jobs, die groß genug sind, dass ein fester Cluster besser ist als eine nutzungsabhängige Abrechnung.

Für alle anderen bleibt der gehostete Weg die vernünftige Standardoption, und das Release ändert daran nichts. Die Gewichte sind eine strategische Option, keine Kostensenkung, die sich standardmäßig einstellt.

Was die Gewichte nicht beheben

Drei Probleme überstehen den Download unbeschadet. Das erste ist Zuverlässigkeit. Die AA-Omniscience-Bewertung von Artificial Analysis platzierte M3.1 Flash mit einem Gesamtwert von 16 und einer Halluzinationsrate von 93 %: Wenn das Modell keine Antwort wusste, antwortete es fast jedes Mal trotzdem, statt sich zu enthalten. Das ist ein gemessenes Verhalten, keine Herstellerangabe, und es ist die Art von Sache, die in einem Agenten, der handeln kann, mehr zählt als in einem Chatbot, den man ignorieren kann. Offene Gewichte ermöglichen es, per Fine-Tuning daran vorbeizuoptimieren; sie lassen es am Checkpoint nicht verschwinden.

Der zweite Punkt ist die Herkunft der Benchmarks. Die zur Einführung genannten Zahlen – DeepSWE v1.1 bei 73,7 %, Agents' Last Exam bei 29,6, OSWorld V2 bei 61,7, CyberGym bei 82,2, BankerToolBench bei 76,2 – sind MiniMaxs eigene Läufe auf den von MiniMax ausgewählten Harnesses. Keine davon wurde unabhängig reproduziert. Die Modellkarte warnt ausdrücklich, dass Quantisierungen von Drittanbietern abweichen können, was ein nützliches Eingeständnis ist: Die Zahlen beschreiben die offiziellen Gewichte in MiniMaxs Konfiguration, nicht das, was Ihr Serving-Stack nach einer weiteren Quantisierung erzeugt.

Der dritte Punkt ist die Steuerung. Thinking lässt sich nicht deaktivieren: Die API von MiniMax lehnt thinking: {"type": "disabled"} mit HTTP 400 ab, und der einzige Hebel ist die fünfstufige Effort-Leiter von low bis max, wobei max der Standardwert ist, wenn das Feld weggelassen wird. Thinking-Tokens werden als Output abgerechnet und zählen gegen max_tokens. Im Intelligence Index verbrauchte das Modell rund 180 Millionen Output-Tokens, deutlich über dem Median, weshalb seine Kosten von 0,22 US-Dollar pro abgeschlossener Aufgabe besser sind, als seine Pro-Token-Rate vermuten lässt, aber dennoch von der Ausführlichkeit geprägt bleiben.

Wie man es jetzt nennt

MiniMax M3.1 Flash ist über die eigene API von MiniMax, M Plan und MiniMax Code sowie über mehrere Drittanbieterplattformen verfügbar. Im OrcaRouter-Katalog ist es derzeit nicht enthalten, und dieser Artikel erhebt auch nicht den Anspruch, dass dem so sei. Was OrcaRouter routet, ist der Rest der Familie und die Modelle, mit denen es üblicherweise in die engere Auswahl kommt: MiniMax-M3, DeepSeek V4.1 Flash und Gemini 3.8 Flash antworten alle über einen Schlüssel, zum Listenpreis des Anbieters ohne Aufschlag (0 %), mit automatischem Failover zwischen den Routen. Wenn Sie M3.1 Flash gegen ein etabliertes Modell testen, erhalten Sie damit die Seite des etablierten Modells für den Vergleich, ohne einen zweiten Vertrag, und Sie haben eine Ausweichmöglichkeit, während das neue Modell Betriebserfahrung sammelt.

Wenn Sie selbst hosten, ist der vLLM-Container der kürzeste Weg, und das NVFP4-Rezept ist dasjenige, das die oben genannten Zahlen beschreiben. Wenn Sie die API nutzen, ändert das Release diese Woche wenig – außer Ihren Beschaffungsoptionen.

Die ehrliche Zusammenfassung lautet: Die Gewichte sind real, die Serving-Story ist stärker als erwartet, und die Lizenz ist restriktiver, als es der Ausdruck „open weights“ erwarten lässt. MiniMax hat ein tatsächlich herunterladbares 428B-Modell mit einem Vier-GPU-Rezept und einem Speicherbedarf von 252 GB veröffentlicht. Es hat dieses Modell nicht unter MIT veröffentlicht, und der Unterschied wird genau für die Unternehmen von Bedeutung sein, die groß genug sind, sich für die 20-Millionen-Dollar-Grenze zu interessieren.