MiniMax M3.1 Flash-Parameter: 428 Milliarden insgesamt, 23 Milliarden aktiv – und die Zahl, die über Ihre Rechnung entscheidet

MiniMax M3.1 Flash

Was MiniMax tatsächlich veröffentlicht hat

{{1}}MiniMax{{/1}} veröffentlichte am 19. Oktober 2026 {{2}}MiniMax M3.1 Flash{{/2}} und stellte die Gewichte am 23. Oktober auf {{3}}Hugging Face{{/3}} bereit. Die Modellkarte beantwortet die Spezifikationsfragen, die der Launch-Beitrag vage ließ, und mehrere ihrer Zahlen weichen von den Zusammenfassungen ab, die zwischenzeitlich kursierten.

• Parameter — insgesamt 428 Milliarden, pro Token 23 Milliarden aktiviert, in einer nativen multimodalen Mixture-of-Experts-Architektur.

• Download — 252,4 GB über 48 Safetensors-Shards, plus ein 2,3 GB DSpark-Drafter für spekulative Dekodierung.

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

• Modalitäten — Text, Bild und Video als Eingabe; Text als Ausgabe.

Präzision — geroutete Experten und der KV-Pfad der Sparse-Attention werden für NVFP4 trainiert, gemeinsame Experten werden in MXFP8 gehalten, und der Query-Pfad bleibt FP8.

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

• Preis für die gehostete API — 0,15 $ pro Million Eingabe-Tokens, 0,60 $ für die Ausgabe, 0,015 $ für einen Lesezugriff auf gecachte Eingaben.

• Lizenz — minimax-community, bei Hugging Face eingereicht als code>license: other/code>, die weder MIT noch Apache ist.

Gesamt versus aktiv: Was die 23 Milliarden tun

Ein dichtes Modell mit 428 Milliarden Parametern würde bei jedem Token alle Parameter ausführen. Ein Mixture-of-Experts-Modell leitet jedes Token an eine Teilmenge von Experten weiter, sodass der Rechenaufwand pro Token durch die 23 Milliarden aktiven Parameter bestimmt wird, während der Speicherbedarf durch die insgesamt 428 Milliarden bestimmt wird. Diese Aufteilung ist der Grund, warum die beiden Zahlen üblicherweise zusammen genannt werden und warum es in eine vorhersehbare Richtung irreführt, nur eine von ihnen zu nennen: Die Gesamtzahl sagt Ihnen, welche Hardware Sie benötigen, die Zahl der aktiven Parameter sagt Ihnen grob, wie viel Rechenaufwand ein Token kostet.

Die praktische Konsequenz ist, dass 23 Milliarden aktive Parameter nicht „ein Modell mit 23 Milliarden Parametern“ sind. Es ist ein Modell mit 428 Milliarden Parametern gespeicherten Wissens und 23 Milliarden Parametern Arbeit pro Token – was eine vernünftige Beschreibung dafür ist, warum es sowohl schnell starten kann als auch vergleichsweise ressourcenintensiv im Hosting ist.

Die Zahl von 252,4 GB ist das, was das in einem Beschaffungsdokument darstellt: keine theoretische Parameteranzahl multipliziert mit zwei Bytes, sondern das Artefakt, das Sie durch eine Sicherheitsprüfung bringen. Die Entscheidung für NVFP4 beim Training ist das, was es dort hält. In der Abrechnung von vLLM beträgt der NVFP4-Checkpoint 250,1 GB gegenüber 451,5 GB für MiniMax-M3 in MXFP8 — eine Reduktion um 44,6 % — und 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.

Was die Parameter zur Serving-Zeit kosten

Die Zahl, die eine Parameteranzahl Ihnen nicht liefern kann, ist die Nebenläufigkeit, und genau sie entscheidet darüber, ob Self-Hosting tragfähig ist. Auf vier NVIDIA B300 GPUs bei Sequenzen mit 256.000 Token meldet vLLM 76 gleichzeitige Sequenzen für MiniMax M3.1 Flash, während MiniMax-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 38,6K Gesamt-Token pro Sekunde pro GPU bedient; am Durchsatz-Ende erreicht er 153,8K Gesamt-Token pro Sekunde pro GPU bei ungefähr 127 Token pro Sekunde pro Nutzer. Auf Rubin meldet dieselbe Konfiguration 724,9 Token pro Sekunde pro Nutzer, und auf AMD MI355X 331.

Das sind Framework-Benchmarks auf bestimmter Hardware, vom Framework veröffentlicht, keine unabhängigen Produktionsmessungen. Dennoch sind sie entscheidungsrelevanter als jede Benchmark-Zeile, denn ein 428B-Modell, das 76 gleichzeitige 256K-Sequenzen auf vier GPUs unterbringt, ist ein anderes Beschaffungsobjekt als eines, das acht unterbringt.

Die Kosten der 23 Milliarden sind nicht der Preis eines Tokens.

Hier divergieren die Parameter-Story und die Rechnung. MiniMax M3.1 Flash ist mit 0,15 $ und 0,60 $ bepreist, was die Hälfte des Eingabepreises und etwa ein Viertel des Ausgabepreises von Gemini 3.5 Flash-Lite ist. Bei der Kennzahl Kosten pro abgeschlossener Aufgabe von Artificial Analysis verliert es weiterhin: 0,22 $ gegenüber 0,19 $.

Der Grund ist im selben Datensatz sichtbar. Über den Intelligence Index hinweg verbrauchte das Modell rund 180 Millionen Ausgabe-Tokens, gegenüber einem Median von nahezu 100 Millionen bei den Modellen, die Artificial Analysis verfolgt. Das Denken lässt sich nicht deaktivieren – die API von MiniMax lehnt code>thinking: {"type": "disabled"}/code> mit einem 400-Fehler ab, und der einzige Hebel ist eine fünfstufige Effort-Leiter von low bis max, wobei max der Standard ist, wenn das Feld weggelassen wird. Thinking-Tokens werden als Ausgabe abgerechnet und auf code>max_tokens/code> angerechnet.

Die präzise Zusammenfassung der Parameterökonomie lautet: Die Anzahl der aktiven Parameter ist klein genug, um das Modell schnell zu halten; die Ausführlichkeit ist hoch genug, damit die Rechnung nicht so niedrig ausfällt, wie es die Preisliste vermuten lässt; und diese beiden Fakten haben nichts miteinander zu tun. Bei agentischen Aufgaben und Programmierarbeit rechtfertigt das Nachdenken in der Regel seine Tokens. Bei Extraktion oder Klassifizierung nicht.

Das Intelligenz-Ergebnis ist respektabel, aber nicht Frontier: 43 auf dem Artificial Analysis Intelligence Index, Platz fünf von 173 Modellen, mit Terminal-Bench 4.0 bei 26 %, AutomationBench-AA bei 73 %, GDPval-AA bei 1.458 und SciCode bei 53 %. Das Enthaltungsergebnis ist das, auf das man das Design abstimmen sollte – AA-Omniscience bewertet es mit 16, bei einer Halluzinationsrate von 93 %, was bedeutet: Wenn es eine Antwort nicht wusste, antwortete es fast immer trotzdem, statt abzulehnen.

Geschwindigkeit, auf zwei Arten gemessen

Die veröffentlichten Geschwindigkeitswerte weichen voneinander ab, und die Abweichung ist informativ statt alarmierend. Artificial Analysis maß 1,48 Sekunden bis zum ersten Token bei 95,6 Ausgabe-Tokens pro Sekunde; das eigene Material von MiniMax gibt einen Median von über 170 Tokens pro Sekunde mit Spitzen über 200 an. Der Serving-Pfad und die Messbedingungen verschieben diese Zahl stark, weshalb es sich lohnt, unsere eigene Route separat anzugeben: ein p50 von 1,29 Sekunden bis zum ersten Token und ein p95 von 4,40 Sekunden im Datenverkehr der letzten sieben Tage auf code>minimax/minimax-m3.1-flash/code>.

Das ist die Gestalt, die ein geroutetes Modell hat. Der ehrliche Weg, es mit einem etablierten Anbieter zu vergleichen, besteht darin, die eigene Route zu messen, statt einer einzelnen Zahl von einem der beiden Anbieter zu vertrauen.

Die Lizenzzeile ist Teil der Spezifikation.

An den Gewichten hängen zwei Verpflichtungen, und keine von beiden erscheint in einer Parameteranzahl. Kommerzielle Bereitstellungen müssen die Zeichenkette „Built with MiniMax M3“ gut sichtbar auf einer zugehörigen Website, einer Benutzeroberfläche, einem Blogbeitrag, einer About-Seite oder in der Produktdokumentation anzeigen – das Modell ist M3.1 Flash, und die erforderliche Namensnennung lautet weiterhin M3, eine Art Detail, die eine Rechtsprüfung erst spät bemerkt. Und bei einem Jahresumsatz von höchstens 20 Millionen US-Dollar schuldet ein Unternehmen MiniMax eine einmalige Mitteilung per E-Mail; oberhalb dieser Grenze ist vor der kommerziellen Nutzung eine vorherige schriftliche Genehmigung erforderlich.

Die Lizenz definiert kommerzielle Nutzung so weit gefasst, dass sie ein auf dem Modell aufgebautes Produkt, eine kommerzielle API darauf und ein feinabgestimmtes Deployment abdeckt. Für ein Start-up unterhalb der Schwelle kostet es eine E-Mail und eine Zeile mit Namensnennung. Für ein größeres Unternehmen ist es ein Lizenzgespräch nach einem Zeitplan, den MiniMax kontrolliert. DeepSeek V4.1 Flash erscheint unter MIT und erfordert überhaupt keine Mitteilung, weshalb „offene Gewichte“ keine einheitliche Kategorie ist, selbst wenn beide Checkpoints herunterladbar sind.

Ruf es an oder lade es herunter.

Der Break-even bei offenen Gewichten ist eine Frage der Auslastung. Bei $0,60 pro Million Ausgabe-Tokens kostet eine Milliarde Ausgabe-Tokens pro Monat $600 über die gehostete API; vier B300-GPUs kosten mehr als das, bevor Strom, Netzwerk und der Ingenieur, der den Serving-Stack aktuell hält, eingerechnet sind. Herunterladen gewinnt bei Daten, die eine kontrollierte Umgebung nicht verlassen dürfen, bei Fine-Tuning-Läufen, die Zugriff auf die Gewichte benötigen — vLLM berichtet von End-to-End-RL mit veRL, FSDP2 und Rank-32-LoRA auf dem NVFP4-Checkpoint sowie von einem 200-Schritt-GRPO-Lauf, der die AIME-2024-Genauigkeit auf 16 GB300s von 36,3 % auf 67,5 % steigerte — und bei Batch-Jobs, die groß genug sind, dass ein fester Cluster günstiger kommt als eine nutzungsabhängige Abrechnung.

Für alle anderen ist der gehostete Weg die vernünftige Standardoption, und MiniMax M3.1 Flash steht im OrcaRouter-Katalog als code>minimax/minimax-m3.1-flash zum Listenpreis des Anbieters ohne Aufschlag: 0,15 $ Eingabe, 0,60 $ Ausgabe, 0,015 $ gecacht, ein Schlüssel neben MiniMax-M3 und den Modellen, mit denen es üblicherweise in die engere Wahl kommt. Automatisches Failover deckt den Fall ab, dass ein Anbieter einen schlechten Nachmittag hat, und die Routing-DSL kann den schwierigen Schritt einer Pipeline an ein stärkeres Modell schicken, während der Großteil hier bleibt.

Wenn Sie die Parameterfrage hierher geführt hat, lautet die kurze Antwort 428 Milliarden insgesamt und 23 Milliarden aktiv. Die lange Antwort ist, dass keine der beiden Zahlen auf Ihrer Rechnung erscheint und die beiden, die dort erscheinen, die Ausgabe-Tokens sind, die das Modell auszugeben beschließt, und die Lizenzschwelle, die Sie eines Tages überschreiten könnten.

Quellenhinweis: Parameteranzahlen, das 252,4 GB große Repository, das Precision-Schema, die Lizenzbedingungen und die Hersteller-Benchmarkzeilen stammen aus der Modellkarte und dem Launch-Material von MiniMax, abgerufen am 26. Oktober 2026. Die NVFP4-Checkpoint-Größen, KV-Cache-Bytes pro Token, Concurrency-Werte, Durchsatzahlen und das GRPO-Ergebnis stammen aus dem Day-0-Beitrag von vLLM und sind Framework-Benchmarks auf genannter Hardware. Der Intelligence-Index-Score, die Kosten pro Aufgabe, die Token-Verbrauchsschätzung und die AA-Omniscience-Zahlen stammen von Artificial Analysis. Die Preise, der Kontext und der p50 von 1,29 Sekunden stammen aus dem Katalog von OrcaRouter und unserem eigenen Sieben-Tage-Traffic.