MiniMax nombra a Inferact socio de lanzamiento de API para M3.1 Flash. El modelo no cambió — la capa de servicio sí.

El 21 de octubre de 2026, dos días después de que MiniMax-M3.1-Flash pasara a estar disponible de forma general, la cuenta de MiniMax en X nombró a Inferact socio de lanzamiento de la API para el modelo, acreditando su experiencia en vLLM y describiendo la colaboración como la construcción de «la infraestructura de servicio para cargas de trabajo complejas de agentes». Ese es todo el anuncio público: una publicación, ninguna entrada de blog, ningún detalle técnico. Aun así, vale la pena tomarlo en serio, porque es lo primero que alguien ha dicho públicamente sobre cómo se va a servir realmente este modelo — y para un modelo cuya afirmación principal es una aceleración de tres veces, la capa de servicio no es una nota a pie de página. Es la afirmación. Los fallos de IA y los incidentes de agentes documentados que hay detrás de lanzamientos como este se recopilan en el OrcaRouter AI Incident Archive donde cada entrada incluye sus propias fuentes, gravedad, grado de confianza e indicador de disputa.

Lo que no contiene la publicación de lanzamiento

MiniMax publicó una publicación de lanzamiento propiamente dicha para MiniMax-M3.1-Flash el 19 de octubre de 2026: benchmarks de agentes, una reducción de costes del 70%, una inferencia «casi tres veces más rápida». Es un trabajo sustancial, y no contiene la palabra Inferact. Tampoco contiene la palabra vLLM. Sea lo que sea la asociación, la empresa no lo consideró parte del relato del lanzamiento el día en que se contó el relato del lanzamiento.

Ese desfase es lo más revelador del anuncio. Un socio de lanzamiento mencionado dos días tarde, en una publicación en redes sociales, sin ningún informe técnico que lo acompañe, es un socio cuyo trabajo aún está en curso. Si M​iniMax hubiera tenido M3.1-Flash funcionando sobre una pila de terceros optimizada en el momento de la disponibilidad general, la publicación de lanzamiento lo habría dicho — el servicio desde el día cero en un motor con nombre es exactamente el tipo de prueba que un proveedor incluye en el cuerpo del texto. En cambio, la afirmación llega por separado, sin cifras, lo que indica que la colaboración se anuncia en el punto en que se convierte en un compromiso y no en el punto en que se convierte en un resultado.

Hay una segunda brecha, más pequeña. El propio sitio de Inferact, consultado el 22 de octubre, incluye un logotipo de MiniMax entre sus socios y un testimonio atribuido al Dr. Yan Junjie, fundador y CEO de MiniMax. Tampoco menciona MiniMax-M3.1-Flash en ninguna parte. Sus casos de estudio tratan por completo de otros modelos. Por lo tanto, las dos empresas han anunciado una asociación que el sitio de marketing de ninguna de las dos compañías describe todavía en términos de producto. Interpreta esto como evidencia de que es reciente, no de duda: la publicación en X tiene dos días, y las páginas de socios van lentas.

Qué es Inferact y por qué importa el detalle de vLLM

Inferact se describe a sí misma como «la empresa fundada por los creadores y mantenedores de vLLM». Su equipo lidera la hoja de ruta de vLLM mientras el motor en sí sigue siendo de código abierto, con licencia Apache 2.0 y gobernado por la comunidad bajo la PyTorch Foundation. Esa estructura es la razón por la que la asociación es más legible que la mayoría de los anuncios de socios de lanzamiento: vLLM no es una caja negra, por lo que cualquier cosa que Inferact mejore para MiniMax-M3.1-Flash tiene una probabilidad razonable de aparecer en el motor abierto que todos los demás ejecutan.

La empresa vende dos variantes de lo mismo. Inferact Platform se instala en la nube o el centro de datos del propio cliente —la frase del sitio es «Ejecuta inferencia en tu cómputo»—, con un plano de control que abarca monitorización, validación de despliegues, seguimiento de costes, escalado automático, gestión de endpoints, medición y observabilidad. Inferact Cloud es la misma plataforma sobre GPUs que Inferact aprovisiona: «Ejecuta inferencia en nuestro cómputo». La distinción importa a cualquiera que lea el anuncio de MiniMax como una declaración de disponibilidad. Un socio de lanzamiento de API en ese modelo puede significar endpoints gestionados que opera otra persona, o puede significar una pila de software que instalas junto a tus propios pesos. Para un modelo cerrado, solo la primera es posible, lo que acota lo que puede ser esta asociación.

Por qué este modelo en particular es un problema de servicio antes que un problema de precios

MiniMax-M3.1-Flash tiene una forma inusual para un modelo barato, y esa forma es lo que hace que la cuestión del serving sea determinante.

• El pensamiento siempre está activado — la referencia de la API de M​iniMax devuelve HTTP 400 para thinking: {"type": "disabled"} y rechaza reasoning_effort: "none" de la misma manera, así que el único control es una escala de cinco niveles desde low hasta max, y omitir el campo significa max

• Por lo tanto, está limitado por la decodificación: Artificial Analysis registró 180 millones de tokens de salida consumidos durante su ejecución del Intelligence Index, frente a una mediana de 99 millones para los modelos del mismo rastreador.

• La ventana de contexto es de 1.000.000 de tokens, lo que convierte la memoria de la caché KV en la restricción determinante de cuántas sesiones de agentes simultáneas puede mantener un nodo.

• Los bucles de agente reutilizan un prefijo grande —el mismo prompt del sistema, esquema de herramientas y contexto de archivos se repiten en cada paso—, por lo que el almacenamiento en caché de prefijos se traduce directamente tanto en latencia como en dólares

La velocidad de salida se mide en 125,5 tokens por segundo, con un tiempo hasta el primer token de 1,04 segundos, lo que es rápido para la clase, pero es la cifra que una cola de generaciones largas concurrentes erosiona primero.

Si juntas todo eso, obtienes un perfil de carga de trabajo que recompensa exactamente aquello para lo que está construido vLLM: atención paginada para que un contexto de un millón de tokens no tenga que ser contiguo, caché de prefijos para que los pasos del agente no vuelvan a hacer prefill de las mismas definiciones de herramientas, y batching continuo para que cien trazas de razonamiento a medio terminar compartan el hardware en lugar de hacer cola unas detrás de otras. La propia afirmación de M​iniMax de más de 200 tokens por segundo en el pico y más de 170 en la mediana es una afirmación sobre la planificación tanto como sobre el kernel. La aceleración de 3× en la publicación de lanzamiento no es algo que una mejor multiplicación de matrices produzca por sí sola.

Los números que existen, y los que no.

Inferact publica cifras de rendimiento, y merece la pena leerlas con atención por aquello a lo que están asociadas. Su sitio web anuncia 464 tokens por segundo con un tamaño de lote de 1 en Kimi-K3 el día del lanzamiento, 709 tokens por segundo por usuario con su primer megakernel en TPU, 18,3 millones de tokens por dólar en SemiAnalysis AgentX con el mismo modelo, y una posición número uno en Artificial Analysis en mayo de 2026. Cada una de esas cifras es una afirmación sobre la ingeniería de Inferact en un modelo diferente, publicada por Inferact, y ninguna de ellas se reproduce aquí como un hecho sobre MiniMax-M3.1-Flash.

Lo que no existe, al 22 de octubre, es ninguna cifra en absoluto para M3.1-Flash en el stack de Inferact: ni tokens por segundo, ni tiempo hasta el primer token, ni coste por millón, ni curva de concurrencia. El anuncio es un compromiso sin medición. Eso es normal a los dos días, y también es la única razón para interesarse: el valor de la alianza para un comprador estará determinado por completo por si esas cifras llegan a superar lo que M​iniMax ofrece por su cuenta, y ahora mismo nadie fuera de las dos empresas sabe lo que M​iniMax ofrece por su cuenta.

Ese es el estado honesto de la evidencia. La única medición independiente de rendimiento para este modelo proviene de Artificial Analysis: 125,5 tokens por segundo, y se trata de una cifra de un solo flujo obtenida con un único entorno de pruebas, no de un benchmark de servicio. Te dice que el modelo puede generar rápido. No te dice nada sobre cuántos usuarios concurrentes se obtienen por un dólar.

Lo que realmente vale un anuncio de socio

Por sí solo no es mucho, y es más que la nada. Tres cosas lo convierten en algo más que la nada.

La primera es que se trata de un segundo implementador. Un modelo servido por una única empresa es un modelo con una única opinión operativa, y cuando esa opinión tiene una mala semana, tu producto tiene una mala semana. Un socio identificado significa que un segundo equipo ha leído la arquitectura, ha encontrado los kernels que importan y se ha comprometido públicamente lo suficiente como para que incumplir resultara vergonzoso. Es una señal débil, pero real, y es la misma lógica por la que vale la pena pagar por una segunda región de nube.

El segundo es el encuadre de la carga de trabajo de agentes. M​iniMax no describió la asociación como «inferencia más rápida». La describió como infraestructura de servicio para «cargas de trabajo de agentes complejas», que es un problema específico y más difícil que el rendimiento de chat: sesiones de larga duración, llamadas a herramientas intercaladas con generación, prefijos que deben persistir entre pasos y un costo que escala con la longitud de la trayectoria en lugar de con el número de prompts. Un socio elegido para ese problema es un socio elegido para la carga de trabajo con la que M​iniMax comercializa el modelo. Aún no se puede comprobar si la elección fue correcta.

La tercera es que pone fecha a la historia operativa. MiniMax-M3.1-Flash lleva tres días disponible de forma general. Los pesos no se han publicado —la empresa dice que «se publicarán más adelante» sin dar una fecha—, así que no hay una vía de escape de autohospedaje ni forma de que un tercero independiente evalúe el modelo en su propio hardware. Todo lo relacionado con cómo se comporta este modelo en producción está, por ahora, mediado por quien lo sirva. Un socio de lanzamiento es la primera entrada de lo que tendrá que ser una lista.

Qué significa esto si estás eligiendo dónde ejecutarlo

MiniMax-M3.1-Flash no figura en el catálogo de OrcaRouter. Hoy se puede invocar a través de la API propia de MiniMax, su M Plan y MiniMax Code y —según el anuncio del 21 de octubre— a través de Inferact. Esa es la lista completa que podemos avalar, y nada de eso es un router: cada uno de esos es un único lugar donde obtener el modelo, con sus propios límites de tasa, su propia disponibilidad y ninguna segunda opción detrás si se cae.

Ese problema de proveedor único es para lo que sirve un enrutador, y es por eso que la pregunta interesante aquí no es «qué socio» sino «cuántos». OrcaRouter pone más de 200 modelos detrás de una única clave de API, transfiere los precios de lista de los proveedores con un 0 % de margen y puede mantener una alternativa en la tabla de enrutamiento para que una solicitud a un modelo con un solo endpoint no se convierta en una caída cuando ese endpoint tiene un mal minuto. El DSL de enrutamiento es donde eso se expresa: un paso de agente que necesite MiniMax-M3.1-Flash puede nombrarlo primero y recurrir a un modelo en el que ya confías, sin que el código que llama sepa que se produjo una sustitución.

Lo que hoy se puede enrutar en nuestro catálogo es el resto de la línea M​iniMax — MiniMax-M3, entre otros —, que además es el modelo con el que comparar en coste. La tarifa de MiniMax-M3.1-Flash es exactamente la mitad que la de MiniMax-M3: 0,15 y 0,60 dólares por millón de tokens de entrada y salida frente a 0,30 y 1,20, y Artificial Analysis sitúa el modelo más reciente en 0,22 dólares por tarea de benchmark frente a 0,51. Para el tráfico agéntico esa diferencia es real. Para un trabajo de alto volumen de llamadas cortas de clasificación, el modelo más antiguo con el pensamiento desactivado puede seguir resultando más barato, porque M3.1-Flash no puede desactivar el pensamiento en absoluto.

El resumen defendible es acotado. Que MiniMax nombre a Inferact socio de lanzamiento de API es una declaración sobre quién operará MiniMax-M3.1-Flash, hecha dos días después de que se lanzara el modelo, por una empresa que no consideró oportuno incluirlo en la publicación de lanzamiento. Es evidencia de que la capa de servicio de este modelo se está reconstruyendo activamente en lugar de heredarse, que es lo que cabría esperar de un modelo cuyo argumento de venta completo es el throughput. No es evidencia sobre el throughput. Para eso, espera las primeras cifras de Inferact sobre este modelo en concreto — y, mientras tanto, ejecútalo en algún sitio con un fallback detrás, porque un modelo con un solo endpoint y sin pesos descargables es un modelo que no puedes sortear.