Ya salieron los pesos de MiniMax M3.1 Flash: 428B, 252 GB y una línea de licencia de $20M

Los pesos de MiniMax M3.1 Flash se publicaron en Hugging Face el 23 de octubre de 2026, cuatro días después de que el propio modelo se lanzara el 19 de octubre. La descarga tiene 428 000 millones de parámetros en total, con 23 000 millones activos por token, y el repositorio ocupa 252,4 GB: 48 fragmentos de pesos más un modelo borrador de decodificación especulativa de 2,3 GB. Es un lanzamiento real de pesos abiertos, y no es de código abierto. La licencia es la licencia comunitaria propia de MiniMax, que exige atribución en cada despliegue comercial y autorización previa por escrito de MiniMax una vez que los ingresos anuales superen los 20 millones de dólares.

Esa distinción importa más que el número de parámetros. Cualquiera que haya leído «pesos abiertos» y haya asumido MIT o Apache-2.0 se lleva una sorpresa en materia de adquisiciones. Quien solo necesite llamar al modelo probablemente debería ignorar por completo la descarga: la API alojada sigue costando $0.15 por millón de tokens de entrada y $0.60 por millón de salida, y cuatro días de archivos de pesos no cambian esa aritmética para un equipo que envía unos cuantos miles de millones de tokens al mes.

¿Qué hay realmente en el repositorio?

La ficha del modelo responde a las preguntas sobre especificaciones que la publicación de lanzamiento de MiniMax dejó sin aclarar. Las cifras más destacadas son las que hay que tener claras, porque varias de ellas difieren de los resúmenes del día del lanzamiento que circularon sin una ficha del modelo con la que contrastarlas.

• Parámetros — 428 mil millones en total, 23 mil millones activados por token, una mezcla de expertos multimodal nativa

• Descarga: 252.4 GB en total: 48 fragmentos safetensors más un modelo de borrador DSpark de 2.3 GB para decodificación especulativa

• Contexto — 1,000,000 tokens de entrada; hasta 524,288 tokens de salida

• Entradas y salidas — texto, imagen y video como entrada; texto como salida

• Precisión — los expertos enrutados y la ruta KV de atención dispersa se entrenan para NVFP4, mientras que los expertos compartidos se mantienen en MXFP8; la ruta de consulta permanece en FP8

• Servicio — vLLM, SGLang y TokenSpeed son las rutas recomendadas, con contenedores vLLM desde el día 0 para NVIDIA y AMD

• Licencia — minimax-community, registrada en Hugging Face como license: other

• Precio del servicio alojado: $0.15 de entrada, $0.60 de salida y $0.015 de entrada en caché por millón de tokens

La división 428B/23B es la misma que MiniMax viene citando desde el lanzamiento. Los 252 GB son información nueva para cualquiera que planee un despliegue: es el tamaño real del artefacto que tendrías que someter a una revisión de seguridad, no un recuento teórico de parámetros multiplicado por dos bytes. El límite de salida es el otro número que vale la pena señalar. La documentación de la API de MiniMax admite 524.288 tokens de salida, muy por encima del límite de 65.536 tokens de Gemini 3.8 Flash y de DeepSeek V4.1 Flash, con sus 384.000. Esa es una capacidad de generación larga que la publicación de lanzamiento no puso en primer plano.

La licencia es la parte que hay que leer dos veces.

MiniMax califica esto como un lanzamiento de pesos abiertos y, según el significado habitual de la expresión —archivos descargables, sin clave de API—, lo es. Es en la licencia donde la palabra «abierto» empieza a hacer menos trabajo. La Licencia Comunitaria de MiniMax concede el uso, la modificación y la redistribución gratuitos con fines no comerciales. El uso comercial está permitido, pero conlleva dos obligaciones que la licencia MIT no tiene.

El primero es la atribución. Un despliegue comercial debe mostrar "Built with MiniMax M3" de forma destacada en un sitio web relacionado, una interfaz de usuario, una publicación de blog, una página "Acerca de" o la documentación del producto. El modelo es M3.1 Flash; la cadena requerida sigue diciendo M3, que es el tipo de detalle que se pasa por alto hasta que lo detecta una revisión legal.

El segundo es un umbral de ingresos. Con ingresos anuales iguales o inferiores a 20 millones de dólares, una empresa debe enviar a MiniMax un aviso único por correo electrónico. Por encima de 20 millones de dólares, necesita autorización previa por escrito de MiniMax antes del uso comercial. La licencia define el uso comercial de forma suficientemente amplia como para abarcar la oferta de un producto o servicio que dependa del modelo, la ejecución de una API comercial sobre él y el despliegue de una versión ajustada o post-entrenada con fines comerciales. Un negocio de inferencia alojada construido sobre estos pesos encaja de lleno en esa definición.

Eso no es una razón para evitar la publicación. Es una razón para leer la publicación correctamente. Para una startup por debajo del umbral, el costo práctico es un correo electrónico y una línea de atribución. Para una empresa más grande, es una conversación de licenciamiento con un laboratorio chino, en un cronograma que MiniMax controla. Compárelo con DeepSeek V4.1 Flash, que se distribuye bajo MIT y no necesita aviso alguno, y el ámbito de los pesos abiertos no está en igualdad de condiciones incluso cuando ambos checkpoints se pueden descargar.

252 GB es la cifra fácil; 76 secuencias concurrentes es la útil.

El detalle interesante sobre el servicio proviene de la entrada de vLLM del día 0, que es más específica que el material de lanzamiento del propio MiniMax. El checkpoint NVFP4 ocupa 250,1 GB según la contabilidad de vLLM, frente a los 451,5 GB de MiniMax-M3 en MXFP8: una reducción del 44,6 %. La caché KV pasa de 61.440 bytes por token a 34.560, un recorte del 43,75 %, porque tanto el indexador de atención dispersa como la ruta de atención se ejecutan en NVFP4.

La consecuencia es la concurrencia en contexto largo, que es la cifra que decide si el autohospedaje es viable. En cuatro GPU NVIDIA B300 con secuencias de 256K tokens, vLLM reporta 76 secuencias concurrentes para M3.1 Flash, mientras que M3 con una caché KV FP8 admite 28, aproximadamente 2,7 veces más. En el extremo sensible a la latencia de su ejecución de GB300 AgentX, la pila sostiene 418,9 tokens de salida por segundo por usuario mientras sirve 38,6K tokens totales por segundo por GPU. En el extremo de rendimiento, alcanza 153,8K tokens totales por segundo por GPU con aproximadamente 127 tokens por segundo por usuario. En Rubin, la misma receta reporta 724,9 tokens por segundo por usuario, y en AMD MI355X reporta 331.

Esos son benchmarks de framework sobre hardware específico, no mediciones independientes de producción. Aun así son las cifras más útiles del lanzamiento, porque responden a la pregunta que un recuento de parámetros no puede: cuántas solicitudes de contexto largo caben en el equipo que realmente puedes alquilar. Un modelo de 428B en el que caben 76 secuencias concurrentes de 256K en cuatro GPU es un objeto de adquisición distinto de un modelo de 428B en el que caben ocho.

Cuánto cuesta el autoalojamiento y cuándo la API sigue ganando

El punto de equilibrio de los pesos abiertos es una cuestión de utilización, no de precio. A $0,60 por millón de tokens de salida, mil millones de tokens de salida al mes cuestan $600 a través de la API de MiniMax. Cuatro GPU B300 cuestan mucho más que eso de alquilar o de poseer antes de contar la electricidad, la red y el ingeniero que mantiene actualizado el stack de servicio. Un equipo que puede mantener esas GPU ocupadas en el extremo de mayor rendimiento del benchmark de vLLM está comprando tokens a una tasa efectiva muy diferente; un equipo que las necesita dos horas al día está subsidiando silicio inactivo.

Las cargas de trabajo que justifican la descarga son aquellas en las que el precio de la API no es la restricción vinculante. Datos que no pueden salir de un entorno controlado. Ejecuciones de ajuste fino que necesitan acceso a los pesos, donde vLLM reporta RL de extremo a extremo con veRL, FSDP2 y LoRA de rango 32 sobre el checkpoint NVFP4, y una ejecución de GRPO de 200 pasos que elevó la precisión en AIME-2024 del 36,3 % al 67,5 % en 16 GB300s. Bucles de agentes sensibles a la latencia en los que el salto de red y la cola del proveedor forman parte del p95. Y trabajos por lotes lo bastante grandes como para que un clúster fijo resulte más rentable que una factura por consumo.

Para todos los demás, la vía alojada sigue siendo la opción predeterminada sensata, y el lanzamiento no cambia eso. Los pesos son una opción estratégica, no una reducción de costos que llegue por defecto.

Lo que los pesos no arreglan

Tres problemas sobreviven intactos a la descarga. El primero es la fiabilidad. La evaluación AA-Omniscience de Artificial Analysis situó a M3.1 Flash en el puesto 16 de la clasificación general, con una tasa de alucinación del 93 %: cuando el modelo no sabía una respuesta, respondía de todos modos casi siempre en lugar de abstenerse. Eso es un comportamiento medido, no una afirmación del proveedor, y es el tipo de cosa que importa más en un agente que puede actuar que en un chatbot que se puede ignorar. Los pesos abiertos permiten hacer ajuste fino para evitarlo; no hacen que desaparezca en el checkpoint.

El segundo es la procedencia de los benchmarks. Las cifras de lanzamiento —DeepSWE v1.1 con 73,7 %, Agents' Last Exam con 29,6, OSWorld V2 con 61,7, CyberGym con 82,2 y BankerToolBench con 76,2— son ejecuciones propias de MiniMax en los harnesses elegidos por MiniMax. Ninguna ha sido reproducida de forma independiente. La tarjeta del modelo advierte explícitamente que las cuantizaciones de terceros pueden diferir, lo cual es una admisión útil: las cifras describen los pesos oficiales en la configuración de MiniMax, no lo que produzca tu stack de servicio después de cuantizarlo aún más.

El tercero es el control. El pensamiento no se puede desactivar: la API de MiniMax rechaza thinking: {"type": "disabled"} con HTTP 400, y la única palanca es la escala de esfuerzo de cinco niveles, de low a max, con max como valor predeterminado cuando se omite el campo. Los tokens de pensamiento se facturan como salida y cuentan para max_tokens. En el Intelligence Index, el modelo consumió aproximadamente 180 millones de tokens de salida, muy por encima de la mediana, por lo que su coste de 0,22 $ por tarea completada es mejor de lo que sugiere su tarifa por token, pero sigue condicionado por la verbosidad.

Cómo llamarlo ahora

MiniMax M3.1 Flash está disponible a través de la API propia de MiniMax, M Plan y MiniMax Code, y mediante varias plataformas de terceros. Hoy no está en el catálogo de OrcaRouter, y este artículo no afirma que lo esté. Lo que OrcaRouter sí enruta es el resto de la familia y los modelos con los que suele compararse en las preselecciones: MiniMax-M3, DeepSeek V4.1 Flash y Gemini 3.8 Flash responden todos con una sola clave, al precio de lista del proveedor sin margen (0 %), con conmutación por error automática entre rutas. Si estás evaluando M3.1 Flash frente a un modelo ya implantado, eso te da el lado del modelo incumbent de la comparación sin necesidad de un segundo contrato, y te da una alternativa a la que recurrir mientras el nuevo modelo acumula historial operativo.

Si alojas el modelo por tu cuenta, el contenedor de vLLM es la vía más corta, y la receta NVFP4 es la que describen las cifras anteriores. Si llamas a la API, el lanzamiento cambia poco esta semana salvo tus opciones de adquisición.

El resumen honesto es que los pesos son reales, la propuesta de servicio es más sólida de lo esperado y la licencia es más restrictiva de lo que la frase «pesos abiertos» te prepara para asumir. MiniMax ha lanzado un modelo de 428B genuinamente descargable con una receta de cuatro GPU y una huella de 252 GB. No ha lanzado este modelo bajo MIT, y la diferencia les importará exactamente a las empresas lo suficientemente grandes como para preocuparse por la línea de los 20 millones de dólares.