Parámetros de MiniMax M3.1 Flash: 428 mil millones en total, 23 mil millones activos y la cifra que decide tu factura

MiniMax M3.1 Flash

Lo que MiniMax realmente publicó

MiniMax lanzó MiniMax M3.1 Flash el 19 de octubre de 2026 y publicó los pesos en Hugging Face el 23 de octubre. La tarjeta del modelo responde a las preguntas sobre especificaciones que la publicación de lanzamiento dejó sin concretar, y varias de sus cifras difieren de los resúmenes que circularon entretanto.

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

• Descarga — 252,4 GB en 48 fragmentos de safetensors, además de un modelo borrador DSpark de 2,3 GB para decodificación especulativa.

• Contexto y salida — 1.000.000 de tokens de entrada; hasta 524.288 tokens de salida.

• Modalidades — texto, imagen y vídeo como entrada; texto como salida.

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

• Servicio — vLLM, SGLang y TokenSpeed son las opciones recomendadas, con contenedores de vLLM disponibles desde el primer día para NVIDIA y AMD.

• Precio en la API alojada: 0,15 $ por millón de tokens de entrada, 0,60 $ de salida, 0,015 $ por lectura de entrada en caché.

• Licencia — minimax-community, registrada en Hugging Face como code>license: other/code>, que no es MIT ni Apache.

Total frente a activo: qué están haciendo los 23 mil millones

Un modelo denso de 428 mil millones de parámetros ejecutaría cada parámetro para cada token. Una mezcla de expertos enruta cada token a un subconjunto de expertos, de modo que el cómputo por token lo determina la cifra de 23 mil millones de parámetros activos, mientras que la huella de memoria la determina el total de 428 mil millones. Esa separación es la razón por la que las dos cifras suelen citarse juntas, y por la que citar solo una de ellas induce a error en una dirección predecible: el total indica qué hardware se necesita, y el recuento de activos indica, a grandes rasgos, cuánto cuesta un token en cómputo.

La consecuencia práctica es que 23 mil millones de parámetros activos no equivalen a «un modelo de 23 mil millones de parámetros». Es un modelo con 428 mil millones de parámetros de conocimiento almacenado y 23 mil millones de parámetros de trabajo por token — lo que describe razonablemente por qué puede ser rápido de iniciar y comparativamente pesado de alojar.

La cifra de 252,4 GB es cómo se ve eso en un documento de adquisiciones: no un recuento teórico de parámetros multiplicado por dos bytes, sino el artefacto que se somete a una revisión de seguridad. La elección de entrenamiento en NVFP4 es lo que lo mantiene ahí. En la contabilidad de vLLM, el checkpoint NVFP4 ocupa 250,1 GB frente a los 451,5 GB de MiniMax-M3 en MXFP8 —una reducción del 44,6 %—, y la caché KV baja 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.

Cuánto cuestan los parámetros en tiempo de servicio

El número que un recuento de parámetros no puede darte es la concurrencia, y ese es el que decide si el autohospedaje es viable. En cuatro GPU NVIDIA B300 con secuencias de 256.000 tokens, vLLM reporta 76 secuencias concurrentes para MiniMax M3.1 Flash, mientras que MiniMax-M3 con una caché KV FP8 admite 28 — aproximadamente 2,7 veces más. En el extremo sensible a la latencia de su ejecución en 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 a aproximadamente 127 tokens por segundo por usuario. En Rubin, la misma receta reporta 724,9 tokens por segundo por usuario, y en AMD MI355X, 331.

Esos son benchmarks del framework sobre hardware específico, publicados por el framework, no mediciones independientes de producción. Aun así, son más relevantes para la decisión que cualquier fila de benchmark, porque un modelo de 428B que admite 76 secuencias concurrentes de 256K en cuatro GPU es un objeto de adquisición distinto del de uno que admite ocho.

El costo de los 23 mil millones no es el precio de un token

Aquí es donde la historia de los parámetros y la factura divergen. MiniMax M3.1 Flash tiene un precio de $0.15 y $0.60, lo que representa la mitad del precio de entrada y aproximadamente un cuarto del precio de salida de Gemini 3.5 Flash-Lite. En la métrica de costo por tarea completada de Artificial Analysis, sigue perdiendo: $0.22 frente a $0.19.

La razón es visible en el mismo conjunto de datos. En el Intelligence Index, el modelo consumió aproximadamente 180 millones de tokens de salida, frente a una mediana cercana a los 100 millones para los modelos que sigue Artificial Analysis. El pensamiento no se puede desactivar — la API de MiniMax rechaza code>thinking: {"type": "disabled"}/code> con un 400, y la única palanca es una escala de esfuerzo de cinco niveles, de bajo a máximo, con máximo como valor predeterminado cuando se omite el campo. Los tokens de pensamiento se facturan como salida y cuentan para code>max_tokens/code>.

Así que el resumen preciso de la economía de parámetros es este: la cantidad de parámetros activos es lo bastante pequeña para mantener el modelo rápido, la verbosidad es lo bastante alta para que la factura no sea tan pequeña como sugiere la lista de precios, y ambos hechos no tienen relación entre sí. En el trabajo agéntico y de programación, la deliberación generalmente justifica sus tokens. En extracción o clasificación, no.

El resultado de inteligencia es respetable, pero no de frontera: 43 en el Artificial Analysis Intelligence Index, quinto de 173 modelos, con Terminal-Bench 4.0 en 26%, AutomationBench-AA en 73%, GDPval-AA en 1,458 y SciCode en 53%. El resultado de abstención es el que debe guiar el diseño: AA-Omniscience le otorga 16, con una tasa de alucinación del 93%, lo que significa que, cuando no sabía una respuesta, respondió de todos modos casi siempre en lugar de declinar.

Velocidad, medida de dos maneras

Las cifras de velocidad publicadas no coinciden, y esa discrepancia resulta informativa más que alarmante. Artificial Analysis midió 1,48 segundos hasta el primer token a 95,6 tokens de salida por segundo; el material propio de MiniMax afirma una mediana superior a 170 tokens por segundo, con picos por encima de 200. La ruta de servicio y las condiciones de medición alteran mucho esta cifra, y por eso vale la pena citar por separado nuestra propia ruta: una p50 de 1,29 segundos hasta el primer token y una p95 de 4,40 segundos durante los últimos siete días de tráfico en code>minimax/minimax-m3.1-flash/code>.

Esa es la forma que tiene un modelo enrutado. La manera honesta de compararlo con un proveedor ya establecido es medir tu propia ruta en lugar de fiarse de una única cifra de cualquiera de los dos proveedores.

La línea de licencia forma parte de la especificación.

Dos obligaciones viajan con los pesos, y ninguna aparece en un recuento de parámetros. Los despliegues comerciales deben mostrar la cadena «Built with MiniMax M3» de forma destacada en un sitio web, una interfaz, una entrada de blog, una página «acerca de» o la documentación del producto relacionados; el modelo es M3.1 Flash y la atribución exigida sigue diciendo M3, que es el tipo de detalle que una revisión legal detecta tarde. Y con unos ingresos anuales de 20 millones de dólares o menos, una empresa le debe a MiniMax una notificación única por correo electrónico; por encima de ese umbral, se requiere autorización previa por escrito antes del uso comercial.

La licencia define el uso comercial con la suficiente amplitud como para abarcar un producto construido sobre el modelo, una API comercial sobre él y un despliegue con ajuste fino. Para una startup por debajo del umbral, el coste es un correo electrónico y una línea de atribución. Para una empresa más grande, es una conversación sobre licenciamiento en un calendario que MiniMax controla. DeepSeek V4.1 Flash se distribuye bajo MIT y no requiere aviso alguno, y por eso «open weights» no es una única categoría incluso cuando ambos checkpoints son descargables.

Llámalo o descárgalo

El punto de equilibrio de los pesos abiertos es una cuestión de utilización. A $0,60 por millón de tokens de salida, mil millones de tokens de salida al mes cuestan $600 a través de la API alojada; cuatro GPUs B300 cuestan más que eso antes de contar energía, redes y el ingeniero que mantiene actualizada la pila de servicio. Descargar gana para datos que no pueden salir de un entorno controlado, para ejecuciones de ajuste fino que necesitan acceso a los pesos —vLLM reporta RL de extremo a extremo con veRL, FSDP2 y LoRA de rango 32 sobre el checkpoint NVFP4, y una ejecución GRPO de 200 pasos que elevó la precisión en AIME-2024 del 36,3 % al 67,5 % en 16 GB300— y para trabajos por lotes lo bastante grandes como para que un clúster fijo supere una factura por consumo.

Para todos los demás, la ruta alojada es la opción predeterminada sensata, y MiniMax M3.1 Flash está en el catálogo de OrcaRouter como code>minimax/minimax-m3.1-flash/code> al precio de lista del proveedor con un 0 % de margen: 0,15 $ de entrada, 0,60 $ de salida, 0,015 $ en caché, una sola clave junto a MiniMax-M3 y los modelos con los que suele compararse. La conmutación por error automática cubre el caso de que un proveedor tenga una mala tarde, y el DSL de enrutamiento puede enviar el paso difícil de una canalización a un modelo más potente mientras el grueso se queda aquí.

Si la pregunta de los parámetros te trajo hasta aquí, la respuesta corta es 428 mil millones en total y 23 mil millones activos. La respuesta larga es que ninguno de esos dos números aparece en tu factura, y los dos que sí aparecen son los tokens de salida que el modelo decide consumir y el umbral de licencia que algún día podrías cruzar.

Nota de fuentes: los recuentos de parámetros, el repositorio de 252,4 GB, el esquema de precisión, las condiciones de licencia y las filas de benchmark del proveedor proceden de la ficha del modelo y el material de lanzamiento de MiniMax, consultados el 26 de octubre de 2026. Los tamaños de los checkpoints NVFP4, los bytes de caché KV por token, las cifras de concurrencia, los números de rendimiento y el resultado de GRPO proceden de la publicación de día 0 de vLLM y son benchmarks del framework en hardware concreto. La puntuación del Intelligence Index, el coste por tarea, la estimación de consumo de tokens y las cifras de AA-Omniscience son de Artificial Analysis. Los precios, el contexto y el p50 de 1,29 segundos proceden del catálogo de OrcaRouter y de nuestro propio tráfico de siete días.