Les poids de MiniMax M3.1 Flash sont sortis : 428 B, 252 Go et une clause de licence à 20 M$.

Les poids de MiniMax M3.1 Flash ont été mis en ligne sur Hugging Face le 23 octobre 2026, quatre jours après le lancement du modèle lui-même le 19 octobre. Le téléchargement représente 428 milliards de paramètres au total, avec 23 milliards actifs par token, et le dépôt fait 252,4 Go : 48 fragments de poids plus un drafter de décodage spéculatif de 2,3 Go. Il s'agit d'une véritable publication à poids ouverts, et non d'une publication open source. La licence est la licence communautaire propre à MiniMax, qui exige une attribution pour chaque déploiement commercial et une autorisation écrite préalable de MiniMax dès que le chiffre d'affaires annuel dépasse 20 millions de dollars.

Cette distinction compte plus que le nombre de paramètres. Quiconque a lu « poids ouverts » et a supposé MIT ou Apache-2.0 va au-devant d’une surprise côté achats. Quiconque a seulement besoin d’appeler le modèle devrait probablement ignorer complètement le téléchargement : l’API hébergée reste à 0,15 $ par million de jetons d’entrée et 0,60 $ par million de jetons de sortie, et quatre jours de fichiers de poids ne changent pas ce calcul pour une équipe qui envoie quelques milliards de jetons par mois.

Qu'y a-t-il réellement dans le dépôt ?

La fiche modèle répond aux questions de spécifications que la publication de lancement de MiniMax avait laissées dans le flou. Les chiffres phares sont ceux qu’il faut garder en tête, car plusieurs d’entre eux diffèrent des résumés du jour du lancement qui ont circulé sans fiche modèle pour les vérifier.

• Paramètres — 428 milliards au total, 23 milliards activés par token, un mélange d'experts multimodal natif

• Téléchargement — 252,4 Go au total : 48 fragments safetensors plus un modèle de draft DSpark de 2,3 Go pour le décodage spéculatif

• Contexte — 1 000 000 de tokens d'entrée ; jusqu'à 524 288 tokens de sortie

• Entrées et sorties — texte, image et vidéo en entrée ; texte en sortie

• Précision — les experts routés et le chemin KV à attention parcimonieuse sont entraînés pour NVFP4, tandis que les experts partagés sont conservés en MXFP8 ; le chemin des requêtes reste en FP8

• Service — vLLM, SGLang et TokenSpeed sont les options recommandées, avec des conteneurs vLLM disponibles dès le jour 0 pour NVIDIA et AMD

• Licence — minimax-community, déposée sur Hugging Face sous license: other

• Prix hébergé — 0,15 $ en entrée, 0,60 $ en sortie, 0,015 $ en entrée mise en cache par million de jetons

La répartition 428B/23B est celle que MiniMax annonce depuis le lancement. Les 252 Go sont une information nouvelle pour quiconque prépare un déploiement : il s'agit de la taille réelle de l'artefact à faire passer par une revue de sécurité, et non d'un nombre théorique de paramètres multiplié par deux octets. Le plafond de sortie est l'autre chiffre à retenir. La documentation de l'API MiniMax autorise 524 288 jetons de sortie, bien au-dessus du plafond de 65 536 jetons de Gemini 3.8 Flash et de celui de DeepSeek V4.1 Flash, fixé à 384 000 jetons. C'est là une capacité de génération longue que l'article de lancement n'a pas mise en avant.

La licence est la partie à lire deux fois.

MiniMax qualifie cela de publication à pondérations ouvertes (« open-weights »), et au sens ordinaire de l'expression — des fichiers téléchargeables, sans clé API — c'en est bien une. C'est du côté de la licence que le mot « ouvert » commence à porter moins. La licence communautaire MiniMax accorde un usage, une modification et une redistribution gratuits à des fins non commerciales. L'usage commercial est autorisé, mais il s'accompagne de deux obligations que la licence MIT ne comporte pas.

Le premier point est l’attribution. Un déploiement commercial doit afficher « Built with MiniMax M3 » de manière bien visible sur un site web associé, une interface utilisateur, un article de blog, une page « À propos » ou la documentation produit. Le modèle est M3.1 Flash ; la chaîne requise indique toujours M3, le genre de détail qui passe inaperçu jusqu’à ce qu’une revue juridique le repère.

Le second est un seuil de chiffre d’affaires. À 20 millions de dollars de chiffre d’affaires annuel ou en dessous, une entreprise doit envoyer à MiniMax une notification ponctuelle par e-mail. Au-dessus de 20 millions de dollars, elle doit obtenir l’autorisation écrite préalable de MiniMax avant toute utilisation commerciale. La licence définit l’utilisation commerciale de manière suffisamment large pour couvrir l’offre d’un produit ou d’un service qui repose sur le modèle, l’exploitation d’une API commerciale par-dessus, et le déploiement d’une version affinée ou post-entraînée à des fins commerciales. Une activité d’inférence hébergée bâtie sur ces poids relève pleinement de cette définition.

Ce n’est pas une raison d’éviter la publication. C’est une raison de lire la publication correctement. Pour une startup sous le seuil, le coût pratique se résume à un e-mail et à une ligne d’attribution. Pour une entreprise plus grande, c’est une conversation sur les licences avec un laboratoire chinois, selon un calendrier contrôlé par MiniMax. Comparez cela avec DeepSeek V4.1 Flash, distribué sous licence MIT et ne nécessitant aucun préavis, et le secteur des modèles à poids ouverts n’est pas sur un pied d’égalité, même lorsque les deux checkpoints sont téléchargeables.

252 Go est le chiffre facile ; 76 séquences simultanées est celui qui est utile.

Le détail intéressant côté serving vient du billet vLLM jour 0, plus précis que les supports de lancement de MiniMax eux-mêmes. Le checkpoint NVFP4 pèse 250,1 GB selon la comptabilité de vLLM, contre 451,5 GB pour MiniMax-M3 en MXFP8 — une réduction de 44,6 %. Le cache KV passe de 61 440 octets par token à 34 560, soit une baisse de 43,75 %, car l'indexeur d'attention éparse et le chemin d'attention fonctionnent tous deux en NVFP4.

La conséquence est la concurrence en contexte long, c’est-à-dire le nombre qui détermine si l’auto-hébergement est viable. Sur quatre GPU NVIDIA B300 avec des séquences de 256K tokens, vLLM rapporte 76 séquences simultanées pour M3.1 Flash, tandis que M3 avec un cache KV FP8 en loge 28, soit environ 2,7 fois plus. À l’extrémité sensible à la latence de son exécution GB300 AgentX, la pile maintient 418,9 tokens de sortie par seconde et par utilisateur tout en servant 38,6K tokens au total par seconde et par GPU. À l’extrémité axée sur le débit, elle atteint 153,8K tokens au total par seconde et par GPU, à environ 127 tokens par seconde et par utilisateur. Sur Rubin, la même recette rapporte 724,9 tokens par seconde et par utilisateur, et sur AMD MI355X, elle en rapporte 331.

Ce sont des benchmarks de frameworks sur un matériel spécifique, pas des mesures indépendantes en production. Ils restent néanmoins les chiffres les plus utiles de cette version, car ils répondent à une question à laquelle un nombre de paramètres ne peut pas répondre : combien de requêtes à contexte long tiennent sur la machine que vous pouvez réellement louer. Un modèle 428B qui fait tenir 76 séquences 256K simultanées sur quatre GPU est un objet d’approvisionnement différent d’un modèle 428B qui n’en fait tenir que huit.

Ce que coûte l’auto-hébergement, et quand l’API reste le meilleur choix

Le seuil de rentabilité des poids ouverts est une question d’utilisation, pas de prix. À 0,60 $ par million de jetons de sortie, un milliard de jetons de sortie par mois coûte 600 $ via l’API de MiniMax. Quatre GPU B300 coûtent bien plus que cela à louer ou à posséder, avant même l’électricité, le réseau et l’ingénieur qui maintient la pile de service à jour. Une équipe capable de garder ces GPU occupés au niveau de débit élevé du benchmark de vLLM achète des jetons à un tarif effectif très différent ; une équipe qui n’en a besoin que deux heures par jour subventionne du silicium inactif.

Les charges de travail qui justifient le téléchargement sont celles où le prix de l’API n’est pas la contrainte déterminante. Des données qui ne peuvent pas quitter un environnement contrôlé. Des exécutions de fine-tuning qui nécessitent l’accès aux poids, où vLLM rapporte un RL de bout en bout avec veRL, FSDP2 et LoRA de rang 32 sur le checkpoint NVFP4, et une exécution GRPO de 200 étapes qui a fait passer la précision sur AIME-2024 de 36,3 % à 67,5 % sur 16 GB300s. Des boucles d’agents sensibles à la latence où le saut réseau et la file d’attente du fournisseur font partie du p95. Et des tâches par lots suffisamment importantes pour qu’un cluster fixe soit plus avantageux qu’une facture à l’usage.

Pour tous les autres, la solution hébergée reste le choix par défaut raisonnable, et cette version ne change rien à cela. Les poids sont une option stratégique, pas une réduction de coûts qui s’impose par défaut.

Ce que les poids ne corrigent pas

Trois problèmes survivent intacts au téléchargement. Le premier est la fiabilité. L’évaluation AA-Omniscience d’Artificial Analysis a placé M3.1 Flash à la 16e place au classement général, avec un taux d’hallucination de 93 % : lorsque le modèle ne connaissait pas la réponse, il répondait quand même presque à chaque fois au lieu de s’abstenir. Il s’agit d’un comportement mesuré, et non d’une affirmation d’un fournisseur, et c’est le genre de chose qui compte davantage dans un agent capable d’agir que dans un chatbot que l’on peut ignorer. Les poids ouverts permettent de faire du fine-tuning pour contourner ce problème ; ils ne le font pas disparaître au checkpoint.

La deuxième est la provenance des benchmarks. Les chiffres de lancement — DeepSWE v1.1 à 73,7 %, Agents' Last Exam à 29,6, OSWorld V2 à 61,7, CyberGym à 82,2, BankerToolBench à 76,2 — sont des exécutions de MiniMax sur les harnais choisis par MiniMax. Aucun n'a été reproduit de manière indépendante. La fiche du modèle avertit explicitement que les quantisations tierces peuvent différer, ce qui est un aveu utile : les chiffres décrivent les poids officiels dans la configuration de MiniMax, et non ce que votre pile de service produit après une quantification plus poussée.

Le troisième est le contrôle. La réflexion ne peut pas être désactivée : l’API de MiniMax rejette thinking: {"type": "disabled"} avec un HTTP 400, et le seul levier est l’échelle d’effort à cinq échelons, de low à max, max étant la valeur par défaut lorsque le champ est omis. Les tokens de réflexion sont facturés comme des tokens de sortie et entrent dans le décompte de max_tokens. Sur l’Intelligence Index, le modèle a consommé environ 180 millions de tokens de sortie, bien au-dessus de la médiane, ce qui explique pourquoi son coût de 0,22 $ par tâche terminée est meilleur que ne le suggère son tarif par token, mais reste influencé par sa verbosité.

Comment l'appeler maintenant ?

MiniMax M3.1 Flash est disponible via l'API propre à MiniMax, M Plan et MiniMax Code, ainsi que sur plusieurs plateformes tierces. Il ne figure pas aujourd'hui au catalogue d'OrcaRouter, et cet article ne prétend pas le contraire. Ce qu'OrcaRouter route, c'est le reste de la famille et les modèles avec lesquels elle est habituellement mise en concurrence : MiniMax-M3, DeepSeek V4.1 Flash et Gemini 3.8 Flash répondent tous avec une seule clé, au prix catalogue du fournisseur avec 0 % de marge, et avec une bascule automatique entre les routes. Si vous évaluez M3.1 Flash face à une solution en place, cela vous donne le côté « solution en place » de la comparaison sans second contrat, et vous offre une solution de repli pendant que le nouveau modèle accumule son historique opérationnel.

Si vous hébergez vous-même, le conteneur vLLM est la voie la plus directe, et la recette NVFP4 est celle que décrivent les chiffres ci-dessus. Si vous appelez l’API, cette version change peu de choses cette semaine, hormis vos options d’approvisionnement.

Le résumé honnête, c’est que les poids sont bien réels, que le volet serving est plus solide que prévu et que la licence est plus restrictive que ce que l’expression « open weights » vous prépare à accepter. MiniMax a livré un modèle de 428 B réellement téléchargeable, avec une recette sur quatre GPU et une empreinte de 252 Go. Il n’a pas livré ce modèle sous licence MIT, et la différence comptera précisément pour les entreprises assez grandes pour se soucier de la ligne des 20 millions de dollars.