Paramètres de MiniMax M3.1 Flash : 428 milliards au total, 23 milliards actifs, et le nombre qui décide de votre facture

MiniMax M3.1 Flash

Ce que MiniMax a réellement publié

MiniMax a publié MiniMax M3.1 Flash le 19 octobre 2026 et a mis les poids en ligne sur Hugging Face le 23 octobre. La fiche du modèle répond aux questions de spécifications que l'article de lancement avait laissées en suspens, et plusieurs de ses chiffres diffèrent des résumés qui ont circulé entre-temps.

• Paramètres — 428 milliards au total, 23 milliards activés par token, dans une architecture native multimodale de mélange d’experts.

Téléchargement — 252.4 GB répartis sur 48 fragments safetensors, plus un drafter DSpark de 2.3 GB pour le décodage spéculatif.

• Contexte et sortie — 1 000 000 de jetons en entrée ; jusqu’à 524 288 jetons en sortie.

• Modalités — texte, image et vidéo en entrée ; texte en sortie.

• Précision — les experts routés et le chemin KV à attention creuse sont entraînés pour NVFP4, les experts partagés sont conservés en MXFP8, et le chemin de requête reste en FP8.

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

• Tarif de l'API hébergée — 0,15 $ par million de tokens d'entrée, 0,60 $ en sortie, 0,015 $ pour une lecture d'entrée mise en cache.

• Licence — minimax-community, déposée sur Hugging Face sous code>license: other/code>, qui n'est ni MIT ni Apache.

Total contre actif : ce que font les 23 milliards

Un modèle dense de 428 milliards de paramètres exécuterait chaque paramètre pour chaque token. Un mélange d'experts route chaque token vers un sous-ensemble d'experts, de sorte que le calcul par token est déterminé par le chiffre des 23 milliards de paramètres actifs, tandis que l'empreinte mémoire est déterminée par le total de 428 milliards. Cette séparation explique pourquoi les deux chiffres sont généralement cités ensemble, et pourquoi citer un seul des deux induit en erreur dans une direction prévisible : le total indique le matériel nécessaire, le nombre de paramètres actifs indique approximativement ce que coûte un token en calcul.

La conséquence pratique est que 23 milliards de paramètres actifs ne correspond pas à « un modèle de 23 milliards de paramètres ». Il s’agit d’un modèle doté de 428 milliards de paramètres de connaissances stockées et de 23 milliards de paramètres de travail par token — ce qui décrit raisonnablement pourquoi il peut à la fois démarrer rapidement et être relativement lourd à héberger.

Le chiffre de 252,4 Go correspond à ce que cela donne dans un document d’achat : non pas un nombre théorique de paramètres multiplié par deux octets, mais l’artefact que l’on fait passer par une revue de sécurité. Le choix d’entraînement en NVFP4 est ce qui le maintient à ce niveau. Dans le décompte de vLLM, le checkpoint NVFP4 pèse 250,1 Go contre 451,5 Go pour MiniMax-M3 en MXFP8 — soit une réduction de 44,6 % — et le cache KV passe de 61 440 octets par token à 34 560, soit une baisse de 43,75 %, car l’indexeur d’attention creuse et le chemin d’attention fonctionnent tous deux en NVFP4.

Ce que coûtent les paramètres au moment du service

Le nombre que le décompte de paramètres ne peut pas vous donner, c’est la concurrence, et c’est elle qui détermine si l’auto-hébergement est viable. Sur quatre GPU NVIDIA B300 avec des séquences de 256 000 tokens, vLLM rapporte 76 séquences simultanées pour MiniMax M3.1 Flash, là où MiniMax-M3 avec un cache KV FP8 en prend en charge 28 — 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 38,6 K tokens au total par seconde et par GPU ; à l’extrémité débit, elle atteint 153,8 K 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, 331.

Ce sont des benchmarks de framework sur du matériel spécifique, publiés par le framework, et non des mesures de production indépendantes. Ils restent plus pertinents pour la décision que n’importe quelle ligne de benchmark, car un modèle de 428B qui prend en charge 76 séquences concurrentes de 256K sur quatre GPU constitue un objet d’approvisionnement différent d’un modèle qui n’en prend en charge que huit.

Le coût des 23 milliards n’est pas le prix d’un token.

Voici où le discours sur les paramètres et la facture divergent. MiniMax M3.1 Flash est facturé à 0,15 $ et 0,60 $, soit la moitié du prix d’entrée et environ un quart du prix de sortie de Gemini 3.5 Flash-Lite. Sur la mesure du coût par tâche accomplie d’Artificial Analysis, il perd encore : 0,22 $ contre 0,19 $.

La raison est visible dans le même jeu de données. Sur l'Intelligence Index, le modèle a consommé environ 180 millions de tokens de sortie, contre une médiane proche de 100 millions pour les modèles suivis par Artificial Analysis. La réflexion ne peut pas être désactivée — l'API de MiniMax rejette code>thinking: {"type": "disabled"}/code> avec une erreur 400, et le seul levier est une échelle d'effort à cinq niveaux, 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 sont décomptés de code>max_tokens/code>.

Le résumé exact de l'économie des paramètres est donc le suivant : le nombre de paramètres actifs est assez faible pour que le modèle reste rapide, la verbosité est assez élevée pour que la facture ne soit pas aussi légère que le laisse entendre la grille tarifaire, et ces deux faits sont sans rapport l'un avec l'autre. Dans les tâches agentiques et de programmation, la délibération rentabilise généralement ses tokens. Pour l'extraction ou la classification, ce n'est pas le cas.

Le résultat en matière d’intelligence est respectable plutôt que de pointe : 43 sur l’Artificial Analysis Intelligence Index, cinquième sur 173 modèles, avec Terminal-Bench 4.0 à 26 %, AutomationBench-AA à 73 %, GDPval-AA à 1 458 et SciCode à 53 %. Le résultat d’abstention est celui autour duquel il faut concevoir — AA-Omniscience lui attribue 16, avec un taux d’hallucination de 93 %, ce qui signifie que lorsqu’il ne connaissait pas une réponse, il répondait quand même presque à chaque fois au lieu de s’abstenir.

Vitesse, mesurée de deux manières

Les chiffres de vitesse publiés ne concordent pas, et ce désaccord est instructif plutôt qu’inquiétant. Artificial Analysis a mesuré 1,48 seconde jusqu’au premier token à 95,6 tokens de sortie par seconde ; les propres documents de MiniMax annoncent une médiane supérieure à 170 tokens par seconde, avec des pics au-dessus de 200. Le chemin de service et les conditions de mesure font beaucoup varier ce chiffre, c’est pourquoi notre propre route mérite d’être citée séparément : un p50 de 1,29 seconde jusqu’au premier token et un p95 de 4,40 secondes sur les sept derniers jours de trafic sur code>minimax/minimax-m3.1-flash/code>.

C’est la forme que prend un modèle routé. La manière honnête de le comparer à un acteur en place consiste à mesurer votre propre route plutôt qu’à faire confiance à un chiffre unique provenant de l’un ou l’autre fournisseur.

La ligne de licence fait partie de la spécification.

Deux obligations vont de pair avec les poids, et aucune n’apparaît dans un nombre de paramètres. Les déploiements commerciaux doivent afficher de façon bien visible la chaîne "Built with MiniMax M3" sur un site web associé, une interface, un article de blog, une page À propos ou la documentation produit — le modèle est M3.1 Flash et l’attribution requise indique toujours M3, le genre de détail qu’une revue juridique ne relève que tardivement. Et à 20 millions de dollars de chiffre d’affaires annuel ou moins, une entreprise doit adresser à MiniMax une notification unique par e-mail ; au-delà de ce seuil, une autorisation écrite préalable est requise avant toute utilisation commerciale.

La licence définit l’usage commercial de manière suffisamment large pour couvrir un produit construit sur le modèle, une API commerciale par-dessus celui-ci et un déploiement affiné. Pour une startup sous le seuil, le coût se limite à un e-mail et à une ligne d’attribution. Pour une entreprise plus grande, c’est une discussion de licence selon un calendrier que MiniMax contrôle. DeepSeek V4.1 Flash est distribué sous licence MIT et ne nécessite aucune notification, ce qui explique pourquoi « open weights » n’est pas une catégorie unique, même lorsque les deux checkpoints sont téléchargeables.

Appelez-le ou téléchargez-le

Le seuil de rentabilité des poids ouverts est une question d’utilisation. À 0,60 $ par million de tokens de sortie, un milliard de tokens de sortie par mois coûte 600 $ via l’API hébergée ; quatre GPU B300 coûtent plus que cela avant même de compter l’électricité, le réseau et l’ingénieur qui maintient la pile de service à jour. Le téléchargement l’emporte pour les données qui ne peuvent pas quitter un environnement contrôlé, pour les exécutions de fine-tuning qui nécessitent un accès aux poids — 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 GB300 — et pour les tâches par lots suffisamment importantes pour qu’un cluster fixe soit plus avantageux qu’une facture à l’usage.

Pour tous les autres, la route hébergée est le choix par défaut raisonnable, et MiniMax M3.1 Flash figure dans le catalogue OrcaRouter sous code>minimax/minimax-m3.1-flash/code> au prix catalogue du fournisseur, avec 0 % de marge : 0,15 $ en entrée, 0,60 $ en sortie, 0,015 $ en cache, une clé aux côtés de MiniMax-M3 et des modèles auxquels on le compare habituellement. Le basculement automatique couvre le cas où un fournisseur connaît un après-midi difficile, et le DSL de routage peut envoyer l’étape difficile d’un pipeline vers un modèle plus puissant tandis que l’essentiel reste ici.

Si la question du paramètre vous a amené ici, la réponse courte est 428 milliards au total et 23 milliards actifs. La réponse longue, c'est qu'aucun de ces deux chiffres n'apparaît sur votre facture, et que les deux qui y figurent sont les tokens de sortie que le modèle choisit de dépenser et le seuil de licence que vous pourriez un jour franchir.

Note sur les sources : les nombres de paramètres, le dépôt de 252,4 Go, le schéma de précision, les conditions de licence et les lignes de benchmark des fournisseurs proviennent de la fiche modèle et des documents de lancement de MiniMax, consultés le 26 octobre 2026. Les tailles de checkpoint NVFP4, les octets de cache KV par token, les chiffres de concurrence, les nombres de débit et le résultat GRPO proviennent de l'article day-0 de vLLM et sont des benchmarks de framework sur du matériel explicitement indiqué. Le score Intelligence Index, le coût par tâche, l'estimation de consommation de tokens et les chiffres AA-Omniscience sont ceux d'Artificial Analysis. Les prix, le contexte et le p50 de 1,29 seconde proviennent du catalogue d'OrcaRouter et de notre propre trafic sur sept jours.