MiniMax M3.1 Flash est désormais servi sur Tenstorrent : ce qu’un modèle de 428 milliards de paramètres sur Tensix prouve réellement

L'article de la salle de presse de Tenstorrent est daté du 22 octobre 2026 et annonce quelque chose de plus restreint et de plus intéressant que « un cloud de plus a ajouté un modèle de plus » : MiniMax M3.1 Flash, le modèle à mélange d'experts de 428 milliards de paramètres que MiniMax a publié le 19 octobre, est désormais disponible sur Tenstorrent Cloud, avec le préremplissage et le décodage exécutés sur des systèmes Blackhole Galaxy. Aucun accélérateur NVIDIA n'intervient nulle part dans cette chaîne de service. Ce que Tenstorrent a publié, c'est une architecture, un schéma de quantification et une méthodologie de réglage. Ce qu'il n'a pas publié, c'est un seul chiffre de débit, un chiffre de latence ou un prix pour son propre service. Cette omission est ce qui détermine s'il s'agit d'un événement marquant ou d'une démonstration, et elle mérite plus d'attention que le tableau de benchmarks du modèle.

Tenstorrent est l’entreprise de puces dirigée par Jim Keller, et son argumentaire a toujours été que le calcul d’IA ne devrait pas reposer sur une pile d’un seul fournisseur. Jusqu’à cette annonce, cet argumentaire avait un problème de crédibilité sur le haut de gamme : les plus grands modèles ouverts étaient couramment servis sur du matériel NVIDIA, avec AMD comme alternative et tout le reste cantonné à des expérimentations sur de petits modèles. Un modèle à mélange d’experts de 428 milliards de paramètres exécutant le préremplissage et le décodage sur du silicium Tensix, relié par Ethernet plutôt que par une interconnexion propriétaire, est le premier déploiement qui donne corps à cet argumentaire avec un modèle de cette taille et d’une telle actualité.

Ce que Tenstorrent a déclaré officiellement

L'annonce est précise sur la topologie de service et vague sur chaque chiffre qu'un acheteur utiliserait. Commençons par les précisions, car il s'agit de véritables affirmations d'ingénierie :

• Disponibilité — Tenstorrent Cloud, sur console.tenstorrent.com, via le Playground ou connecté à un harnais d'agent.

• Chemin de service — le préremplissage et le décodage s'exécutent tous deux sur Tenstorrent Galaxy, plus précisément un supercluster de Blackhole Galaxies. Les systèmes sont répartis par charge de travail : un pool gère le préremplissage, un autre le décodage, et le travail circule entre eux via des liens Ethernet directs à faible latence.

• Mémoire — chaque Blackhole Galaxy embarque 1 To de DRAM ainsi que plusieurs téraoctets de SSD. Les poids et le cache KV restent résidents en DRAM ; le SSD conserve le cache KV déchargé afin qu’un tour d’agent qui revient n’ait pas à recalculer son contexte.

• Quantification — les poids MLP, les poids d’attention, l’indexeur et l’expert partagé sont stockés en MXFP8 ; les experts routés sont stockés en NVFP4.

• Forme du modèle — l’attention éparse a remplacé l’attention globale à requêtes groupées, et les MLP denses n’apparaissent que dans les trois premières couches.

• Données d'ajustement — Tenstorrent indique avoir ajusté le déploiement sur les traces de l'agent de codage AgentX de SemiAnalysis, c'est-à-dire de véritables sessions multi-tours et un fan-out de sous-agents plutôt que de courts benchmarks de chat.

• Prix indiqué — 0,15 $ par million de jetons d'entrée, 0,60 $ par million de jetons de sortie, 0,015 $ par million de jetons d'entrée mis en cache. Il s'agit du prix catalogue de MiniMax ; l'annonce ne publie pas de tarif Tenstorrent distinct, il n'est donc pas encore possible de dire si l'exécution du modèle ici coûte plus ou moins cher que son exécution sur GPU.

Le déploiement existe parce que les poids ont été publiés.

Le fait le plus important derrière cette annonce n’est pas le silicium. C’est que MiniMax ait publié les poids, tout simplement. Le dépôt de 252,4 Go a été mis en ligne sur Hugging Face le 23 octobre, et la publication de Tenstorrent est datée de la veille — ce qui suggère que le portage a été réalisé grâce à un accès partenaire plutôt qu’à partir d’un téléchargement public. Un fournisseur de matériel tiers ne peut pas porter un modèle qu’il ne peut pas obtenir, et Tenstorrent n’est pas une filiale de MiniMax qui distribuerait son propre checkpoint. C’est le mécanisme par lequel des poids ouverts créent de la concurrence matérielle : chaque laboratoire qui publie un checkpoint transforme chaque fabricant de puces volontaire en canal de distribution potentiel, et chaque fabricant de puces qui prend en charge le modèle rend à son tour les poids du laboratoire plus précieux.

La même logique explique pourquoi les modèles frontière fermés n’apparaissent pas dans ce type d’annonce. Un fournisseur peut vous louer un point de terminaison API pour un modèle propriétaire, mais il ne peut ni quantifier les poids dans ses propres formats numériques, ni optimiser ses kernels en fonction du schéma d’attention creuse du modèle, ni répartir le prefill et le decode sur sa propre infrastructure. Le portage est le produit, et le portage exige le fichier.

C'est aussi pourquoi le « open » de cette histoire doit être scindé en deux choses distinctes. La pile logicielle de Tenstorrent — TT-Metalium, TT-NN, TT-Forge — est open source, et c'est ce qui rend réalisable un portage par un tiers. Les poids de MiniMax sont des poids ouverts, pas de l'open source. Le dépôt fait 252,4 Go répartis sur 48 fragments safetensors, plus un modèle brouillon de 2,3 Go dédié au décodage spéculatif, et il est distribué sous la MiniMax Community Licence, qui impose une attribution lors des déploiements commerciaux et une autorisation écrite préalable dès que le chiffre d'affaires annuel dépasse 20 millions de dollars. Deux « open » différents, un seul chemin de service.

Pourquoi le chemin de service est scindé en deux

La séparation prefill/decode n'est pas une idiosyncrasie propre à Tenstorrent ; c'est la réponse standard à un problème que créent les charges de travail des agents. Le prefill est limité par la puissance de calcul et n'intervient qu'une fois par prompt. Le decode est limité par la bande passante mémoire et n'intervient qu'une fois par token généré, tant que la réponse se poursuit. Placez-les sur les mêmes appareils et un long prompt qui arrive en cours de flux vole de la puissance de calcul à chaque utilisateur en train de décoder, ce qui est exactement le type de blocage qui donne aux produits agentiques l'impression d'être défaillants.

Séparer les pools permet de dimensionner chaque côté en fonction de son propre goulot d'étranglement. La description de Tenstorrent précise explicitement que le pool de prefill répartit un prompt sur de nombreuses puces grâce à une bande passante élevée entre appareils, tandis que le pool de décodage conserve les poids et le cache KV en DRAM et exécute les étapes de manière indépendante. Les liaisons Ethernet assurent le transfert.

Ethernet est le choix intéressant. Une interconnexion scale-up propriétaire offre plus de bande passante et une latence plus faible que l’Ethernet standard, et la position de NVIDIA dans le calcul IA repose en partie sur la possession de cette interconnexion. Tenstorrent soutient que, pour cette charge de travail — un modèle mixture-of-experts avec 23 milliards de paramètres actifs et un plan de service qui sépare déjà le prefill du decode —, l’Ethernet standard suffit, et que l’économie du scale-out est meilleure parce que l’interconnexion ne constitue pas un second verrouillage. C’est un argument plausible, pas un argument prouvé. Il le deviendra lorsque quelqu’un publiera des jetons par seconde par dollar sur un déploiement multi-nœuds, et personne ne l’a fait.

L’arithmétique qui permet de faire tenir un 428B dans un seul rack

Le modèle compte 428 milliards de paramètres au total et en active 23 milliards par token. En BF16, cela représente environ 856 Go avant tout cache KV ou surcoût d’exécution. Un seul Blackhole Galaxy correspond à 32 ASIC Blackhole de 32 Go de GDDR6 chacun — le 1 To annoncé par Tenstorrent —, donc une copie en BF16 consommerait environ 84 % de la mémoire du système et laisserait environ 170 Go pour tout le reste. Sur un contexte d’un million de tokens, avec un cache KV qui doit survivre à plusieurs tours d’agent, ce n’est pas une marge confortable.

Le téléchargement publié fait 252,4 Go. C’est ce chiffre qui rend le déploiement viable : il laisse de l’ordre de 770 Go du téraoctet du Galaxy pour le cache KV, les activations et le drafter de décodage spéculatif. C’est le schéma de précision mixte qui permet de gagner cet espace — MXFP8 pour les poids partagés et ceux du côté attention, NVFP4 pour les experts routés, qui constituent l’essentiel des paramètres et la partie qui n’est sollicitée que de manière parcimonieuse. L’attention éparse et les MLP denses limités aux trois premières couches réduisent encore le trafic mémoire.

Ce calcul est le nôtre, fondé sur des chiffres publiés, et non sur une affirmation de Tenstorrent. Mais il explique la forme de l’annonce : le portage est crédible précisément parce que les experts routés en 4 bits font passer un modèle de 856 Go à un fichier de 252 Go, qui tient sur un système de 32 puces avec encore de la place pour un contexte long.

Ce que Tenstorrent n'a pas publié

Il n’existe aucun chiffre de jetons par seconde, aucun chiffre de temps jusqu’au premier jeton, aucun chiffre de concurrence et aucun prix pour le point de terminaison hébergé par Tenstorrent. Pour un déploiement dont toute la prémisse est que du silicium non-NVIDIA peut servir un modèle ouvert de classe frontière, ce sont ces quatre chiffres qui trancheraient le débat. Leur absence ne prouve pas que le déploiement est lent. Elle prouve que l’annonce est une déclaration de capacité plutôt qu’un résultat de benchmark, et les lecteurs devraient la classer en conséquence.

Les seuls chiffres de vitesse publics pour MiniMax M3.1 Flash concernent un autre déploiement. MiniMax affirme une médiane supérieure à 170 jetons de sortie par seconde et des pics au-dessus de 200 sur sa propre API. Artificial Analysis, qui mesure l’API hébergée plutôt que le matériel de Tenstorrent, enregistre 95,6 jetons de sortie par seconde avec un temps jusqu’au premier jeton de 1,48 seconde. Cela représente un écart d’environ 1,8× entre l’affirmation du fournisseur et une mesure indépendante sur un chemin de service différent, ce qui rappelle utilement que « le modèle est rapide » et « ce déploiement est rapide » sont deux affirmations distinctes.

Ce qu'Artificial Analysis établit réellement au sujet du modèle est plus pertinent pour le cas d'usage Tenstorrent que le benchmark mis en avant. M3.1 Flash obtient 43 sur l'Intelligence Index, coûte environ 0,22 $ par tâche de l'indice terminée et obtient 16 sur AA-Omniscience avec un taux d'hallucination de 93 % — ce qui signifie que, lorsqu'il ne connaissait pas une réponse, il produisait généralement une réponse erronée au lieu de refuser de répondre. Tenstorrent a ajusté ce déploiement sur des traces d'agents. Les boucles d'agents sont précisément l'endroit où les réponses erronées assurées coûtent le plus cher, car l'appel d'outil suivant en hérite. Un chemin de service rapide et peu coûteux ne corrige pas cela ; il rend la couche de vérification plus importante.

Que faire de cela si vous achetez de l’inférence

Pour la plupart des équipes, la réponse pratique cette semaine est « testez-le, ne migrez pas vers lui ». Le Playground est le moyen le moins coûteux de voir si le comportement du modèle convient à votre charge de travail, et l’intégration du harnais d’agents de Tenstorrent est la partie intéressante à sonder, car le déploiement a été optimisé pour l’utilisation d’outils en plusieurs tours plutôt que pour le chat en un seul tour. Apportez vos propres traces. Le tuning d’AgentX par SemiAnalysis vous indique ce pour quoi Tenstorrent a optimisé ; il ne vous dit pas comment vos prompts se comporteront.

Ne le mettez pas sur un chemin de production tant que deux choses n’existent pas : une valeur publiée de débit et de latence de Tenstorrent, et votre propre mesure de la qualité par tâche. La première n’attend qu’un fournisseur pour être tranchée. À la seconde, vous seul pouvez répondre.

Une remarque honnête sur la place d’OrcaRouter dans tout cela. M3.1 Flash ne figure pas dans notre catalogue ; la gamme MiniMax y disponible s’arrête à MiniMax-M3. Par conséquent, les moyens d’appeler le nouveau modèle aujourd’hui sont Tenstorrent Cloud et l’API propre à MiniMax, et nous n’en faisons pas partie. Ce qu’OrcaRouter fournit, c’est la base de comparaison dont vous avez besoin avant de vous engager : MiniMax-M3 et plus de 200 autres modèles derrière une seule clé, au prix catalogue du fournisseur avec 0 % de marge, afin que la question « le nouveau modèle est-il réellement meilleur pour ma charge de travail que celui que j’utilise déjà » puisse trouver une réponse sans second contrat ni deuxième relation de facturation.

Le nombre qui transformerait un port en prix

Tenstorrent a démontré quelque chose de concret : un modèle mixture-of-experts de 428 B, quantifié dans un format mixte 4/8 bits, exécutant les deux moitiés de l’inférence sur du silicium Tensix via Ethernet, avec des outils open source et une méthodologie de réglage publiée. C’est une preuve de portabilité, et c’est la première à cette échelle de modèle qui ne passe pas par CUDA.

Il n'a pas démontré que le portage soit moins cher, plus rapide ou plus fiable que la voie GPU. Le Galaxy est un système BlockFP8 6U à 32 ASIC, d'environ 23 PFLOPS, affiché à 110 000 $ lors de sa disponibilité générale en avril 2026, avant même d'ajouter le réseau de supercluster utilisé par ce déploiement. Savoir si ce matériel, exécutant ce modèle, produit un meilleur coût par million de jetons qu'un cluster H100 ou MI300X est toute la question commerciale, et l'annonce la laisse sans réponse.

La prochaine chose à surveiller n’est donc pas un autre modèle sur le même matériel. C’est un chiffre de tokens par seconde et une grille tarifaire de Tenstorrent, suivis par un second fournisseur de silicium réalisant le même portage. Lorsque ces éléments existeront, les poids ouverts se seront transformés en une véritable concurrence matérielle. D’ici là, la description exacte est celle d’une démonstration architecturale crédible dont la moitié commerciale reste non publiée.