MiniMax-M3.1-Flash vs MiniMax-M3 : moitié prix, aucun poids

MiniMax-M3.1-Flash coûte exactement moitié moins que MiniMax-M3 par token, obtient treize points de plus sur l’Artificial Analysis Intelligence Index et est le modèle vers lequel MiniMax redirige désormais ses propres abonnés historiques. C’est aussi le premier modèle de cette gamme que l’on ne peut pas télécharger. MiniMax-M3, sorti le 1er juin 2026, est un mélange d’experts de 428 milliards de paramètres avec 23 milliards de paramètres actifs, des poids publiés sur Hugging Face et une grille tarifaire que l’on peut lire dans un tableau ; MiniMax-M3.1-Flash, sorti le 19 octobre 2026, est un modèle fermé avec un meilleur score de référence, un chemin de service plus rapide et la promesse que les poids arriveront « plus tard ». Toute la décision tient dans cette phrase, et l’écart de prix en est une distraction — mais une distraction suffisamment importante pour qu’il vaille la peine de faire le calcul avant de décider. Les défaillances documentées de l’IA et les incidents d’agents à l’origine de versions comme celle-ci sont recueillis dans l’Archive des incidents IA OrcaRouter où chaque entrée porte ses propres sources, une note de gravité, un niveau de confiance et un indicateur de contestation.

Ce que disent réellement les deux grilles tarifaires

Commencez par l'argent, car c'est là que l'argument marketing et la facture divergent.

• Entrée standard — MiniMax-M3.1-Flash à 0,15 $ par 1 M contre MiniMax-M3 à 0,30 $ par 1 M, jusqu’à 512 000 tokens d’entrée

• Sortie standard — 0,60 $ par 1M contre 1,20 $ par 1M, même seuil de 512 000 tokens

• Au-delà de 512 000 jetons d'entrée — MiniMax-M3 double, à 0,60 $ en entrée et 2,40 $ en sortie ; MiniMax-M3.1-Flash ne publie aucun surcoût pour contexte long

• Lectures en cache — 0,015 $ par 1 M contre 0,06 $ par 1 M

• Admission prioritaire — non proposée sur MiniMax-M3.1-Flash ; MiniMax-M3 la propose à 1,5× le tarif standard, soit 0,45 $/1,80 $ en dessous du seuil et 0,90 $/3,60 $ au-dessus.

• Intelligence Index — 42 contre 29, selon Artificial Analysis

• Coût par tâche Index — 0,22 $ contre 0,51 $, soit une réduction de 57 % plutôt que les 50 % qu’implique la grille tarifaire

• Fenêtre de contexte — 1 000 000 de tokens pour les deux, bien que notre catalogue indique MiniMax-M3 à 1 048 576

• Vitesse de sortie — 125,5 jetons par seconde contre 106,4, tous deux mesurés indépendamment

• Poids — promis plus tard vs publiés, ouverts, sur Hugging Face

• Paramètres — non divulgués, décrits uniquement comme une « sparsité plus agressive » par rapport à 428B au total et 23B actifs

Deux lignes de cette liste pèsent plus lourd que leur longueur ne le suggère. La première est le supplément pour contexte long. Si votre charge de travail dépasse régulièrement 512 000 jetons d’entrée — une passe de codage sur l’ensemble d’un dépôt, une longue transcription, un ensemble de documents — l’écart effectif n’est pas de 2× mais de 4× en entrée et de 4× en sortie, car MiniMax-M3.1-Flash n’applique aucun palier tarifaire. La seconde est l’admission prioritaire. MiniMax-M3 peut acheter une voie de service plus rapide pour 1,5× ; MiniMax-M3.1-Flash ne peut en acheter une à aucun prix. Sa référence API indique service_tier comme non pris en charge. Si la latence sous charge était la raison pour laquelle vous avez payé M3, le modèle plus récent ne vous vend pas ce levier — il vous vend un chemin de service sous-jacent plus rapide, puis il vous retire ce levier.

Atteindre la moitié du coût est plus facile que d’atteindre la moitié de la facture.

Diviser par deux la grille tarifaire ne divise pas par deux la facture, et c’est l’erreur la plus courante dans la planification de migration pour cette paire. MiniMax-M3.1-Flash réfléchit à chaque requête avec un effort par défaut maximal, on ne peut pas lui demander d’arrêter, et il est manifestement verbeux : il a consommé 180 millions de tokens de sortie sur l’Intelligence Index, alors que le modèle médian en a consommé 99 millions. MiniMax-M3 permet de désactiver entièrement la réflexion, et celle-ci est désactivée par défaut sur le point de terminaison compatible Anthropic.

Mettez-y un chiffre. Prenez une tâche d’étiquetage de documents qui envoie 2 000 tokens d’entrée de schéma et d’instructions par appel et renvoie 80 tokens de JSON. Sur MiniMax-M3 avec le raisonnement désactivé, vous payez 2 000 × $0.30 par million plus 80 × $1.20 par million — environ $0.0007 par appel. Sur MiniMax-M3.1-Flash, la même tâche, sans possibilité de désactiver le raisonnement, consomme l’entrée à $0.15 par million, mais émet ensuite un bloc de raisonnement qui atteint plusieurs centaines de tokens avant la réponse. À 500 tokens de raisonnement plus 80 tokens de réponse, la facture de sortie est de 580 × $0.60 par million — environ $0.00065. À peine moins cher, et encore, avec une estimation prudente du raisonnement. À 1 500 tokens de raisonnement, le modèle plus récent coûte plus cher que l’ancien pour une sortie identique, car la capacité de l’ancien à désactiver le raisonnement vaut plus que le tarif moins élevé du nouveau.

Changeons maintenant de charge de travail. Une exécution d’agent multi-étapes qui a déjà consommé 40 000 tokens de sortie sur M3 pour des appels d’outils et du raisonnement, avec la réflexion activée parce qu’il fallait réfléchir. M3 facture 40 000 × 1,20 $ par million, soit 0,048 $. M3.1-Flash, au même volume, facture 0,024 $ — et en pratique dépense moins, car les trajectoires sont plus courtes, ce qui explique que le chiffre indépendant du coût par tâche baisse de 57 % plutôt que de 50 %. C’est là que résident les économies : les tâches longues à forte composante de raisonnement, pas les appels déterministes courts.

La règle qui en découle : si vous pouvez décrire votre charge de travail comme « beaucoup de petites réponses », MiniMax-M3.1-Flash est peut-être le modèle le plus coûteux. Si vous pouvez la décrire comme « peu de longues réponses », il est sans conteste le moins cher.

Les poids sont la partie que l’on ne peut pas contourner.

Tous les chiffres ci-dessus sont réversibles. MiniMax pourrait baisser le prix de MiniMax-M3 demain ; il pourrait augmenter celui de M3.1-Flash. Ce qui n’est pas réversible, c’est la licence. MiniMax-M3 est téléchargeable — 428 milliards de paramètres au total, 23 milliards actifs, sur Hugging Face et répliqué dans une version MXFP8 — ce qui signifie que vous pouvez le quantiser, le fine-tuner, l’exécuter sur votre propre matériel, continuer à le servir après que le fournisseur est passé à autre chose, et auditer ce qu’il contient. MiniMax-M3.1-Flash est un point de terminaison hébergé dont MiniMax affirme que les poids seront disponibles plus tard, sans date, sans licence et sans nombre de paramètres.

Cette asymétrie apparaît à trois endroits qu’une comparaison des coûts ne permettra pas de saisir. Conformité : une équipe soumise à réglementation qui doit exécuter l’inférence à l’intérieur de son propre périmètre, ou documenter l’artefact de modèle dont elle dépend, ne peut pas utiliser MiniMax-M3.1-Flash aujourd’hui, à aucun prix. Continuité : le propre calendrier de retrait de MiniMax a déjà intégré deux familles entières de modèles — M2.5 et M2.7 — dans MiniMax-M3.1-Flash le 19 octobre, avec un retrait complet le 18 novembre. Les modèles finissent bel et bien par être désactivés, et la seule façon garantie d’y survivre est d’en posséder une copie. Reproductibilité : un score de benchmark que vous ne pouvez pas réexécuter sur un point de contrôle figé est un score que vous devez accepter sur parole, et chaque chiffre concernant MiniMax-M3.1-Flash dans cet article est de ce type.

Si MiniMax publie les poids, cette section devient obsolète et le souvenir d’un modèle téléchargeable de 428B à 0,30 $ par million devient la note de bas de page la plus intéressante. Tant que ce n’est pas le cas, « plus tard » est une promesse, et c’est l’ancien modèle que vous pouvez avoir en main.

L'écart de capacités est réel, et plus étroit que ne le laisse entendre l'indice.

Treize points sur l’Intelligence Index représentent un grand bond — soit environ une génération de modèle à ce niveau de prix. Mais une partie de cet écart mesure le changement dans la manière dont les modèles sont autorisés à fonctionner plutôt que ce qu’ils savent. MiniMax-M3.1-Flash est évalué avec le raisonnement forcé à son effort maximal ; le résultat à l’index de MiniMax-M3 est produit selon ses propres paramètres par défaut, ce qui, dans un protocole, signifie que la réflexion est désactivée. Une partie de ces treize points relève de l’échelle, pas des poids.

Les éléments de preuve du côté du fournisseur pointent dans la même direction. Les chiffres de lancement de MiniMax pour MiniMax-M3.1-Flash — BankerToolBench 76,2, DeepSWE v1.1 à 73,7 %, OSWorld V2 à 61,7, Agents' Last Exam à 29,6, CyberGym à 82 % — sont tous des évaluations agentiques, chacune dans un cadre où forcer le raisonnement maximal aide. Il n'existe aucune comparaison publiée avec MiniMax-M3 sur les mêmes bancs d'essai, donc l'affirmation honnête est que le modèle plus récent est meilleur sur le travail agentique, d'un écart que personne en dehors de MiniMax n'a mesuré par rapport à son prédécesseur, et que l'indice suggère une amélioration réelle inférieure à treize points une fois la politique de raisonnement maintenue constante.

Là où la différence ne fait aucun doute, c’est sur le plan opérationnel. 125,5 tokens par seconde contre 106,4 représentent un chemin de service 18 % plus rapide, mesuré par un tiers, et cela tient quel que soit la charge de travail. Pour un outil de codage interactif, c’est la différence qu’un utilisateur ressent.

Quand MiniMax-M3.1-Flash est la mauvaise réponse

Trois charges de travail devraient rester sur MiniMax-M3 même après ce lancement, et il vaut la peine de les nommer, car la couverture du lancement ne le fait pas.

Le premier concerne tout ce qui se trouve dans votre propre réseau. Il n’existe aucune version du modèle plus récent que vous puissiez exécuter, et aucune indication quant à la date à laquelle il y en aura une.

La seconde concerne le travail déterministe à grand volume et à faible nombre de tokens — classification, extraction, routage, formatage — où la possibilité de désactiver la réflexion constitue la fonctionnalité de coût décisive, et MiniMax-M3 la propose.

Le troisième cas concerne tout ce qui dépend d’une admission prioritaire. Si votre application a acheté le palier 1,5× de MiniMax-M3 pour maintenir la latence p99 dans le cadre d’un SLA, MiniMax-M3.1-Flash supprime cette option ; vous échangeriez un levier contrôlable contre une base plus rapide que vous ne pouvez pas ajuster.

Tous les autres — pipelines agentiques, boucles d'utilisation de l'ordinateur, sessions de codage à contexte long, équipes dont les charges de travail sont longues plutôt que nombreuses — devraient migrer. Le modèle plus récent est plus rapide, moins cher par tâche accomplie, et meilleur précisément sur les évaluations qui décrivent ce travail.

Exécuter les deux sans exécuter deux intégrations

La réponse réaliste pour la plupart des équipes n’est pas un basculement, mais une répartition : MiniMax-M3 pour les appels courts et déterministes et tout ce qui doit rester sur site, MiniMax-M3.1-Flash pour les longues exécutions agentiques. Les deux viennent du même fournisseur, appartiennent à la même famille de protocoles et, dans le cas du point de terminaison compatible Anthropic, présentent la même forme de requête — la répartition est donc une règle de routage plutôt que deux intégrations SDK.

C'est à cela que sert OrcaRouter : une seule clé API pour plus de 200 modèles, avec les prix catalogue des fournisseurs répercutés à 0 % de marge, ainsi les $0.30/$1.20 de MiniMax-M3 sont ce que vous payez, et une révision tarifaire du fournisseur apparaît sur votre facture le jour où elle apparaît sur la leur. MiniMax-M3 figure dans notre catalogue dès aujourd'hui. MiniMax-M3.1-Flash n'y figure pas — appelez-le via l'API propre à MiniMax, M Plan ou MiniMax Code — de sorte que la répartition ci-dessus fonctionne comme une règle de routage avec une branche hors de chez nous tant que nous ne l'intégrons pas. Le basculement automatique en cas d'échec fait toujours effectivement le travail sous cette forme : si le point de terminaison plus récent est limité en débit ou si un identifiant change sous vos pieds, la requête est redirigée vers MiniMax-M3 plutôt que vers une page d'erreur.

Ce qui rend le split digne d’être construit plutôt que d’être seulement théorisé, c’est que les deux modèles diffèrent réellement par leur forme, pas seulement par leur score. Un routeur qui envoie les appels courts au modèle capable de cesser de réfléchir, et les appels longs au modèle qui ne le peut pas, fait quelque chose que les benchmarks justifient déjà.

La version courte

MiniMax-M3.1-Flash est le meilleur modèle et le moins bon actif. Il obtient 42 contre 29, est 18 % plus rapide et coûte moins cher par tâche accomplie — 57 % de moins sur un indice construit à partir de travaux longs et exigeants en raisonnement. MiniMax-M3 est téléchargeable, moins cher pour les appels courts, et c’est quelque chose que vous possédez. Pour les prochains mois, la posture raisonnable est de faire tourner les deux, de confier le travail long au nouveau et de guetter la publication des poids, car le jour où M​iniMax publiera le checkpoint, le seul argument qui restera en faveur de l’ancien modèle sera la voie prioritaire.