MiniMax מינתה את Inferact כשותף להשקת API עבור M3.1 Flash. המודל לא השתנה — שכבת ההגשה כן.

ב-21 באוקטובר 2026, יומיים לאחר ש-MiniMax-M3.1-Flash הפך לזמין באופן כללי, החשבון של M​iniMax ב-X ציין את Inferact כשותף השקה ל-API של המודל, תוך ייחוס מומחיותה ב-vLLM ותיאור שיתוף הפעולה כבניית "תשתית ההגשה לעומסי סוכנים מורכבים". זו כל ההודעה הפומבית: פוסט אחד, בלי רשומה בבלוג, בלי פירוט טכני. בכל זאת כדאי להתייחס לזה ברצינות, משום שזה הדבר הראשון שמישהו אמר בפומבי על איך המודל הזה יוגש בפועל — ולמודל שהטענה המרכזית שלו היא האצה פי שלושה, שכבת ההגשה אינה הערת שוליים. היא הטענה.כשלי ה-AI ותקריות הסוכנים המתועדים שמאחורי שחרורים כמו זה נאספים בארכיון תקריות ה-AI של OrcaRouter שבו כל ערך כולל מקורות משלו, חומרה, דרגת ביטחון וסימון שנוי במחלוקת.

מה שפוסט ההשקה לא מכיל

M​iniMax פרסמה פוסט השקה ראוי עבור MiniMax-M3.1-Flash ב-19 באוקטובר 2026: בנצ'מרקים סוכניים, קיצוץ עלויות של 70%, הסקה ש"כמעט פי שלושה מהירה יותר". מדובר בעבודה משמעותית, והוא אינו מכיל את המילה Inferact. הוא גם אינו מכיל את המילה vLLM. יהיה מה שיהיה היקף השותפות, החברה לא ראתה בה חלק מסיפור ההשקה ביום שבו סופר סיפור ההשקה.

הפער הזה הוא הדבר האינפורמטיבי ביותר בהודעה. שותף השקה שנקרא בשמו יומיים באיחור, בפוסט ברשת חברתית, בלי כתיבה טכנית נלווית, הוא שותף שעבודתו עדיין בעיצומה. אילו M​iniMax הייתה מריצה את M3.1-Flash על סטאק צד שלישי מכויל בזמן זמינות כללית, פוסט ההשקה היה אומר זאת — שירות ביום הראשון על מנוע בשם הוא בדיוק סוג נקודת ההוכחה שספק מכניס לגוף ההודעה. במקום זאת הטענה מגיעה בנפרד, בלי מספרים, מה שאומר לך שהשיתוף פעולה מוכרז בשלב שבו הוא הופך למחויבות ולא בשלב שבו הוא הופך לתוצאה.

יש פער שני, קטן יותר. האתר של Inferact עצמו, שנבדק ב-22 באוקטובר, מציג לוגו של MiniMax בין השותפים שלו והמלצה המיוחסת לד"ר יאן ג'ונג'י, מייסד ומנכ"ל MiniMax. הוא גם לא מזכיר את MiniMax-M3.1-Flash בשום מקום. מחקרי המקרה שלו עוסקים לחלוטין במודלים אחרים. כך ששתי החברות הודיעו על שותפות שאף אתר שיווקי של אף אחת מהחברות עוד לא מתאר במונחי מוצר. יש לקרוא זאת כראיה לעדכניות ולא כאל ספק: הפוסט ב-X בן יומיים, ודפי שותפים מתעדכנים לאט.

מהי Inferact, ולמה פרט ה-vLLM חשוב

Inferact מתארת את עצמה כ"חברה שנוסדה על ידי יוצרי vLLM והמתחזקים שלה". הצוות שלה מוביל את מפת הדרכים של vLLM, בעוד המנוע עצמו נשאר בקוד פתוח, ברישיון Apache 2.0, ומנוהל על ידי הקהילה תחת PyTorch Foundation. המבנה הזה הוא הסיבה לכך שהשותפות נהירה יותר מרוב הכרזות שותפי ההשקה: vLLM אינו קופסה שחורה, ולכן לכל שיפור ש-Inferact תבצע עבור MiniMax-M3.1-Flash יש סיכוי סביר להופיע במנוע הפתוח שכולם מריצים.

החברה מוכרת שתי צורות של אותו דבר. Inferact Platform מותקן בענן או במרכז הנתונים של הלקוח עצמו — הניסוח באתר הוא "Run inference on your compute" — עם control plane שמכסה ניטור, אימות פריסה, מעקב עלויות, autoscaling, ניהול endpoints, מדידת שימוש ויכולת תצפית. Inferact Cloud הוא אותה פלטפורמה על GPUs ש-Inferact מספקת: "Run inference on our compute." ההבחנה חשובה לכל מי שקורא את ההכרזה של MiniMax כהצהרת זמינות. שותף להשקת API על אותו מודל יכול להיות endpoints מנוהלים שמישהו אחר מפעיל, או חבילת תוכנה שאתה מתקין לצד המשקלים שלך. במודל סגור, רק האפשרות הראשונה אפשרית, מה שמצמצם את מה שהשותפות הזו יכולה להיות.

למה המודל המסוים הזה הוא בעיית הגשה לפני שהוא בעיית תמחור

ל-MiniMax-M3.1-Flash יש צורה יוצאת דופן למודל זול, והצורה היא מה שהופך את שאלת ה-serving לקריטית.

• החשיבה תמיד פעילה — תיעוד ה-API של MiniMax מחזיר HTTP 400 עבור thinking: {"type": "disabled"} ודוחה reasoning_effort: "none" באותו אופן, כך שהבקרה היחידה היא סולם בן חמש דרגות מ־low עד max, והשמטת השדה פירושה max

• לפיכך הוא מוגבל בפענוח — Artificial Analysis תיעדה 180 מיליון אסימוני פלט שנצרכו במהלך הרצת Intelligence Index שלה, לעומת חציון של 99 מיליון עבור מודלים באותו כלי מעקב

• חלון ההקשר הוא 1,000,000 טוקנים, מה שהופך את זיכרון ה-KV-cache למגבלה הקובעת את מספר הסשנים בו-זמניים של סוכנים שצומת יכול להחזיק

לולאות סוכן ממחזרות קידומת גדולה — אותו פרומפט מערכת, סכימת כלים והקשר קובץ חוזרים בכל שלב — ולכן שמירת הקידומת במטמון מתבטאת ישירות גם בהשהיה וגם בעלות בדולרים

• מהירות הפלט נמדדת ב־125.5 אסימונים לשנייה, עם זמן של 1.04 שניות עד לאסימון הראשון, מה שנחשב מהיר ביחס לקטגוריה אך הוא המספר שנשחק ראשון כאשר יש תור של הפקות ארוכות במקביל

אם מחברים את כל אלה, מתקבל פרופיל עומס עבודה שמתגמל בדיוק את הדברים ש-vLLM נבנה עבורם: paged attention כך שהקשר של מיליון טוקנים לא חייב להיות רציף, prefix caching כך ששלבי סוכן לא מבצעים prefill מחדש לאותן הגדרות כלים, ו-continuous batching כך שמאה עקבות חשיבה חצי-גמורות חולקות את החומרה במקום לעמוד בתור זו אחרי זו. הטענה של MiniMax עצמה בדבר יותר מ-200 טוקנים בשנייה בשיא ויותר מ-170 בחציון היא טענת תזמון לא פחות מטענת קרנל. ההאצה פי-3 בפוסט ההשקה אינה משהו שכפל מטריצות טוב יותר מפיק מעצמו.

המספרים שקיימים, ואלה שלא.

Inferact מפרסמת נתוני ביצועים, וכדאי לקרוא אותם בקפידה תוך שימת לב למה שהם מיוחסים. האתר שלה מציג 464 אסימונים לשנייה בגודל אצווה 1 על Kimi-K3 ביום ההשקה, 709 אסימונים לשנייה למשתמש עם מגה-הקרנל הראשון שלה על TPU, 18.3 מיליון אסימונים לדולר על SemiAnalysis AgentX עם אותו מודל, ומקום ראשון ב-Artificial Analysis במאי 2026. כל אחד מאלה הוא טענה על ההנדסה של Inferact במודל אחר, שפורסמה על ידי Inferact, ואף אחד מהם אינו מובא כאן כעובדה לגבי MiniMax-M3.1-Flash.

מה שלא קיים, נכון ל-22 באוקטובר, הוא כל נתון שהוא עבור M3.1-Flash על הסטאק של Inferact: לא טוקנים לשנייה, לא זמן לטוקן הראשון, לא עלות למיליון, לא עקומת מקביליות. ההודעה היא התחייבות בלי מדידה. זה נורמלי אחרי יומיים, וזו גם הסיבה היחידה להתעניין — הערך של השותפות עבור קונה ייקבע כולו לפי האם המספרים האלה יתבררו כטובים מאלה ש-M​iniMax מספקת בעצמה, וכרגע אף אחד מחוץ לשתי החברות לא יודע מה M​iniMax מספקת בעצמה.

וזו התמונה הכנה של הראיות. התפוקה היחידה שנמדדה באופן עצמאי עבור מודל זה מגיעה מ-Artificial Analysis, ב-125.5 טוקנים לשנייה, וזה נתון של זרם יחיד ממערך בדיקה אחד, לא בנצ'מרק שירות. הוא אומר לך שהמודל יכול לייצר מהר. הוא לא אומר לך דבר על כמה משתמשים במקביל קונה דולר.

מה באמת שווה הכרזת שותפות

לא הרבה בפני עצמו, אבל יותר מכלום. שלושה דברים הופכים אותו ליותר מכלום.

הראשון הוא שזהו מיישם שני. מודל שמוגש על ידי חברה אחת בדיוק הוא מודל שיש לו דעה תפעולית אחת בדיוק, וכשהדעה הזו חווה שבוע רע, גם למוצר שלך יש שבוע רע. שותף שנקוב בשם פירושו שצוות נוסף קרא את הארכיטקטורה, איתר את הקרנלים החשובים והתחייב בפומבי ברמה כזו שכשל באספקה יהיה מביך. זהו אות חלש, אבל הוא אמיתי, וזה אותו היגיון שהופך אזור ענן שני לשווה את התשלום עליו.

השנייה היא המסגור של עומס עבודה של סוכנים. M​iniMax לא תיארה את השותפות כ"הסקה מהירה יותר". היא תיארה אותה כתשתית שירות ל"עומסי עבודה מורכבים של סוכנים", וזו בעיה ספציפית וקשה יותר מתפוקת צ'אט: הפעלות ארוכות-חיים, קריאות לכלים השזורות בייצור, קידומות שחייבות לשרוד בין שלבים, ועלות שמתעצמת עם אורך המסלול ולא עם מספר הפרומפטים. שותף שנבחר לבעיה הזו הוא שותף שנבחר לעומס העבודה שמולו M​iniMax משווקת את המודל. האם הבחירה הייתה נכונה עדיין אינה ניתנת לבדיקה.

השלישי הוא שהוא נותן תאריך לסיפור התפעולי. MiniMax-M3.1-Flash זמין באופן כללי כבר שלושה ימים. המשקלים לא שוחררו — החברה אומרת שהם "ישוחררו מאוחר יותר" ללא תאריך — ולכן אין פתח מילוט של אירוח עצמי ואין דרך לגורם עצמאי להעריך את ביצועי המודל על חומרה משלו. כל מה שקשור לאופן שבו המודל הזה מתפקד בייצור עובר, לעת עתה, דרך מי שמשרת אותו. שותף השקה הוא הרשומה הראשונה במה שיצטרך להיות רשימה.

מה זה אומר אם אתה בוחר היכן להריץ אותו

MiniMax-M3.1-Flash אינו נמצא בקטלוג של OrcaRouter. ניתן להפעיל אותו היום דרך ה-API של MiniMax עצמה, דרך M Plan ו-MiniMax Code, וכן — לפי ההכרזה מ-21 באוקטובר — דרך Inferact. זו הרשימה המלאה שאנחנו יכולים לעמוד מאחוריה, ואף אחד מהפריטים בה אינו נתב: כל אחד מאלה הוא מקום אחד שבו אפשר להשיג את המודל, עם מגבלות הקצב שלו, הזמינות שלו, ואין אפשרות שנייה מאחוריו אם הוא נופל.

הבעיה הזו של ספק יחיד היא בשביל מה קיים ראוטר, והיא הסיבה שהשאלה המעניינת כאן אינה "איזה שותף" אלא "כמה". OrcaRouter מציב 200+ מודלים מאחורי מפתח API אחד, מעביר את מחירי הרשימה של הספקים בתוספת של 0%, ויכול להחזיק חלופה בטבלת הניתוב כך שבקשה למודל עם נקודת קצה אחת לא תהפוך להשבתה כשנקודת הקצה הזו חווה דקה רעה. ה-DSL של הניתוב הוא המקום שבו זה בא לידי ביטוי: שלב סוכן שצריך את MiniMax-M3.1-Flash יכול לציין אותו ראשון ולעבור למודל שאתה כבר סומך עליו, בלי שקוד הקורא ידע שהתרחשה החלפה.

מה שניתן לניתוב בקטלוג שלנו היום הוא שאר קו M​iniMax — MiniMax-M3 בין היתר — שהוא גם המודל שיש להשוות אליו מבחינת עלות. כרטיס התעריפים של MiniMax-M3.1-Flash הוא בדיוק חצי מזה של MiniMax-M3, $0.15 ו-$0.60 למיליון טוקני קלט ופלט לעומת $0.30 ו-$1.20, ו-Artificial Analysis מציב את המודל החדש יותר על $0.22 למשימת בנצ'מרק לעומת $0.51. עבור תעבורה אג'נטית הפער הזה ממשי. עבור עבודה בנפח גבוה של קריאות סיווג קצרות, המודל הישן יותר עם חשיבה כבויה עדיין יכול לצאת זול יותר, מפני ש-M3.1-Flash לא יכול לכבות חשיבה בכלל.

הסיכום שניתן להגן עליו הוא צר. ההכרזה של MiniMax ש-Inferact היא שותפת השקה של API היא הצהרה על מי תפעיל את MiniMax-M3.1-Flash, שנעשתה יומיים לאחר שהמודל שוחרר, על ידי חברה שלא מצאה לנכון לכלול אותה בפוסט ההשקה. זהו ראיה לכך ששכבת ההגשה של המודל הזה נבנית מחדש באופן פעיל ולא עוברת בירושה, וזה מה שהייתם מצפים לו ממודל שכל המהות שלו היא תפוקה. זה אינו ראיה לגבי תפוקה. בשביל זה, המתינו למספרים הראשונים של Inferact על המודל הזה ספציפית — ובינתיים, הריצו אותו במקום שיש מאחוריו גיבוי, כי מודל עם נקודת קצה אחת וללא משקלים להורדה הוא מודל שאי אפשר לעקוף בניתוב.