MiniMax M3.1 Flash מוגש כעת ב-Tenstorrent: מה מודל של 428 מיליארד באמת מוכיח על Tensix

הפוסט בחדר החדשות של Tenstorrent מתוארך ל-22 באוקטובר 2026, והוא אומר משהו צר ומעניין יותר מאשר "ענן נוסף הוסיף עוד מודל": MiniMax M3.1 Flash, מודל ה-mixture-of-experts בעל 428 מיליארד פרמטרים שהשיקה MiniMax ב-19 באוקטובר, זמין כעת ב-Tenstorrent Cloud, כאשר גם ה-prefill וגם ה-decode פועלים על מערכות Blackhole Galaxy. שום מאיץ NVIDIA אינו מופיע בשום מקום בנתיב ההגשה הזה. מה ש-Tenstorrent פרסמה הוא ארכיטקטורה, סכמת כימות ומתודולוגיית כיוונון. מה שהיא לא פרסמה הוא אף לא נתון תפוקה אחד, נתון השהיה, או מחיר עבור ההגשה שלה עצמה. ההשמטה הזו היא החלק שקובע אם מדובר באבן דרך או בהדגמה, והיא ראויה ליותר תשומת לב מאשר טבלת הבנצ'מרק של המודל.

Tenstorrent היא חברת השבבים בראשות ג'ים קלר, והמסר השיווקי שלה היה תמיד שחישוב AI לא אמור להיות סטאק של ספק יחיד. עד להכרזה הזו, למסר הזה הייתה בעיית אמינות בקצה העליון: המודלים הפתוחים הגדולים ביותר הורצו באופן שגרתי על חומרת NVIDIA, כאשר AMD הייתה החלופה וכל השאר הוגבל לניסויים במודלים קטנים. מודל תערובת מומחים עם 428B פרמטרים שמריץ prefill ו-decode על סיליקון Tensix, המחובר באמצעות Ethernet ולא באמצעות מארג קנייני, הוא הפריסה הראשונה שמגשימה את המסר עם מודל בגודל כזה ובעדכניות כזו.

מה שטנסטורנט הצהירה באופן רשמי

ההודעה מפורשת לגבי טופולוגיית ההגשה ומעורפלת לגבי כל מספר שקונה היה משתמש בו. תחילה הפרטים, משום שאלה טענות הנדסיות אמיתיות:

• זמינות — Tenstorrent Cloud, בכתובת console.tenstorrent.com, דרך ה-Playground או בחיבור לרתמת סוכן.

• נתיב הגשה — הן ה-prefill והן ה-decode פועלים על Tenstorrent Galaxy, ובאופן ספציפי על צביר-על של Blackhole Galaxies. המערכות מחולקות לפי עומס עבודה: מאגר אחד מטפל ב-prefill, מאגר אחר מטפל ב-decode, והעבודה עוברת ביניהם דרך קישורי Ethernet ישירים בעלי השהיה נמוכה.

• זיכרון — כל Blackhole Galaxy כולל 1 TB של DRAM ועוד כמה טרה-בייטים של SSD. המשקלים ומטמון ה-KV נשארים ב-DRAM; ה-SSD מחזיק מטמון KV שהועבר אליו, כך שסבב סוכן חוזר אינו צריך לחשב מחדש את ההקשר שלו.

• כימות — משקלי MLP, משקלי הקשב, האינדקסר והמומחה המשותף מאוחסנים ב-MXFP8; המומחים המנותבים מאוחסנים ב-NVFP4.

• צורת המודל — קשב דליל החליף קשב גלובלי מסוג grouped-query, ורכיבי MLP צפופים מופיעים רק בשלוש השכבות הראשונות.

• נתוני כיוונון — Tenstorrent אומרת שהיא כיווננה את הפריסה על עקבות סוכן-הקידוד AgentX של SemiAnalysis, כלומר מפגשים רב-תוריים אמיתיים והתפצלות תת-סוכנים ולא מבחני צ'אט קצרים.

• המחיר המצוטט — 0.15 דולר למיליון אסימוני קלט, 0.60 דולר למיליון אסימוני פלט, 0.015 דולר למיליון אסימוני קלט שמורים במטמון. זהו מחיר המחירון של MiniMax; ההודעה אינה מפרסמת תעריף נפרד של Tenstorrent, ולכן עדיין לא ניתן לומר אם הרצת המודל כאן עולה יותר או פחות מאשר הרצתו על GPUs.

הפריסה קיימת כי המשקלים יצאו

העובדה החשובה ביותר מאחורי ההכרזה הזו אינה הסיליקון, אלא ש-MiniMax פרסמה את המשקולות בכלל. המאגר בן 252.4 GB עלה ל-Hugging Face ב-23 באוקטובר, והפוסט של Tenstorrent מתוארך ליום קודם — מה שמרמז שהפורט נבנה באמצעות גישה של שותפים ולא מהורדה ציבורית. ספק חומרה צד שלישי אינו יכול להעביר מודל שהוא אינו יכול להשיג, ו-Tenstorrent אינה חברת בת של MiniMax שמשרתת את הצ'קפוינט שלה עצמה. זהו המנגנון שבאמצעותו משקולות פתוחות יוצרות תחרות בחומרה: כל מעבדה שמפרסמת צ'קפוינט הופכת כל ספק שבבים שמוכן לכך לערוץ הפצה פוטנציאלי, וכל ספק שבבים שתומך במודל הופך את המשקולות של המעבדה לבעלות ערך רב יותר בתורו.

אותו היגיון מסביר מדוע מודלי החזית הסגורים אינם מופיעים בהכרזה מסוג זה. ספק יכול להשכיר לך נקודת קצה של API עבור מודל קנייני, אך הוא אינו יכול לכמת את המשקלים לפורמטים הנומריים שלו עצמו, לכוונן את הקרנלים שלו מול דפוס הקשב הדליל של המודל, או לפצל את ה-prefill וה-decode על גבי ה-fabric שלו עצמו. ה-port הוא המוצר, וה-port מחייב את הקובץ.

זו גם הסיבה לכך שה״פתוח״ בסיפור הזה צריך להיפרד לשני דברים שונים. מחסנית התוכנה של Tenstorrent — TT-Metalium, TT-NN, TT-Forge — היא בקוד פתוח, וזה מה שהופך הסבה של צד שלישי לברת־ביצוע. המשקולות של MiniMax הן משקולות פתוחות, לא קוד פתוח. המאגר הוא 252.4 GB הפרוסים על פני 48 שברי safetensors בתוספת מודל טיוטה לפענוח ספקולטיבי בגודל 2.3 GB, והוא מופץ תחת MiniMax Community Licence, אשר מחייבת ייחוס בפריסות מסחריות ואישור מראש בכתב כשההכנסה השנתית עולה על 20 מיליון דולר. שני ״פתוחים״ שונים, מסלול הגשה אחד.

מדוע נתיב ההגשה מפוצל לשניים

הפיצול בין prefill ל-decode אינו גחמה ייחודית של Tenstorrent; זו התשובה הסטנדרטית לבעיה שיוצרות עומסי העבודה של סוכנים. Prefill מוגבל על ידי מחשוב ומתרחש פעם אחת לכל פרומפט. Decode מוגבל על ידי רוחב פס זיכרון ומתרחש פעם אחת לכל טוקן שנוצר, כל עוד התשובה נמשכת. אם שמים אותם על אותם התקנים, פרומפט ארוך שמגיע באמצע הזרימה גוזל מחשוב מכל משתמש שנמצא כרגע ב-decode — וזה בדיוק העצירה שגורמת למוצרי סוכנים להרגיש שבורים.

הפרדת המאגרים מאפשרת להקצות לכל צד משאבים בהתאם לצוואר הבקבוק שלו. התיאור של Tenstorrent מפורש שמאגר ה-prefill מפזר פרומפט על פני שבבים רבים באמצעות רוחב פס גבוה בין התקנים, בעוד מאגר ה-decode שומר משקלים ומטמון KV ב-DRAM ומריץ שלבים באופן עצמאי. קישורי Ethernet נושאים את ההעברה.

Ethernet הוא הבחירה המעניינת. מארג scale-up קנייני מציע יותר רוחב פס ופחות השהיה מאשר Ethernet מדף, והמיצוב של NVIDIA במחשוב AI נשען בחלקו על הבעלות על אותו מארג. Tenstorrent טוענת שעבור עומס עבודה זה — מודל mixture-of-experts עם 23 מיליארד פרמטרים פעילים ותוכנית הגשה שכבר מפרידה בין prefill ל-decode — Ethernet סטנדרטי מספיק טוב, והכלכלה של scale-out טובה יותר משום שהחיבור הבין-רכיבי אינו נעילה שנייה. זהו טיעון סביר, לא מוכח. הוא יהפוך למוכח כשמישהו יפרסם טוקנים לשנייה לדולר בפריסה רב-צומתית, ואף אחד לא עשה זאת.

החשבון שמאפשר ל-428B להיכנס לארון אחד

המודל כולל בסך הכול 428 מיליארד פרמטרים ומפעיל 23 מיליארד מהם לכל טוקן. ב-BF16 זה בערך 856 GB לפני כל KV cache או תקורת ריצה. Blackhole Galaxy בודד מורכב מ-32 ASIC-ים של Blackhole עם 32 GB של GDDR6 בכל אחד — ה-1 TB ש-Tenstorrent מציינת — כך שעותק ב-BF16 יצרוך כ-84% מזיכרון המערכת וישאיר בערך 170 GB לכל השאר. בחלון הקשר של מיליון טוקנים, עם KV cache שצריך לשרוד מספר סבבי סוכן, זה לא מרווח נוח.

ההורדה שפורסמה היא 252.4 GB. זה המספר שמאפשר לפריסה להתאים: הוא מותיר בסדר גודל של 770 GB מתוך הטרה-בייט של Galaxy עבור KV cache, אקטיבציות וה-drafter של פענוח ספקולטיבי. תוכנית הדיוק המעורב היא זו שקונה את המרווח הזה — MXFP8 עבור המשקלים המשותפים ושל צד הקשב, NVFP4 עבור המומחים המנותבים, שהם עיקר הפרמטרים והחלק שנוגעים בו רק בדלילות. קשב דליל ו-MLPs צפופים המוגבלים לשלוש השכבות הראשונות מפחיתים עוד את תעבורת הזיכרון.

החשבון הזה הוא שלנו, על מספרים שפורסמו, ולא טענה של Tenstorrent. אבל הוא מסביר את צורת ההכרזה: ההסבה אמינה בדיוק מפני שמומחים מנותבים ב-4 סיביות הופכים מודל של 856 GB לקובץ של 252 GB שנכנס למערכת בת 32 שבבים עם מקום שנותר להקשר ארוך.

מה ש-Tenstorrent לא פרסמה

אין נתון של טוקנים לשנייה, אין נתון של זמן עד לטוקן הראשון, אין נתון של מקביליות ואין מחיר לנקודת הקצה המתארחת של Tenstorrent. עבור פריסה שכל הנחת היסוד שלה היא שסיליקון שאינו של NVIDIA יכול להריץ מודל פתוח ברמת החזית, אלה ארבעת המספרים שהיו מכריעים את הוויכוח. היעדרם אינו ראיה שהפריסה איטית. הוא ראיה שההכרזה היא הצהרת יכולת ולא תוצאת בנצ'מרק, והקוראים צריכים לתייק אותה בהתאם.

מספרי המהירות הפומביים היחידים של MiniMax M3.1 Flash מתארים פריסה אחרת. MiniMax טוענת לחציוני של מעל 170 אסימוני פלט לשנייה ולשיאים של מעל 200 ב-API שלה עצמה. Artificial Analysis, שמודדת את ה-API המתארח ולא את החומרה של Tenstorrent, רושמת 95.6 אסימוני פלט לשנייה עם זמן של 1.48 שניות לאסימון הראשון. זהו פער של בערך פי 1.8 בין הטענה של הספק לבין מדידה עצמאית בנתיב הגשה אחר, וזו תזכורת שימושית לכך ש"המודל מהיר" ו"הפריסה הזו מהירה" הן טענות נפרדות.

{{1}}מה ש-Artificial Analysis כן קובע לגבי המודל רלוונטי יותר למקרה השימוש של Tenstorrent מאשר המדד המרכזי.{{/1}} {{2}}M3.1 Flash מקבל 43 ב-Intelligence Index, עולה כ-$0.22 לכל משימת אינדקס שהושלמה, ומקבל 16 ב-AA-Omniscience עם שיעור הזיות של 93% — כלומר, כשלא ידע תשובה, הוא בדרך כלל יצר תשובה שגויה במקום לסרב.{{/2}} Tenstorrent כייל את הפריסה הזו על עקבות של סוכנים. לופים של סוכנים הם בדיוק המקום שבו תשובות שגויות בביטחון הן היקרות ביותר, מפני שהקריאה הבאה לכלי יורשת אותן. נתיב שירות מהיר וזול לא מתקן את זה; הוא הופך את שכבת האימות לחשובה יותר.

מה לעשות עם זה אם אתה רוכש inference

עבור רוב הצוותים התשובה המעשית השבוע היא "לבדוק את זה, לא לעבור אליו". ה-Playground הוא הדרך הזולה ביותר לראות אם התנהגות המודל מתאימה לעומס העבודה שלכם, והאינטגרציה של Tenstorrent עם ה-agent-harness היא החלק המעניין לבדוק, מכיוון שהפריסה כווננה לשימוש בכלים רב-תורי ולא לצ'אט חד-פעמי. הביאו את ה-traces שלכם. הכיוונון של SemiAnalysis AgentX אומר לכם למה Tenstorrent כיוונה; הוא לא אומר לכם איך הפרומפטים שלכם יתנהגו.

אל תעביר אותו למסלול ייצור עד שיהיו שני דברים: נתון מפורסם של תפוקה וזמן השהיה מ-Tenstorrent, ומדידה משלך של איכות לכל משימה. הראשון תלוי במענה מהספק. על השני רק אתה יכול לענות.

הערה כנה אחת על המקום של OrcaRouter בסיפור הזה. M3.1 Flash אינו בקטלוג שלנו; קו ה-MiniMax שם נעצר בMiniMax-M3. לכן הדרכים לקרוא למודל החדש היום הן Tenstorrent Cloud וה-API של MiniMax עצמה, ואנחנו לא ביניהם. מה שכן OrcaRouter מספק הוא בסיס ההשוואה שאתם צריכים לפני שמתחייבים: MiniMax-M3 ויותר מ-200 מודלים אחרים מאחורי מפתח אחד, במחיר המחירון של הספק עם 0% תוספת, כך שאפשר לענות על השאלה "האם המודל החדש באמת טוב יותר לעומס העבודה שלי מהמודל שאני כבר מריץ" בלי חוזה שני ובלי מערכת חיוב שנייה.

המספר שיהפוך פורט למחיר

Tenstorrent הדגימה משהו אמיתי: מודל תערובת מומחים בן 428B, שעבר קוונטיזציה לפורמט משולב של 4/8 סיביות, שמריץ את שני חצאי האינפרנס על סיליקון Tensix דרך Ethernet, עם כלי קוד פתוח ומתודולוגיית כוונון שפורסמה. זוהי הוכחת ניידות, והיא הראשונה בהיקף מודל זה שאינה מנותבת דרך CUDA.

היא לא הוכיחה שההעברה זולה, מהירה או אמינה יותר ממסלול ה-GPU. ה-Galaxy הוא מערכת 6U עם 32 ASIC, בערך 23 PFLOPS BlockFP8, שנמכרה במחיר מחירון של 110,000 דולר כשהפכה לזמינה באופן כללי באפריל 2026, לפני שמוסיפים את רשתות ה-supercluster שבהן משתמש הפריסה הזה. האם החומרה הזו, בהרצת המודל הזה, מפיקה עלות טובה יותר למיליון טוקנים מאשר אשכול H100 או MI300X — זו השאלה המסחרית כולה, וההכרזה משאירה אותה ללא מענה.

הדבר הבא שכדאי לעקוב אחריו הוא אפוא לא עוד מודל על אותה חומרה. זהו נתון של טוקנים לשנייה וכרטיס תעריפים מ-Tenstorrent, ואחריו ספק סיליקון שני שמבצע את אותו פורט. כשיהיו אלה, משקלים פתוחים יהפכו לתחרות חומרה אמיתית. עד אז, התיאור המדויק הוא הדגמה ארכיטקטונית מהימנה שהחצי המסחרי שלה עדיין לא פורסם.