Bobot MiniMax M3.1 Flash Telah Dirilis: 428B, 252 GB, dan Ambang Lisensi $20M

Bobot MiniMax M3.1 Flash diunggah ke Hugging Face pada 23 Oktober 2026, empat hari setelah modelnya sendiri diluncurkan pada 19 Oktober. Unduhannya berisi total 428 miliar parameter dengan 23 miliar parameter aktif per token, dan repositorinya berukuran 252,4 GB: 48 shard bobot ditambah drafter speculative-decoding berukuran 2,3 GB. Ini adalah rilis open-weights sungguhan, dan bukan rilis open-source. Lisensinya adalah lisensi komunitas milik MiniMax sendiri, yang mensyaratkan atribusi pada setiap penerapan komersial dan izin tertulis terlebih dahulu dari MiniMax setelah pendapatan tahunan melewati $20 juta.

Distingsi itu lebih penting daripada jumlah parameter. Siapa pun yang membaca "open weights" dan menganggapnya MIT atau Apache-2.0 akan menghadapi kejutan dalam pengadaan. Siapa pun yang hanya perlu memanggil model sebaiknya mengabaikan sepenuhnya unduhan itu: API yang dihosting masih $0.15 per juta token masukan dan $0.60 per juta token keluaran, dan empat hari file bobot tidak mengubah perhitungan itu bagi tim yang mengirim beberapa miliar token per bulan.

Apa yang sebenarnya ada di dalam repositori

Kartu model menjawab pertanyaan spesifikasi yang masih kabur dalam postingan peluncuran MiniMax. Angka-angka utamanya adalah yang perlu diingat dengan tepat, karena beberapa di antaranya berbeda dari ringkasan hari peluncuran yang beredar tanpa kartu model untuk memeriksanya.

• Parameter — total 428 miliar, 23 miliar diaktifkan per token, sebuah mixture-of-experts multimodal native

• Unduhan — total 252,4 GB: 48 shard safetensors ditambah drafter DSpark 2,3 GB untuk speculative decoding

• Konteks — 1.000.000 token masukan; hingga 524.288 token keluaran

• Masukan dan keluaran — teks, gambar, dan video masuk; teks keluar

• Presisi — routed experts dan jalur KV sparse-attention dilatih untuk NVFP4, dengan shared experts disimpan dalam MXFP8; jalur query tetap FP8

• Serving — vLLM, SGLang, dan TokenSpeed adalah jalur yang direkomendasikan, dengan kontainer vLLM day-0 untuk NVIDIA dan AMD

• Lisensi — minimax-community, didaftarkan di Hugging Face sebagai license: other

• Harga hosted — $0.15 untuk input, $0.60 untuk output, $0.015 untuk input yang di-cache per juta token

Pembagian 428B/23B adalah pembagian yang sama yang telah dikutip MiniMax sejak peluncuran. Angka 252 GB merupakan informasi baru bagi siapa pun yang merencanakan penerapan: itu adalah ukuran sebenarnya dari artefak yang akan Anda bawa melalui tinjauan keamanan, bukan jumlah parameter teoretis yang dikalikan dua byte. Batas keluaran adalah angka lain yang perlu diperhatikan. Dokumentasi API MiniMax mengizinkan 524.288 token keluaran, jauh di atas batas 65.536 token pada Gemini 3.8 Flash dan di atas DeepSeek V4.1 Flash yang sebesar 384.000. Itu adalah kemampuan generasi panjang yang tidak dijadikan andalan dalam postingan peluncuran.

Lisensi adalah bagian yang perlu dibaca dua kali.

MiniMax menyebut ini sebagai rilis open-weights, dan menurut makna biasa dari frasa tersebut — berkas yang dapat diunduh, tanpa kunci API — memang begitu adanya. Bagian lisensinya adalah tempat kata "open" mulai kehilangan sebagian bobotnya. Lisensi Komunitas MiniMax memberikan penggunaan, modifikasi, dan redistribusi secara gratis untuk tujuan non-komersial. Penggunaan komersial diperbolehkan, tetapi disertai dua kewajiban yang tidak dimiliki MIT.

Yang pertama adalah atribusi. Deployment komersial harus menampilkan "Built with MiniMax M3" secara menonjol di situs web terkait, antarmuka pengguna, postingan blog, halaman tentang, atau dokumentasi produk. Modelnya adalah M3.1 Flash; string yang diwajibkan masih bertuliskan M3, dan detail semacam inilah yang kerap terlewat sampai tinjauan hukum menangkapnya.

Yang kedua adalah ambang batas pendapatan. Pada atau di bawah $20 juta pendapatan tahunan, sebuah perusahaan wajib memberi MiniMax pemberitahuan sekali melalui email. Di atas $20 juta, perusahaan memerlukan otorisasi tertulis sebelumnya dari MiniMax sebelum penggunaan komersial. Lisensi mendefinisikan penggunaan komersial cukup luas untuk mencakup menawarkan produk atau layanan yang bergantung pada model, menjalankan API komersial di atasnya, dan menyebarkan versi yang telah disesuaikan atau dilatih pascapelatihan untuk tujuan komersial. Bisnis inferensi yang dihosting yang dibangun di atas bobot ini sepenuhnya termasuk dalam definisi tersebut.

Itu bukan alasan untuk menghindari rilis tersebut. Itu adalah alasan untuk membaca rilis tersebut dengan benar. Bagi startup di bawah ambang batas, biaya praktisnya adalah satu email dan satu baris atribusi. Bagi perusahaan yang lebih besar, ini adalah percakapan lisensi dengan lab Tiongkok, dengan tenggat waktu yang dikendalikan MiniMax. Bandingkan itu dengan DeepSeek V4.1 Flash, yang dirilis di bawah MIT dan tidak memerlukan pemberitahuan sama sekali, dan ranah open-weights tidaklah setara bahkan ketika kedua checkpoint dapat diunduh.

252 GB adalah angka yang mudah; 76 sekuens bersamaan adalah angka yang berguna.

Detail penyajian yang menarik berasal dari postingan hari-0 vLLM, yang lebih spesifik daripada materi peluncuran MiniMax sendiri. Checkpoint NVFP4 berukuran 250,1 GB dalam penghitungan vLLM dibandingkan 451,5 GB untuk MiniMax-M3 dalam MXFP8 — pengurangan sebesar 44,6%. Cache KV turun dari 61.440 byte per token menjadi 34.560, pemangkasan sebesar 43,75%, karena pengindeks sparse-attention dan jalur attention keduanya berjalan dalam NVFP4.

Konsekuensinya adalah konkurensi pada konteks panjang, yang merupakan angka yang menentukan apakah self-hosting layak. Pada empat GPU NVIDIA B300 dengan sekuens 256K token, vLLM melaporkan 76 sekuens konkuren untuk M3.1 Flash, sedangkan M3 dengan cache KV FP8 memuat 28 — sekitar 2,7 kali lebih banyak. Pada ujung yang sensitif terhadap latensi dari uji GB300 AgentX-nya, stack tersebut mempertahankan 418,9 token keluaran per detik per pengguna sambil melayani total 38,6K token per detik per GPU. Pada ujung throughput, ia mencapai total 153,8K token per detik per GPU pada sekitar 127 token per detik per pengguna. Pada Rubin, resep yang sama melaporkan 724,9 token per detik per pengguna, dan pada AMD MI355X melaporkan 331.

Itu adalah tolok ukur framework pada perangkat keras tertentu, bukan pengukuran produksi yang independen. Angka-angka itu tetap merupakan angka paling berguna dalam rilis ini, karena menjawab pertanyaan yang tidak bisa dijawab oleh jumlah parameter: berapa banyak permintaan konteks panjang yang muat di mesin yang benar-benar dapat Anda sewa. Model 428B yang memuat 76 sekuens 256K bersamaan di empat GPU adalah objek pengadaan yang berbeda dari model 428B yang memuat delapan.

Berapa biaya self-hosting, dan kapan API tetap lebih unggul

Titik impas pada bobot terbuka adalah pertanyaan tentang pemanfaatan, bukan pertanyaan tentang harga. Pada $0,60 per juta token keluaran, satu miliar token keluaran per bulan menelan biaya $600 melalui API MiniMax. Empat GPU B300 jauh lebih mahal dari itu untuk disewa atau dimiliki sebelum memperhitungkan daya, jaringan, dan engineer yang menjaga tumpukan penyajian tetap mutakhir. Tim yang dapat membuat GPU tersebut tetap sibuk pada ujung throughput dari benchmark vLLM membeli token pada tarif efektif yang sangat berbeda; tim yang membutuhkannya dua jam sehari sedang mensubsidi silikon yang menganggur.

Beban kerja yang membenarkan pengunduhan adalah beban kerja yang harga API-nya bukan kendala yang mengikat. Data yang tidak dapat keluar dari lingkungan yang terkontrol. Proses fine-tuning yang membutuhkan akses bobot, di mana vLLM melaporkan RL end-to-end dengan veRL, FSDP2, dan LoRA rank-32 pada checkpoint NVFP4, serta proses GRPO 200 langkah yang menaikkan akurasi AIME-2024 dari 36,3% menjadi 67,5% pada 16 GB300s. Loop agen yang sensitif terhadap latensi, di mana hop jaringan dan antrean penyedia menjadi bagian dari p95. Dan tugas batch yang cukup besar sehingga klaster tetap lebih unggul daripada tagihan berbasis pemakaian.

Bagi semua pihak lainnya, jalur hosted tetap menjadi default yang wajar, dan rilis ini tidak mengubahnya. Bobot model adalah opsi strategis, bukan penghematan biaya yang hadir secara default.

Apa yang tidak dapat diperbaiki oleh bobot

Tiga masalah tetap bertahan utuh setelah pengunduhan. Yang pertama adalah keandalan. Evaluasi AA-Omniscience dari Artificial Analysis menempatkan M3.1 Flash di peringkat 16 secara keseluruhan dengan tingkat halusinasi 93%: ketika model tidak mengetahui jawaban, model hampir selalu tetap menjawab alih-alih menahan diri. Itu adalah perilaku yang terukur, bukan klaim vendor, dan hal semacam itu lebih penting dalam agen yang dapat bertindak daripada dalam chatbot yang dapat diabaikan. Bobot terbuka memungkinkan Anda melakukan fine-tuning untuk mengatasinya; bobot itu tidak membuatnya hilang pada checkpoint.

Yang kedua adalah asal-usul benchmark. Angka peluncuran — DeepSWE v1.1 sebesar 73,7%, Agents' Last Exam sebesar 29,6, OSWorld V2 sebesar 61,7, CyberGym sebesar 82,2, BankerToolBench sebesar 76,2 — adalah hasil uji MiniMax sendiri pada harness pilihan MiniMax. Tidak satu pun telah direproduksi secara independen. Kartu model secara eksplisit memperingatkan bahwa kuantisasi pihak ketiga dapat berbeda, yang merupakan pengakuan berguna: angka-angka tersebut menggambarkan bobot resmi dalam konfigurasi MiniMax, bukan apa pun yang dihasilkan stack serving Anda setelah Anda mengkuantisasinya lebih lanjut.

Yang ketiga adalah kendali. Thinking tidak dapat dinonaktifkan: API MiniMax menolak thinking: {"type": "disabled"} dengan HTTP 400, dan satu-satunya pengungkit adalah tangga upaya lima tingkat dari low hingga max, dengan max sebagai default saat field dihilangkan. Token thinking ditagih sebagai output dan diperhitungkan terhadap max_tokens. Pada Intelligence Index, model mengonsumsi sekitar 180 juta token output, jauh di atas median, itulah sebabnya biaya $0,22 per tugas yang diselesaikan lebih baik daripada yang disiratkan oleh tarif per tokennya, tetapi tetap dipengaruhi oleh verbositas.

Bagaimana cara menyebutnya sekarang?

MiniMax M3.1 Flash tersedia melalui API milik MiniMax sendiri, M Plan dan MiniMax Code, serta melalui beberapa platform pihak ketiga. Saat ini model tersebut tidak ada di katalog OrcaRouter, dan artikel ini bukan klaim bahwa model itu ada di sana. Yang dirutekan OrcaRouter adalah anggota keluarga lainnya dan model-model yang biasanya dibandingkan dengannya: MiniMax-M3, DeepSeek V4.1 Flash, dan Gemini 3.8 Flash semuanya dapat diakses dengan satu kunci, dengan harga daftar penyedia dan markup 0%, serta failover otomatis antar-rute. Jika Anda menguji M3.1 Flash terhadap model yang saat ini digunakan, hal ini memberi Anda sisi model incumbent dalam perbandingan tanpa perlu kontrak kedua, dan memberi Anda tujuan failover saat model baru tersebut mengumpulkan riwayat operasional.

Jika Anda melakukan self-hosting, container vLLM adalah jalur terpendek, dan resep NVFP4 adalah yang dijelaskan oleh angka-angka di atas. Jika Anda memanggil API, rilis ini tidak banyak mengubah apa pun minggu ini selain opsi pengadaan Anda.

Ringkasan jujurnya adalah bahwa bobotnya nyata, cerita penyajiannya lebih kuat dari yang diharapkan, dan lisensinya lebih membatasi daripada yang disiapkan oleh frasa "open weights" bagi Anda. MiniMax telah merilis model 428B yang benar-benar dapat diunduh dengan resep empat GPU dan jejak 252 GB. Model ini tidak dirilis dengan lisensi MIT, dan perbedaannya akan penting secara tepat bagi perusahaan-perusahaan yang cukup besar untuk peduli pada baris $20 juta itu.