Parameter MiniMax M3.1 Flash: Total 428 Miliar, 23 Miliar Aktif, dan Angka yang Menentukan Tagihan Anda

MiniMax M3.1 Flash

Apa yang sebenarnya diterbitkan oleh MiniMax

MiniMax merilis MiniMax M3.1 Flash pada 19 Oktober 2026 dan menempatkan bobotnya di Hugging Face pada 23 Oktober. Kartu model tersebut menjawab pertanyaan spesifikasi yang dibiarkan samar oleh posting peluncuran, dan beberapa angkanya berbeda dari ringkasan yang beredar di antaranya.

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

• Unduh — 252,4 GB tersebar di 48 shard safetensors, ditambah drafter DSpark 2,3 GB untuk decoding spekulatif.

• Konteks dan output — 1.000.000 token masukan; hingga 524.288 token keluaran.

• Modalitas — teks, gambar, dan video masuk; teks keluar.

• Presisi — expert yang dirutekan dan jalur KV sparse-attention dilatih untuk NVFP4, expert bersama disimpan dalam MXFP8, dan jalur query tetap FP8.

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

Harga pada API yang dihosting — $0,15 per juta token masukan, $0,60 keluaran, $0,015 untuk pembacaan masukan yang di-cache.

• Lisensi — minimax-community, didaftarkan di Hugging Face sebagai code>license: other/code>, yang bukan MIT dan bukan Apache.

Total versus aktif: apa yang sedang dilakukan 23 miliar itu

Model padat 428 miliar parameter akan menjalankan setiap parameter untuk setiap token. Mixture-of-experts mengarahkan setiap token ke subset pakar, sehingga komputasi per token ditentukan oleh angka 23 miliar yang aktif, sementara jejak memori ditentukan oleh total 428 miliar. Pemisahan itulah sebabnya kedua angka biasanya dikutip bersama-sama, dan mengapa mengutip hanya salah satunya menyesatkan ke arah yang dapat diprediksi: angka total memberi tahu Anda perangkat keras apa yang Anda butuhkan, sedangkan jumlah aktif memberi tahu Anda secara kasar berapa biaya komputasi untuk satu token.

Konsekuensi praktisnya adalah bahwa 23 miliar yang aktif bukanlah "model 23 miliar parameter". Ini adalah model dengan 428 miliar parameter pengetahuan tersimpan dan 23 miliar parameter kerja per token — yang merupakan deskripsi wajar tentang mengapa model ini bisa cepat untuk dimulai sekaligus relatif berat untuk dihosting.

Angka 252,4 GB adalah bentuknya dalam dokumen pengadaan: bukan jumlah parameter teoretis yang dikalikan dua byte, melainkan artefak yang Anda bawa melewati tinjauan keamanan. Pilihan pelatihan NVFP4 itulah yang menjaganya tetap di sana. Dalam penghitungan vLLM, checkpoint NVFP4 adalah 250,1 GB dibandingkan 451,5 GB untuk MiniMax-M3 dalam MXFP8 — pengurangan 44,6% — dan cache KV turun dari 61.440 byte per token menjadi 34.560, pemangkasan 43,75%, karena baik pengindeks sparse-attention maupun jalur atensi berjalan dalam NVFP4.

Berapa biaya parameter saat serving?

Angka yang tidak bisa diberikan oleh jumlah parameter adalah konkurensi, dan itulah yang menentukan apakah self-hosting layak. Pada empat GPU NVIDIA B300 dengan sekuens 256.000 token, vLLM melaporkan 76 sekuens bersamaan untuk MiniMax M3.1 Flash, sedangkan MiniMax-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 ini mempertahankan 418,9 token keluaran per detik per pengguna sekaligus melayani 38,6K total token per detik per GPU; pada ujung throughput, ia mencapai 153,8K total 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, 331.

Itu adalah benchmark framework pada perangkat keras tertentu, yang diterbitkan oleh framework tersebut, bukan pengukuran produksi independen. Namun itu tetap lebih relevan untuk pengambilan keputusan daripada baris benchmark mana pun, karena model 428B yang muat 76 sekuens 256K bersamaan di empat GPU adalah objek pengadaan yang berbeda dari model yang muat delapan.

Biaya 23 miliar itu bukanlah harga sebuah token

Di sinilah cerita parameter dan tagihan mulai berbeda. MiniMax M3.1 Flash dibanderol $0.15 dan $0.60, yaitu setengah harga input dan sekitar seperempat harga output Gemini 3.5 Flash-Lite. Dalam metrik biaya per tugas yang diselesaikan dari Artificial Analysis, model ini masih kalah: $0.22 dibandingkan $0.19.

Alasannya terlihat dalam kumpulan data yang sama. Dalam Intelligence Index, model ini mengonsumsi sekitar 180 juta token output, dibandingkan median sekitar 100 juta untuk model yang dilacak Artificial Analysis. Thinking tidak dapat dinonaktifkan — API MiniMax menolak code>thinking: {"type": "disabled"}/code> dengan 400, dan satu-satunya pengaturan adalah tangga upaya lima tingkat dari low hingga max, dengan max sebagai nilai default saat bidang tersebut tidak diisi. Token thinking ditagih sebagai output dan diperhitungkan terhadap code>max_tokens/code>.

Jadi ringkasan yang akurat tentang ekonomi parameter adalah ini: jumlah aktifnya cukup kecil untuk menjaga model tetap cepat, verbositasnya cukup tinggi sehingga tagihan tidak sekecil yang disiratkan daftar tarif, dan kedua fakta itu tidak saling berkaitan. Dalam pekerjaan agentik dan pengodean, deliberasi umumnya sepadan dengan token yang dipakai. Dalam ekstraksi atau klasifikasi, tidak demikian.

Hasil kecerdasannya terhormat, bukan kelas terdepan: 43 pada Artificial Analysis Intelligence Index, peringkat kelima dari 173 model, dengan Terminal-Bench 4.0 sebesar 26%, AutomationBench-AA 73%, GDPval-AA 1.458, dan SciCode 53%. Hasil abstensinya adalah yang perlu menjadi dasar perancangan — AA-Omniscience memberinya skor 16, dengan tingkat halusinasi 93%, artinya ketika model tidak mengetahui sebuah jawaban, hampir setiap kali ia tetap menjawab alih-alih menolak.

Kecepatan, diukur dengan dua cara

Angka kecepatan yang dipublikasikan tidak saling sesuai, dan perbedaan itu informatif, bukan mengkhawatirkan. Artificial Analysis mengukur 1,48 detik ke token pertama pada 95,6 token keluaran per detik; materi MiniMax sendiri mengklaim median di atas 170 token per detik dengan puncak di atas 200. Jalur penyajian dan kondisi pengukuran sangat memengaruhi angka ini, karena itulah rute kami sendiri layak dikutip secara terpisah: p50 1,29 detik ke token pertama dan p95 4,40 detik selama tujuh hari terakhir lalu lintas pada code>minimax/minimax-m3.1-flash/code>.

Itulah bentuk yang dimiliki model yang dirutekan. Cara jujur untuk membandingkannya dengan pemain yang sudah mapan adalah mengukur rute Anda sendiri alih-alih mempercayai satu angka dari salah satu vendor.

Baris lisensi adalah bagian dari spesifikasi

Dua kewajiban menyertai bobot model, dan keduanya tidak muncul dalam jumlah parameter. Penerapan komersial wajib menampilkan string "Built with MiniMax M3" secara menonjol di situs web terkait, antarmuka, pos blog, halaman tentang, atau dokumentasi produk — modelnya adalah M3.1 Flash dan atribusi yang diwajibkan tetap menyebut M3, yaitu jenis detail yang baru tertangkap dalam tinjauan hukum di akhir. Dan pada atau di bawah pendapatan tahunan $20 juta, sebuah perusahaan berutang pemberitahuan sekali melalui email kepada MiniMax; di atas ambang itu, otorisasi tertulis sebelumnya diperlukan sebelum penggunaan komersial.

Lisensi tersebut mendefinisikan penggunaan komersial cukup luas untuk mencakup produk yang dibangun di atas model, API komersial di atasnya, dan penerapan hasil fine-tuning. Bagi startup di bawah ambang batas, biayanya adalah satu email dan satu baris atribusi. Bagi perusahaan yang lebih besar, itu adalah percakapan lisensi sesuai jadwal yang dikendalikan MiniMax. DeepSeek V4.1 Flash dirilis di bawah MIT dan tidak memerlukan pemberitahuan sama sekali, itulah sebabnya "open weights" bukan satu kategori tunggal meskipun kedua checkpoint dapat diunduh.

Telepon atau unduh

Titik impas pada open weights adalah soal utilisasi. Dengan $0,60 per juta token output, satu miliar token output per bulan menelan biaya $600 melalui API hosted; empat GPU B300 lebih mahal dari itu sebelum menghitung daya, jaringan, dan engineer yang menjaga serving stack tetap mutakhir. Mengunduh lebih unggul untuk data yang tidak boleh keluar dari lingkungan terkendali, untuk proses fine-tuning yang membutuhkan akses bobot — 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 GB300 — dan untuk pekerjaan batch yang cukup besar sehingga klaster tetap lebih unggul daripada tagihan berbasis meteran.

Bagi semua orang lainnya, rute hosted adalah default yang masuk akal, dan MiniMax M3.1 Flash ada dalam katalog OrcaRouter sebagai code>minimax/minimax-m3.1-flash/code> dengan harga daftar penyedia tanpa markup 0%: $0.15 masuk, $0.60 keluar, $0.015 cache, satu kunci di samping MiniMax-M3 dan model-model yang biasanya menjadi pembandingnya. Failover otomatis menangani kasus ketika penyedia sedang mengalami gangguan, dan DSL perutean dapat mengirim langkah berat dalam pipeline ke model yang lebih kuat sementara sebagian besar beban tetap di sini.

Jika pertanyaan parameter yang membawa Anda ke sini, jawaban singkatnya adalah total 428 miliar dan 23 miliar aktif. Jawaban panjangnya adalah bahwa tidak ada dari kedua angka itu yang muncul di faktur Anda, dan dua angka yang muncul adalah token keluaran yang dipilih model untuk dibelanjakan dan ambang lisensi yang mungkin suatu hari Anda lewati.

Catatan sumber: jumlah parameter, repositori 252,4 GB, skema presisi, ketentuan lisensi, dan baris tolok ukur vendor berasal dari kartu model dan materi peluncuran MiniMax, yang dibaca pada 26 Oktober 2026. Ukuran checkpoint NVFP4, byte cache-KV per token, angka konkurensi, angka throughput, dan hasil GRPO berasal dari postingan day-0 vLLM dan merupakan tolok ukur framework pada perangkat keras yang disebutkan. Skor Intelligence Index, biaya per tugas, perkiraan konsumsi token, dan angka AA-Omniscience berasal dari Artificial Analysis. Harga, konteks, dan p50 1,29 detik berasal dari katalog OrcaRouter dan trafik tujuh hari kami sendiri.