MiniMax M3.1 Flash vs Gemini 3.5 Flash-Lite: Setengah Harga, Skor Dua Kali Lipat, dan Tetap Bukan Pilihan yang Jelas

Gemini 3.5 Flash-Lite telah dijual sejak 21 Juli 2026. MiniMax M3.1 Flash hadir pada 19 Oktober 2026 dengan harga $0.15 per juta token input dan $0.60 per juta output — setengah dan sekitar seperempat dari Gemini 3.5 Flash-Lite yang berharga $0.30 dan $2.50. Pada Intelligence Index milik Artificial Analysis, model yang lebih baru mencetak skor 43 dan model Google mencetak 22. Jadi MiniMax M3.1 Flash lebih murah pada setiap lini token dan dua kali lebih mumpuni pada indeks independen tersebut. Lalu Anda sampai pada baris biaya per tugas, dan Gemini 3.5 Flash-Lite memenanginya, $0.19 versus $0.22. Inversi itulah satu-satunya cara jujur untuk memasuki perbandingan ini, karena hal itu memberi tahu Anda bahwa keputusannya sama sekali bukan soal kartu tarif.

Dua kartu tarif yang hanya tampak mirip

Mulailah dengan apa yang sebenarnya diterbitkan oleh masing-masing vendor, karena strukturnya berbeda sama seperti angkanya.

• Masukan — $0,15 per juta token pada MiniMax M3.1 Flash dibandingkan $0,30 pada Gemini 3.5 Flash-Lite.

• Keluaran — $0.60 dibandingkan $2.50, selisih empat banding satu.

• Input yang di-cache — $0.015 dibandingkan $0.03, keduanya diskon 90% dari tarif input.

• Penyimpanan cache — Google menetapkan tarif $1,00 per juta token yang di-cache per jam. Kartu tarif peluncuran MiniMax tidak merinci biaya penyimpanan.

• Batch and Flex — Google memangkas input menjadi $0.15 dan output menjadi $1.25 pada kedua tier. Harga peluncuran MiniMax adalah kartu tiga baris yang flat, tanpa tier batch dalam materi peluncuran.

• Prioritas — Google menjual tier prioritas seharga $0.54 untuk input dan $4.50 untuk output. Postingan peluncuran MiniMax tidak mengumumkan padanan.

• Konteks dan batas keluaran — keduanya menerima 1 juta token masukan. MiniMax mengizinkan hingga 524.288 token keluaran; Gemini 3.5 Flash-Lite berhenti pada 65.536.

• Bobot — MiniMax menerbitkan unduhan berukuran 252,4 GB pada 23 Oktober di bawah lisensi komunitasnya. Gemini 3.5 Flash-Lite bersifat proprietari.

Tingkat batch layak mendapat kalimatnya sendiri, karena di sinilah kedua kartu hampir bersentuhan. Tim yang dapat menoleransi latensi batch mendapatkan input Gemini 3.5 Flash-Lite seharga $0.15 — tepat harga input standar MiniMax — tetapi output seharga $1.25, masih lebih dari dua kali lipat $0.60 milik MiniMax. Batch mempersempit selisih input dan membiarkan selisih output tetap utuh. Jika beban kerja Anda didominasi output, seperti halnya beban kerja agen dan coding, diskon batch tidak menyelamatkan perbandingan ini.

Kesenjangan kemampuan itu tidak samar, tetapi bacalah versi benchmark-nya.

Artificial Analysis menjalankan kedua model melalui rangkaian pengujian yang sama, dan hasilnya tidak berdekatan:

• Intelligence Index — 43 untuk MiniMax M3.1 Flash, peringkat kelima dari 173 model; 22 untuk Gemini 3.5 Flash-Lite, peringkat ke-44.

Terminal-Bench 4.0 — 26% dibandingkan 1%.

• AutomationBench-AA — 73% dibandingkan dengan 25%.

• GDPval-AA — 1,458 berbanding 985.

• SciCode — 53% berbanding 41%.

Angka Terminal-Bench adalah angka yang akan dikutip di luar konteks, jadi angka itu perlu konteks. Kartu model Google sendiri untuk Gemini 3.5 Flash-Lite menyebut Terminal-Bench 2.1 sebesar 54,0%. Artificial Analysis menjalankan Terminal-Bench 4.0 dan mencatat 1%. Kedua angka itu bisa sama-sama benar, karena keduanya adalah generasi benchmark berbeda yang menguji hal berbeda. Arti 1% bukanlah bahwa Flash-Lite tidak bisa menggunakan terminal; artinya model itu hampir tidak pernah menyelesaikan tugas terminal end-to-end yang sulit saat ini tanpa bantuan. Arti 54% adalah bahwa model itu tampil baik pada versi benchmark yang lebih awal. Siapa pun yang membandingkan model ini dengan MiniMax M3.1 Flash pada "Terminal-Bench" tanpa menyebut versinya means membandingkan dua tes yang berbeda.

Perbedaan antara vendor dan independen sama pentingnya. Kartu Google juga melaporkan SWE-Bench Pro sebesar 54,2%, OSWorld-Verified sebesar 74,0%, dan GDM-MRCR sebesar 72,2% pada konteks 128K — semuanya dilaporkan vendor, semuanya pada pengaturan yang dipilih Google. Postingan peluncuran MiniMax melaporkan BankerToolBench sebesar 76,2, DeepSWE v1.1 sebesar 73,7%, dan OSWorld V2 sebesar 61,7, juga dilaporkan vendor. Satu-satunya baris dalam artikel ini yang menguji kedua model melalui harness yang sama adalah baris Artificial Analysis, itulah sebabnya baris-baris tersebut yang menopang argumen.

Mengapa model yang lebih mahal tetap bisa lebih hemat per tugas

Artificial Analysis mengukur biaya per tugas Intelligence Index yang diselesaikan sebesar $0,19 untuk Gemini 3.5 Flash-Lite dan $0,22 untuk MiniMax M3.1 Flash. Itu tampak mustahil di samping selisih harga output empat banding satu sampai Anda ingat apa metriknya: token yang benar-benar dikonsumsi, dikalikan dengan tarif penyedia. Ini bukan perbandingan daftar harga. Ini adalah pengukuran seberapa banyak kerja yang dilakukan setiap model untuk menyelesaikan tugas yang sama.

MiniMax M3.1 Flash adalah penalar yang bertele-tele. Artificial Analysis mencatat sekitar 180 juta token keluaran di seluruh indeks untuk M3.1 Flash, dibandingkan dengan median sekitar 100 juta untuk model-model yang dilacaknya. Biaya Gemini 3.5 Flash-Lite sebesar $0,19 per tugas, pada sekitar sepertiga dari harga token campuran MiniMax, menyiratkan bahwa model itu menuntaskan indeks yang sama dengan jauh lebih sedikit token. Itu merupakan inferensi dari dua angka yang dipublikasikan, bukan klaim vendor, tetapi mengarah ke kesimpulan yang sama: pada tugas-tugas di mana pertimbangan ekstra M3.1 Flash menghasilkan jawaban yang benar, pengeluaran tokennya adalah pertukaran yang baik. Pada tugas-tugas di mana jawabannya tidak pernah diragukan, pertimbangan itu adalah pemborosan, dan model yang lebih murah per token menjadi yang lebih mahal per tugas.

Jalankan perhitungan invoice pada beban kerja yang mungkin benar-benar Anda miliki: 20 juta token input per bulan dengan tingkat cache-hit 60%, ditambah 3 juta token output.

• MiniMax M3.1 Flash — 8 juta input baru dengan $0.15 adalah $1.20; 12 juta di-cache dengan $0.015 adalah $0.18; 3 juta output dengan $0.60 adalah $1.80. Total $3.18.

• Gemini 3.5 Flash-Lite — 8 juta input baru dengan tarif $0,30 adalah $2,40; 12 juta di-cache dengan tarif $0,03 adalah $0,36; 3 juta output dengan tarif $2,50 adalah $7,50. Total $10,26, di luar penyimpanan cache.

Itu adalah selisih 3,2x yang menguntungkan MiniMax. Perkecil output menjadi setengah juta token, seperti bentuk pekerjaan klasifikasi atau ekstraksi, dan angkanya menjadi $1,68 berbanding $4,01 — masih 2,4x. Tempatkan Gemini pada tier batch-nya dengan output 3 juta token dan hasilnya $5,19, masih 1,6x MiniMax. Perhitungan per token tidak bergeming.

Jadi inversi biaya per tugas itu nyata tetapi sempit, dan itu adalah pernyataan tentang efisiensi token, bukan harga. Jika beban kerja Anda menyerupai Intelligence Index — tugas-tugas singkat dan terspesifikasi dengan baik di mana model yang lebih kecil dapat menyelesaikannya dengan cepat — efisiensi Flash-Lite dapat menghapus selisih tarif. Jika beban kerja Anda menyerupai invoice di atas, tidak. Satu-satunya perkiraan yang andal adalah jumlah token Anda sendiri pada prompt Anda sendiri, yang diukur pada keduanya.

Kecepatan adalah dua pengukuran yang mengarah ke arah yang berlawanan

Kisah tentang kecepatan lebih menarik daripada "salah satu lebih cepat", karena kedua model menang pada paruh yang berbeda.

• Waktu hingga token pertama — 1,48 detik pada MiniMax M3.1 Flash dibandingkan 6,94 detik pada Gemini 3.5 Flash-Lite. Model MiniMax mulai menjawab hampir lima kali lebih cepat.

• Throughput keluaran — 95.6 token per detik dibandingkan dengan 430.2. Setelah dimulai, Flash-Lite melakukan streaming sekitar empat setengah kali lebih cepat.

Angka mana yang penting bergantung pada bentuk panggilannya. Dalam antarmuka chat, latensi token pertama adalah yang dirasakan pengguna; model yang berhenti selama tujuh detik sebelum kata pertama terasa rusak, tidak peduli seberapa cepat ia mengetik setelahnya. Dalam generasi panjang — laporan 100.000 token, refactor besar — throughput mendominasi waktu aktual dan yang lambat memulai bisa selesai lebih dulu. Dalam loop agen, di mana setiap langkah adalah panggilan alat singkat dan loop berjalan dua puluh kali, waktu ke token pertama dibayar dua puluh kali dan throughput hampir tidak penting.

Dua catatan penting. Artificial Analysis mengukur 95,6 token per detik untuk M3.1 Flash, sementara materi MiniMax sendiri mengklaim median di atas 170 dan puncak di atas 200 — pengingat bahwa jalur penyajian dan kondisi pengukuran sangat mengubah angka ini. Dan kecepatan 430 token per detik Flash-Lite memang benar-benar cepat, tetapi batas keluarannya sebesar 65.536 token berarti kasus generasi panjang, tempat kecepatan itu paling menguntungkan, menjadi terbatas. Batas 524.288 token milik MiniMax delapan kali lebih besar.

Sebaran penyedia lebih lebar daripada selisih antarmodel. Halaman OrcaRouter sendiri untuk Gemini 3.5 Flash-Lite melaporkan p50 waktu ke token pertama sebesar 3,59 detik dan p95 sebesar 10,00 detik di antara penyedia yang menjadi tujuan peruteannya, dibandingkan dengan angka 6,94 detik dari Artificial Analysis. Itu bukan kontradiksi; begitulah tampilan model yang dirutekan ketika backend berbeda melayaninya. Ini juga berarti cara jujur untuk membandingkan kedua model ini dalam hal latensi adalah mengukur rute Anda sendiri, bukan mempercayai satu angka dari salah satu vendor.

Baris yang seharusnya menentukan pekerjaan yang diregulasi

Evaluasi AA-Omniscience dari Artificial Analysis memberi MiniMax M3.1 Flash skor 16: 56% pertanyaan faktual dijawab dengan benar, dan tingkat halusinasi sebesar 93%. Angka terakhir itu tidak berarti 93% jawaban salah. Artinya, dari respons yang tidak benar, 93% benar-benar salah alih-alih berupa jawaban sebagian atau penolakan — model biasanya menjawab ketika seharusnya menolak.

Halaman Artificial Analysis untuk Gemini 3.5 Flash-Lite tidak memuat skor AA-Omniscience, jadi keduanya tidak dapat dibandingkan dalam hal abstensi. Ketiadaan itu bukan jaminan bebas masalah; itu data yang hilang. Yang dapat dikatakan adalah bahwa model dengan batas kemampuan yang lebih rendah dan bias kuat terhadap jawaban singkat mungkin gagal dengan cara berbeda — dengan menolak atau dengan menghasilkan keluaran yang jelas tipis — tetapi tidak ada pengukuran terbit yang membuktikannya. Jangan menganggap model yang lebih kecil lebih aman hanya karena ukurannya lebih kecil.

Untuk tugas coding dan agentic, AA-Omniscience adalah prediktor yang buruk: model tidak diminta mengingat fakta, melainkan diminta bertindak berdasarkan file dan hasil tool. Untuk apa pun yang menyerupai pekerjaan pengetahuan — merangkum kontrak, menjawab pertanyaan kebijakan pelanggan, mengekstrak angka dari sebuah dokumen resmi — angka 93% itu adalah hal pertama yang harus menjadi dasar perancangan, bukan yang terakhir. Retrieval, pemeriksaan sitasi, dan langkah tinjauan manusia tidak bersifat opsional di sana, dan harga token yang lebih murah tidak mengimbangi biaya dari jawaban salah yang disampaikan dengan penuh keyakinan.

Aturan keputusan yang bertahan menghadapi beban kerja Anda sendiri

• Klasifikasi, ekstraksi, perutean, dan penerjemahan bervolume tinggi dengan keluaran singkat — Gemini 3.5 Flash-Lite. Indeks 22 sudah memadai untuk tugas-tugas yang sempit, 430 token per detik adalah intinya, dan 65.536 token keluaran sudah sangat cukup. Tingkat batch-nya pada input $0.15 membuat kasus volume semakin kuat.

• Pengodean skala repo, agen multi-langkah, dokumen panjang, keluaran panjang — MiniMax M3.1 Flash. Terminal-Bench 4.0 pada 26% dibandingkan 1% adalah kesenjangan yang relevan, 524,288 token keluaran menghilangkan batas atas yang kaku, dan harga inputnya setengah.

• Akses on-premises atau bobot — MiniMax M3.1 Flash, dan hanya itu. Unduhan 252,4 GB itu nyata, tetapi diatur oleh Lisensi Komunitas MiniMax: atribusi diwajibkan pada penerapan komersial, dan izin tertulis sebelumnya diperlukan jika pendapatan tahunan melebihi $20 juta. "Open weights" bukan "open source," dan bagian pengadaan harus membaca lisensi sebelum jumlah parameter.

• Chat yang sensitif terhadap latensi — uji keduanya. MiniMax unggul jauh dalam waktu hingga token pertama; Gemini unggul dalam throughput streaming. Mana yang terasa lebih cepat bergantung pada panjang jawaban.

• Tanya jawab faktual tanpa pengawasan — tidak mungkin tanpa retrieval dan verifikasi. MiniMax M3.1 Flash memiliki masalah abstensi yang terukur; Gemini 3.5 Flash-Lite tidak memiliki pengukuran yang dipublikasikan sama sekali.

Di mana masing-masing sebenarnya dapat dipanggil

Ada asimetri yang layak dinyatakan secara terang-terangan. Gemini 3.5 Flash-Lite sudah ada di katalog OrcaRouter hari ini, sehingga dapat dipanggil melalui satu kunci API dengan harga daftar penyedia tanpa markup 0%, dengan failover otomatis antarpenyedia dan DSL perutean tersedia untuk mengombinasikannya dengan model lain. MiniMax M3.1 Flash tidak ada di katalog; lini MiniMax di sana berhenti pada MiniMax-M3. Memanggil M3.1 Flash berarti menggunakan API MiniMax sendiri atau salah satu mitra penyajiannya — termasuk Tenstorrent Cloud, yang mengumumkan penerapan tersebut pada 22 Oktober.

Itu lebih penting untuk evaluasi daripada untuk produksi. Jika Anda ingin menyelesaikan pertanyaan biaya per tugas pada data Anda sendiri, perbandingan yang berguna sering kali adalah MiniMax-M3 versus Gemini 3.5 Flash-Lite dengan satu kunci, karena keduanya dapat dirutekan dan diukur dengan cara yang sama; model yang lebih baru kemudian harus mengalahkan baseline tersebut sebelum Anda mengambil vendor kedua. OrcaRouter meneruskan harga daftar penyedia tanpa perubahan, sehingga perubahan harga MiniMax atau tier batch Google muncul di faktur Anda pada hari yang sama saat berubah, bukan pada akhir kontrak yang dinegosiasikan.

Pilihannya bergantung pada angka mana yang kesalahannya bisa Anda tanggung.

Jika Anda memilih Gemini 3.5 Flash-Lite dan Anda salah menilai kemampuannya, kegagalannya terlihat: 1% pada Terminal-Bench 4.0 dan skor AutomationBench-AA 25% tidak bisa disembunyikan. Anda akan melihat tugas itu gagal dan akan memindahkannya ke model lain.

Jika Anda memilih MiniMax M3.1 Flash dan Anda keliru soal biaya, kegagalannya lebih kecil daripada yang disiratkan kartu tarif: pada contoh dengan pengukuran token di atas, biayanya dua hingga tiga kali lebih murah, dan pada metrik tugas Artificial Analysis, biayanya sekitar 16% lebih mahal. Tidak ada hasil yang bersifat katastrofis.

Jika Anda memilih MiniMax M3.1 Flash dan Anda salah dalam hal menahan diri untuk menjawab, kegagalannya terjadi secara diam-diam. Itulah asimetri yang seharusnya mendorong keputusan untuk pekerjaan berbasis pengetahuan, dan itulah alasan perbandingan ini tidak berakhir dengan "model yang lebih murah dan lebih cerdas menang." Untuk beban kerja agentik dan pengkodean, ketika model bekerja pada artefak yang dapat Anda periksa, MiniMax M3.1 Flash adalah pilihan yang lebih kuat dengan harga token yang lebih rendah. Untuk pemrosesan bervolume tinggi dengan jawaban singkat, kecepatan dan efisiensi tugas Gemini 3.5 Flash-Lite tetap membuatnya layak dipilih. Untuk pekerjaan faktual tanpa lapisan verifikasi, jawaban jujurnya adalah tidak satu pun dari model tersebut telah terbukti layak.