MiniMax-M3.1-Flash vs MiniMax-M3: Setengah Harga, Tanpa Bobotnya

MiniMax-M3.1-Flash berbiaya tepat setengah dari MiniMax-M3 per token, mencetak skor tiga belas poin lebih tinggi pada Artificial Analysis Intelligence Index, dan merupakan model yang kini digunakan MiniMax untuk mengarahkan pelanggan lamanya sendiri. Ini juga model pertama di lini ini yang tidak dapat Anda unduh. MiniMax-M3, dirilis 1 Juni 2026, adalah mixture-of-experts 428 miliar parameter dengan 23 miliar parameter aktif, bobot yang dipublikasikan di Hugging Face, dan daftar harga yang dapat Anda baca dari tabel; MiniMax-M3.1-Flash, dirilis 19 Oktober 2026, adalah model tertutup dengan skor benchmark yang lebih baik, jalur penyajian yang lebih cepat, dan janji bahwa bobotnya akan tersedia "nanti." Kalimat itu adalah inti dari seluruh keputusan, dan selisih harga hanyalah distraksi darinya — meskipun distraksi yang cukup besar sehingga ada baiknya melakukan perhitungan sebelum Anda memutuskan. Kegagalan AI dan insiden agen yang terdokumentasi di balik rilis seperti ini dikumpulkan dalam OrcaRouter AI Incident Archive di mana setiap entri mencantumkan sumbernya sendiri, tingkat keparahan, tingkat keyakinan, dan penanda status diperdebatkan.

Apa yang sebenarnya tertulis di kedua kartu tarif

Mulailah dari soal uang, karena di situlah klaim pemasaran dan faktur berbeda.

• Input standar — MiniMax-M3.1-Flash $0.15 per 1 juta vs MiniMax-M3 $0.30 per 1 juta hingga 512.000 token input

• Output standar — $0.60 per 1 juta vs $1.20 per 1 juta, ambang 512.000 token yang sama

• Di atas 512.000 token input — MiniMax-M3 naik dua kali lipat menjadi $0,60 untuk input dan $2,40 untuk output; MiniMax-M3.1-Flash tidak mengenakan biaya tambahan konteks panjang

• Pembacaan cache — $0.015 per 1 juta vs $0.06 per 1 juta

• Akses prioritas — tidak ditawarkan pada MiniMax-M3.1-Flash; MiniMax-M3 menjualnya dengan tarif 1,5× tarif standar, sehingga $0,45/$1,80 di bawah ambang batas dan $0,90/$3,60 di atasnya

• Indeks Kecerdasan — 42 vs 29, menurut Artificial Analysis

• Biaya per tugas Index — $0.22 vs $0.51, potongan 57% bukan 50% yang disiratkan kartu tarif

• Jendela konteks — 1.000.000 token pada keduanya, meskipun katalog kami mencantumkan MiniMax-M3 sebesar 1.048.576

• Kecepatan keluaran — 125,5 token per detik vs 106,4, keduanya diukur secara independen

• Bobot — dijanjikan nanti vs diterbitkan, terbuka, di Hugging Face

• Parameter — tidak diungkapkan, hanya dijelaskan sebagai "sparsitas yang lebih agresif" dibandingkan total 428B dan 23B aktif

Dua baris dalam daftar itu memiliki bobot lebih besar daripada yang disiratkan panjangnya. Yang pertama adalah biaya tambahan konteks panjang. Jika beban kerja Anda secara rutin melewati 512.000 token masukan — satu proses pengodean seluruh repositori, transkrip panjang, kumpulan dokumen — selisih efektifnya bukan 2× melainkan 4× pada masukan dan 4× pada keluaran, karena MiniMax-M3.1-Flash sama sekali tidak menerapkan tarif bertingkat. Yang kedua adalah penerimaan prioritas. MiniMax-M3 dapat membeli jalur pelayanan yang lebih cepat dengan 1,5×; MiniMax-M3.1-Flash tidak dapat membelinya dengan harga berapa pun. Referensi API-nya mencantumkan service_tier sebagai tidak didukung. Jika latensi saat beban tinggi adalah alasan Anda membayar untuk M3, model yang lebih baru tidak menjual tuas itu kepada Anda — model itu menjual jalur pelayanan yang lebih cepat di baliknya, lalu mengambil tuas itu.

Mencapai setengah biaya lebih mudah daripada mencapai setengah tagihan

Memotong separuh tarif kartu tarif tidak memotong tagihan menjadi separuh, dan ini adalah kesalahan paling umum dalam perencanaan migrasi untuk pasangan ini. MiniMax-M3.1-Flash berpikir pada setiap permintaan dengan upaya default maks, tidak dapat diperintahkan untuk berhenti, dan terbukti bertele-tele: model ini mengonsumsi 180 juta token keluaran di seluruh Intelligence Index, sedangkan model median mengonsumsi 99 juta. MiniMax-M3 memungkinkan Anda mematikan proses berpikir sepenuhnya dan secara default proses itu dimatikan pada endpoint yang kompatibel dengan Anthropic.

Beri angka konkret. Ambil pekerjaan pelabelan dokumen yang mengirim 2.000 token input berisi skema dan instruksi per panggilan dan mengembalikan 80 token JSON. Pada MiniMax-M3 dengan thinking dinonaktifkan, Anda membayar 2.000 × $0,30 per juta ditambah 80 × $1,20 per juta — sekitar $0,0007 per panggilan. Pada MiniMax-M3.1-Flash, pekerjaan yang sama, tanpa cara menonaktifkan thinking, membelanjakan input pada $0,15 per juta tetapi kemudian mengeluarkan blok penalaran yang mencapai beberapa ratus token sebelum jawaban. Pada 500 token thinking ditambah 80 token jawaban, tagihan output adalah 580 × $0,60 per juta — sekitar $0,00065. Nyaris lebih murah, dan itu pun dengan estimasi thinking yang konservatif. Pada 1.500 token thinking, model yang lebih baru lebih mahal daripada model yang lebih lama untuk output yang identik, karena kemampuan model lama untuk mematikan penalaran bernilai lebih tinggi daripada tarif model baru yang lebih murah.

Sekarang ubah beban kerjanya. Proses agen multi-langkah yang sudah menggunakan 40.000 token output pada M3 untuk panggilan alat dan penalaran, dengan thinking diaktifkan karena memang perlu berpikir. M3 menagih 40.000 × $1,20 per juta, atau $0,048. M3.1-Flash dengan volume yang sama menagih $0,024 — dan dalam praktiknya menghabiskan lebih sedikit, karena trajektorinya lebih pendek, itulah sebabnya angka biaya-per-tugas independen turun 57% alih-alih 50%. Di situlah penghematannya berada: pekerjaan panjang yang berat penalaran, bukan panggilan deterministik yang singkat.

Aturan yang muncul dari ini: jika Anda dapat menggambarkan beban kerja Anda sebagai "banyak jawaban kecil," MiniMax-M3.1-Flash mungkin merupakan model yang lebih mahal. Jika Anda dapat menggambarkannya sebagai "sedikit jawaban panjang," model ini tidak diragukan lagi lebih murah.

Bobot adalah bagian yang tidak bisa dihindari.

Setiap angka di atas dapat dibalik. MiniMax bisa memotong harga MiniMax-M3 besok; bisa juga menaikkan harga M3.1-Flash. Yang tidak dapat dibalik adalah lisensinya. MiniMax-M3 dapat diunduh — total 428 miliar parameter, 23 miliar aktif, tersedia di Hugging Face dan dicerminkan dalam build MXFP8 — yang berarti Anda dapat mengkuantisasinya, melakukan fine-tuning, menjalankannya di perangkat keras Anda sendiri, tetap menyajikannya setelah vendor beralih, dan mengaudit isinya. MiniMax-M3.1-Flash adalah endpoint yang dihosting yang menurut MiniMax akan mendapatkan bobotnya nanti, tanpa tanggal, tanpa lisensi, dan tanpa jumlah parameter.

Asimetri itu muncul di tiga tempat yang tidak akan tertangkap oleh perbandingan biaya. Kepatuhan: tim di sektor teregulasi yang perlu menjalankan inferensi di dalam perimeter sendiri, atau mendokumentasikan artefak model yang menjadi dependensinya, tidak dapat menggunakan MiniMax-M3.1-Flash saat ini dengan harga berapa pun. Kontinuitas: jadwal penghentian MiniMax sendiri telah menggabungkan dua keluarga model secara keseluruhan — M2.5 dan M2.7 — ke dalam MiniMax-M3.1-Flash pada 19 Oktober, dengan penghentian penuh pada 18 November. Model memang bisa dimatikan, dan satu-satunya cara terjamin untuk bertahan dari hal itu adalah memiliki salinan. Reprodusibilitas: skor benchmark yang tidak dapat Anda jalankan ulang terhadap checkpoint yang dibekukan adalah skor yang harus Anda terima begitu saja, dan setiap angka MiniMax-M3.1-Flash dalam artikel ini adalah seperti itu.

Jika M​iniMax merilis bobotnya, bagian ini menjadi usang dan kenangan tentang model 428B yang dapat diunduh seharga $0,30 per juta justru menjadi catatan kaki yang lebih menarik. Sampai itu terjadi, "nanti" hanyalah janji, dan model yang lebih lama adalah yang bisa Anda pegang.

Kesenjangan kemampuan itu nyata, dan lebih sempit daripada yang tersirat oleh indeks tersebut

Tiga belas poin pada Intelligence Index adalah lompatan besar — kira-kira setara satu generasi model pada titik harga ini. Namun sebagian dari selisih itu mengukur perubahan dalam cara model diizinkan berjalan, bukan apa yang mereka ketahui. MiniMax-M3.1-Flash dinilai dengan penalaran yang dipaksa aktif pada upaya maksimum; hasil indeks MiniMax-M3 dihasilkan berdasarkan default-nya sendiri, yang pada salah satu protokol berarti mode berpikir nonaktif. Sebagian dari tiga belas poin itu adalah tangga, bukan bobot.

Bukti dari pihak vendor mengarah ke kesimpulan yang sama. Angka peluncuran MiniMax sendiri untuk MiniMax-M3.1-Flash — BankerToolBench 76.2, DeepSWE v1.1 pada 73.7%, OSWorld V2 pada 61.7, Agents' Last Exam pada 29.6, CyberGym pada 82% — semuanya merupakan evaluasi agentic, dan setiap evaluasi tersebut adalah setting yang diuntungkan oleh pemaksaan penalaran maksimum. Tidak ada perbandingan terbit terhadap MiniMax-M3 pada harness yang sama, jadi pernyataan yang jujur adalah bahwa model yang lebih baru lebih baik dalam pekerjaan agentic dengan selisih yang belum pernah diukur oleh pihak mana pun di luar MiniMax terhadap pendahulunya, dan bahwa indeks menunjukkan peningkatan nyata sebesar sesuatu yang kurang dari tiga belas poin setelah kebijakan penalaran dijaga konstan.

Ketika perbedaannya tidak diperdebatkan adalah pada sisi operasional. 125,5 token per detik dibandingkan 106,4 berarti jalur penyajian 18% lebih cepat, diukur oleh pihak ketiga, dan hal itu tetap berlaku terlepas dari beban kerjanya. Bagi alat pengodean interaktif, itulah perbedaan yang dirasakan pengguna.

Di mana MiniMax-M3.1-Flash adalah jawaban yang salah

Tiga beban kerja sebaiknya tetap menggunakan MiniMax-M3 bahkan setelah peluncuran ini, dan nama-namanya perlu disebutkan karena liputan peluncuran tidak menyebutkannya.

Yang pertama adalah apa pun di dalam jaringan Anda sendiri. Tidak ada versi model yang lebih baru yang dapat Anda jalankan, dan tidak ada indikasi kapan versi itu akan tersedia.

Yang kedua adalah pekerjaan deterministik bervolume tinggi dengan token rendah — klasifikasi, ekstraksi, perutean, pemformatan — di mana kemampuan untuk menonaktifkan proses berpikir menjadi fitur biaya yang menentukan dan MiniMax-M3 memilikinya.

Yang ketiga adalah apa pun yang bergantung pada penerimaan prioritas. Jika aplikasi Anda membeli tier 1.5× MiniMax-M3 untuk menjaga latensi p99 tetap dalam SLA, MiniMax-M3.1-Flash menghilangkan opsi itu; Anda akan menukar tuas yang dapat dikendalikan dengan baseline yang lebih cepat yang tidak dapat Anda sesuaikan.

Semua pihak lain — pipeline agentik, loop penggunaan komputer, sesi pengodean konteks panjang, tim yang beban kerjanya panjang alih-alih banyak — seharusnya mulai beralih. Model yang lebih baru lebih cepat, lebih murah per tugas yang diselesaikan, dan lebih baik tepat pada evaluasi yang menggambarkan pekerjaan itu.

Menjalankan keduanya tanpa menjalankan dua integrasi

Jawaban realistis bagi sebagian besar tim bukanlah beralih, melainkan membagi: MiniMax-M3 untuk panggilan deterministik pendek dan apa pun yang harus tetap on-premises, MiniMax-M3.1-Flash untuk proses agentic yang panjang. Keduanya berasal dari vendor yang sama, keluarga protokol yang sama, dan dalam hal endpoint yang kompatibel dengan Anthropic, bentuk permintaan yang sama — jadi pembagian ini adalah aturan perutean, bukan dua integrasi SDK.

Itulah fungsi OrcaRouter: satu kunci API untuk 200+ model dengan harga daftar penyedia yang diteruskan pada markup 0%, jadi $0.30/$1.20 untuk MiniMax-M3 adalah yang Anda bayar dan revisi vendor masuk ke tagihan Anda pada hari yang sama saat revisi itu masuk ke tagihan mereka. MiniMax-M3 sudah ada di katalog kami hari ini. MiniMax-M3.1-Flash belum — panggil melalui API milik M​iniMax sendiri, M Plan, atau M​iniMax Code — jadi pembagian di atas berjalan sebagai aturan perutean dengan satu bagian di luar kami sampai kami menyediakannya. Failover otomatis tetap benar-benar berfungsi dalam bentuk itu: jika endpoint yang lebih baru terkena pembatasan laju atau id berubah di bawah Anda, permintaan dialihkan kembali ke MiniMax-M3 alih-alih ke halaman error.

Yang membuat pemisahan ini layak dibangun alih-alih hanya diteorikan adalah bahwa kedua model itu benar-benar berbeda dalam bentuk, bukan sekadar skor. Router yang mengirim panggilan pendek ke model yang dapat berhenti berpikir, dan panggilan panjang ke model yang tidak dapat, sedang melakukan sesuatu yang sudah dibenarkan oleh benchmark.

Versi singkatnya

MiniMax-M3.1-Flash adalah model yang lebih baik tetapi aset yang lebih buruk. Skornya 42 berbanding 29, berjalan 18% lebih cepat, dan biayanya lebih rendah per tugas yang diselesaikan — 57% lebih rendah pada indeks yang dibangun dari pekerjaan panjang yang berat penalaran. MiniMax-M3 dapat diunduh, lebih murah untuk panggilan singkat, dan merupakan sesuatu yang Anda miliki. Untuk beberapa bulan ke depan, sikap yang masuk akal adalah menjalankan keduanya, menaruh pekerjaan panjang pada model baru, dan mengawasi rilis bobot, karena pada hari MiniMax menerbitkan checkpoint, satu-satunya alasan yang tersisa untuk model lama adalah jalur prioritas.