
Hy4 flash vs MiniMax M3.1 Flash: Dua Model Open-Weight Murah, Satu dengan Skor
- OrcaBARUOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1 juta token · 138 tok/s
- tencentBARUTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1 juta token · 175 tok/s
- GoogleBARUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1 juta token · 89 tok/s
- AnthropicBARUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1 juta token · 97 tok/s
- orcaBARUOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1 juta token · 88 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1 juta token · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1 juta token · 86 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1 juta token · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1 juta token · 120 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1 juta token · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 juta token · 92 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 juta token · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Kecerdasan
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1 juta token · 195 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Kecerdasan
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1 juta token · 116 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Kecerdasan
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 per 1 juta token
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Kecerdasan
Inilah perbandingan langka ketika kedua model dapat diunduh, keduanya diposisikan pada tingkat "murah dan cepat" yang sama, keduanya menerima gambar, keduanya menampung satu juta token, dan salah satunya memiliki angka dari pihak selain pembuatnya. MiniMax-M3.1-Flash telah ada di Artificial Analysis sejak rilisnya pada 19 Oktober 2026 dan saat ini tercatat 29 pada Intelligence Index v5.0.1, dengan $0.15 per juta token input dan $0.60 per juta token output. Hy4 flash telah tersedia untuk publik sejak 16 November 2026, menjadi open-weight pada 17 November, biayanya sekitar setengah dari itu untuk input dan kurang dari setengah untuk output, dan tidak memiliki entri Artificial Analysis sama sekali.
Jadi halaman ini tidak dapat memberi tahu Anda model mana yang lebih cerdas, karena hanya salah satunya yang telah diukur. Yang dapat dilakukannya adalah sesuatu yang lebih berguna bagi siapa pun yang benar-benar sedang memilih: menempatkan kedua artefak rilis secara berdampingan, karena keduanya memang objek yang sebanding — tingkat yang sama, keterbukaan yang sama, bulan yang sama — dan perbedaan yang tersisa adalah perbedaan konkret tentang lisensi, biaya penyajian, dan apa yang dioptimalkan oleh masing-masing vendor.
Mulailah dengan apa yang sebenarnya dikirimkan oleh kedua vendor.
Kedua rilis ini mencakup model yang disetel dengan instruksi, bobot terbuka, serta varian dasar atau terkuantisasi. Tidak satu pun merupakan API tertutup yang hanya ditambahi unduhan.
• MiniMax-M3.1-Flash — 428B parameter total, 23B aktif, mixture-of-experts, model penalaran, masukan teks dan gambar dengan keluaran teks, konteks 1M token, bobot di Hugging Face di bawah MiniMax Community License, yang mengizinkan penggunaan komersial dengan pembatasan.
• Hy4 flash — 220B total parameter (155,5B backbone ditambah 63,5B Engram ditambah encoder visi 0,43B dan drafter 0,85B), 12B aktif, mixture-of-experts, masukan berupa teks dan gambar dengan keluaran berupa teks, konteks 1.048.576 token, bobot di Hugging Face sebagai Hy4 flash, Hy4 flash-FP8, dan Hy4 flash-Base di bawah Tencent Hy License.
• Apa yang tidak dirilis MiniMax — tidak ada checkpoint dasar terpisah dan tidak ada tabel benchmark model dasar; model 428B adalah artefaknya.
• Yang tidak dirilis Tencent — tidak ada skor independen, tidak ada rangkaian benchmark agentik yang dipublikasikan untuk model instruksi, dan tidak ada rilis Transformers (integrasinya ada di pull request 50903).
Jumlah parameter perlu disertai catatan, bukan dijadikan perbandingan, karena keduanya tidak mengukur hal yang sama. 428B/23B milik MiniMax adalah hitungan parameter padat konvensional. 220B milik Tencent mencakup 63,5B tabel embedding n-gram Engram — parameter yang di-hash dan dicari, bukan dikalikan — sehingga kedua total itu bukan pembanding ukuran model yang setara, sama seperti jumlah rak di perpustakaan bukanlah ukuran seberapa banyak yang telah dibacanya. Angka parameter aktif adalah perbandingan yang lebih adil, yaitu 12B versus 23B, dan angka itu memprediksi apa yang sebenarnya ditunjukkan kartu harga.
Baris-baris harga, dan satu-satunya tempat mereka terbalik.
Kedua kartu tarif tersebut adalah harga daftar milik vendor sendiri, bukan hasil pengukuran.
• Masukan — Hy4 flash $0.070 dibandingkan dengan MiniMax-M3.1-Flash $0.15. Hy4 flash 2,1x lebih murah.
Output — $0.281 dibandingkan $0.60. Hy4 flash 2,1x lebih murah.
• Input cache — $0.003 dibandingkan $0.015. Hy4 flash 5x lebih murah.
• Biaya terukur per tugas Index — $0,49 untuk MiniMax-M3.1-Flash menurut Artificial Analysis; belum diukur untuk Hy4 flash.
Baris terakhir adalah yang menarik, karena menunjukkan mengapa harga per token merupakan proksi yang buruk untuk biaya per tugas. MiniMax-M3.1-Flash dengan $0.49 per tugas Index yang diselesaikan dikenakan tarif input $0.15 — lebih dari dua kali lipat Hy4 flash — dan tetap lebih murah per tugas daripada model dengan harga token lebih rendah, karena jumlah token yang dihabiskan sebuah model untuk sampai pada jawaban lebih bervariasi daripada tarifnya. Klaim Tencent bahwa pasca-pelatihan RL memangkas panjang output rata-ratanya sebesar 50% adalah gagasan yang sama dari arah sebaliknya: model termurah biasanya adalah model yang berhenti berbicara lebih dulu.
Jadi pembacaan jujur atas perbandingan harga adalah: tarif Hy4 flash lebih rendah dengan faktor dua, dan tidak ada yang tahu apakah itu berarti faktor dua per tugas sampai harness independen menjalankan keduanya. Angka WorkIndex milik Tencent sendiri menempatkan Hy4 flash pada 1/8 biaya per tugas DeepSeek-V4.1-Flash-1017, yang merupakan perbandingan berbeda pada suite yang berbeda. Jangan membawanya ke konteks lain.

Kecepatan: satu terukur, satu diklaim
• MiniMax-M3.1-Flash — 132 token keluaran per detik, 50,64 detik hingga token jawaban pertama, sekitar 14,2 menit waktu berjalan per tugas Index jika Anda mengekstrapolasi dari angka $0.49 dan 132 t/s. Semua data Artificial Analysis.
{{1}}Hy4 flash{{/1}} — lebih dari 150 token per detik untuk decoding yang diklaim oleh {{2}}Tencent{{/2}} untuk build FP8 pada node tensor-parallel-8, dan waktu penyelesaian end-to-end median 6,7 menit dalam uji buta 85 pengguna milik {{3}}Tencent{{/3}} sendiri.
Itu tidak dapat dibandingkan dan perbedaannya memberi pelajaran. Angka MiniMax adalah pengukuran throughput pada harness terstandardisasi; angka Tencent adalah klaim serving untuk image kontainer tertentu pada perangkat keras tertentu, ditambah median penyelesaian tugas dari populasi internal. Tidak ada vendor yang tidak jujur. Mereka menjawab pertanyaan yang berbeda, dan pertanyaan kedua — berapa lama sampai pengguna mendapatkan jawaban mereka — adalah yang menentukan apakah suatu produk terasa cepat.
Waktu 50 detik hingga token pertama pada MiniMax-M3.1-Flash patut diperhatikan tersendiri. Itu adalah model penalaran yang berpikir sebelum mengeluarkan apa pun, cocok untuk pekerjaan batch dan buruk untuk apa pun yang interaktif dengan streaming. Hy4 flash memiliki masalah struktural yang sama dalam bentuk yang lebih ringan: reasoning_effort default-nya adalah high, dan alternatif yang didokumentasikan adalah no_think. Tidak ada pengaturan tengah pada model Tencent, sedangkan MiniMax mengekspos konfigurasi penalaran yang lebih lengkap. Jika anggaran latensi Anda membutuhkan "berpikir sedikit," itu adalah celah nyata.
Lisensi: dua cara berbeda untuk menjadi tidak sepenuhnya terbuka
Tidak ada checkpoint yang open source. Keduanya open weight dengan syarat, dan syarat-syarat itu dirumuskan cukup berbeda sehingga akan menentukan kesepakatan yang berbeda.
• MiniMax Community License — mengizinkan penggunaan komersial dengan pembatasan; teks lisensi yang mengatur penerapan, dan kartu model memuatnya alih-alih lisensi yang disetujui OSI.
• Tencent Hy License v1.0 — Apache 2.0 ditambah Bagian 10.2 yang mensyaratkan lisensi tertulis terpisah jika Anda menjalankan bisnis model-as-a-service dengan pendapatan bruto seluruh dunia di atas $50 juta dalam periode dua belas bulan apa pun, atau melayani lebih dari 100 juta pengguna aktif bulanan.
• Pengecualian Tencent — tim yang tidak pernah menjual kembali akses tidak membayar biaya tambahan, produk yang mengekspos model hanya di dalam fitur tetap alih-alih melalui prompt terbuka sama sekali bukan MaaS, dan meneruskan permintaan ke endpoint yang dihosting pihak lain tidak dihitung. Ketiga kalimat itulah sebabnya perusahaan SaaS Eropa biasanya cukup membaca lisensi ini sekali lalu lanjut, sedangkan teks MiniMax menuntut penilaian tentang apa arti "pembatasan" bagi penerapannya sendiri.
• Pemicu Tencent terkait pendapatan, bukan terkait wilayah — tidak ada yurisdiksi yang dikecualikan, yang membedakannya dari lisensi yang melarang UE, Inggris, atau Korea Selatan secara mutlak.
Dokumen Tencent ini luar biasa mudah dibaca untuk genre semacam ini karena ketentuan tambahannya diisolasi dalam satu bagian bernomor yang menyatakan dengan tepat apa dampaknya terhadap pemberian lisensi Apache. Apa pun hal lain yang benar tentang rilis ini, lisensi tersebut dirancang oleh seseorang yang mengharapkan para engineer membacanya.

Kesenjangan skor, dan mengapa "29" bukan keseluruhan cerita
Artificial Analysis mengukur MiniMax-M3.1-Flash pada 29 di v5.0.1. Jika Anda telah membaca hal lain tentang model ini di blog ini, Anda mungkin melihat 42 atau 43 — angka-angka itu benar pada build indeks sebelumnya, dan rebase 27 Oktober 2026 menggeser setiap model di papan. Mengutip 43 hari ini dan 29 untuk pesaing berarti membandingkan dua instrumen. Pada build saat ini, 29 adalah angkanya, dan itu menempatkan MiniMax-M3.1-Flash dalam rentang yang sama secara umum dengan 31 milik Gemini 3.8 Flash dan di bawah 36 milik Claude Haiku 5.5.
Untuk Hy4 flash tidak ada rentang. Bukti terdekat yang tersedia adalah uji buta Tencent, di mana model ini memperoleh 2,79 dari 4 untuk kepuasan pengguna, berbanding 2,81 milik Claude Haiku 5.5. Jika Anda bersedia membuat inferensi — dan itu hanyalah inferensi — model yang berada dalam noise dari model 36-indeks pada tugas perkantoran kemungkinan juga tidak jauh dari rentang tersebut. Itu adalah hipotesis untuk diuji, bukan skor untuk dikutip.
Yang akan menyelesaikannya adalah satu kali menjalankan harness bersama. Kedua model dapat diunduh, yang berarti hambatannya adalah komputasi, bukan akses, dan komunitas yang melakukan benchmark model open-weight Tiongkok akan sampai ke sana. Sampai saat itu, asimetrinya adalah faktanya: salah satunya telah diukur secara publik dan yang lain belum, dan sebanyak apa pun deskripsi arsitektur tidak akan menutupnya.

Perutean: salah satu dari dua ini dapat Anda hubungi hari ini
Inilah perbedaan praktisnya, dan kebetulan hal itu melewati katalog kami sendiri. MiniMax-M3.1-Flash tersedia di OrcaRouter sebagai minimax/minimax-m3.1-flash, dengan harga $0,15 per juta token input dan $0,60 per juta token output dengan baca cache $0,015 — harga daftar resmi MiniMax, diteruskan tanpa markup 0%, sehingga perubahan harga vendor langsung berlaku di sini pada hari yang sama. Input multi-modal mencakup teks, gambar, dan video, dengan jendela konteks 1.048.576 token.
Hy4 flash tidak ada di katalog. Yang ada dari Tencent adalah tencent/hy4-preview, model 770B/49B yang menjadi asal distilasi Hy4 flash, dengan harga $0.834 dan $2.501 per juta dengan baca cache $0.042. Itu adalah model ketiga yang benar-benar berguna untuk keputusan ini, bukan sekadar penghiburan: jika Anda sedang mempertimbangkan apakah perilaku keluarga Hy cocok dengan beban kerja Anda, versi preview memberi tahu Anda dalam satu sore, dan bobot terbuka memberi tahu Anda berapa biaya menjalankan model murah itu sendiri.
DSL routing adalah tempat di mana hal ini menjadi lebih menarik daripada pilihan dua arah. Pipeline dapat mengirim panggilan interaktif singkat ke rute yang lebih murah dan pekerjaan dokumen panjang ke model mana pun yang memenangkan eval Anda sendiri, dalam satu endpoint, dengan failover otomatis di antara penyedia sehingga model pada minggu pertama ketersediaannya bukanlah titik kegagalan tunggal. Pendekatan itu — menempatkan model baru pada trafik yang Anda mampu kehilangan — adalah pendekatan yang tepat untuk checkpoint semuda ini, dan itu adalah pendekatan yang sama yang Anda inginkan untuk deployment FP8 yang di-host sendiri di belakang gateway internal.
Yang mana, untuk pekerjaan yang mana?
Pilih MiniMax-M3.1-Flash jika Anda membutuhkan model yang terukur sekarang, jika input Anda mencakup video, jika Anda memerlukan pengaturan upaya penalaran antara "on" dan "off", atau jika Anda ingin berada di platform yang harga vendornya sudah aktif, bukan kartu yang harus Anda modelkan sendiri. Bentuk 428B/23B dan 132 token per detiknya menjadikannya andalan, dan fakta bahwa ia telah ada di papan selama sebulan berarti orang lain sudah menemukan mode kegagalannya di depan publik.
Pilih Hy4 flash jika biaya per token menjadi kendala penentu, jika Anda ingin memiliki deployment sendiri, jika Anda memerlukan checkpoint dasar untuk fine-tuning, atau jika pertanyaan lisensi yang menjadi penentu — dokumen Tencent tidak memiliki pengecualian teritorial dan memiliki pengecualian penggunaan internal yang jelas, dan bagi tim Eropa itu bisa menjadi jawaban lengkapnya. 12B parameter aktifnya dan konteks 1M token dengan 1/6 KV cache pendahulunya adalah argumen bahwa harga kedua, yang diukur dalam GPU, luar biasa rendah.
Tunggu, dalam kedua kasus, jika keputusannya mahal. Salah satu model ini belum pernah diuji tolok ukur secara independen dan yang lainnya belum pernah dijalankan terhadapnya. Perbandingan yang benar-benar akan menyelesaikan ini — keduanya pada satu harness, dinilai pada tugas yang sama, dengan biaya per tugas yang diselesaikan di samping skor — belum ada. Ketika nanti ada, baris parameter dan lisensi di atas akan tetap benar dan baris skor akhirnya akan berarti sesuatu.
Dibandingkan dalam artikel ini4
Terdeteksi dari artikel ini · Benchmark: Artificial Analysis · diperbarui setiap hari
