MiniMax ha nominato Inferact partner per il lancio delle API di M3.1 Flash. Il modello non è cambiato — è cambiato il layer di serving.

Il 21 ottobre 2026, due giorni dopo la disponibilità generale di MiniMax-M3.1-Flash, l'account di MiniMax su X ha indicato Inferact come partner per il lancio dell'API del modello, attribuendo il merito alla sua esperienza con vLLM e descrivendo la collaborazione come la costruzione dell'"infrastruttura di serving per carichi di lavoro complessi degli agenti". Questo è l'intero annuncio pubblico: un post, nessun articolo di blog, nessun dettaglio tecnico. Vale comunque la pena prenderlo sul serio, perché è la prima cosa che qualcuno ha detto pubblicamente su come questo modello verrà effettivamente servito — e per un modello il cui claim principale è una velocità triplicata, lo strato di serving non è una nota a piè di pagina. È il claim. I fallimenti documentati dell'IA e gli incidenti degli agenti alla base di release come questa sono raccolti in the OrcaRouter AI Incident Archive dove ogni voce riporta le proprie fonti, la gravità, il grado di confidenza e il flag di contestazione.

Cosa non contiene il post di lancio

MiniMax ha pubblicato un vero e proprio post di lancio per MiniMax-M3.1-Flash il 19 ottobre 2026: benchmark agentici, una riduzione dei costi del 70%, inferenza "quasi tre volte più veloce". È un lavoro sostanziale, e non contiene la parola Inferact. Non contiene nemmeno la parola vLLM. Qualunque sia la portata della partnership, l'azienda non l'ha considerata parte del racconto del lancio il giorno in cui quel racconto è stato fatto.

Quel vuoto è l'elemento più informativo dell'annuncio. Un partner di lancio annunciato con due giorni di ritardo, in un post sui social, senza alcuna documentazione tecnica a corredo, è un partner il cui lavoro è ancora in corso. Se M​iniMax avesse avuto M3.1-Flash in esecuzione su uno stack di terze parti ottimizzato al momento della disponibilità generale, il post di lancio lo avrebbe detto — il serving dal giorno zero su un motore indicato per nome è esattamente il tipo di prova che un fornitore inserisce nel corpo del testo. Invece l'affermazione arriva separatamente, senza numeri, il che ti dice che la collaborazione viene annunciata nel momento in cui diventa un impegno anziché nel momento in cui diventa un risultato.

C’è un secondo divario, più piccolo. Il sito di Inferact stesso, controllato il 22 ottobre, riporta un logo M​iniMax tra i suoi partner e una testimonianza attribuita al Dr. Yan Junjie, fondatore e CEO di M​iniMax. Inoltre non menziona MiniMax-M3.1-Flash da nessuna parte. I suoi casi di studio riguardano modelli del tutto diversi. Quindi le due aziende hanno annunciato una partnership che nessuno dei siti marketing delle due aziende descrive ancora in termini di prodotto. Leggilo come prova del fatto che è recente anziché di un dubbio: il post su X ha due giorni e le pagine dei partner sono lente.

Che cos'è Inferact e perché il dettaglio vLLM è importante

Inferact si descrive come "l'azienda fondata dai creatori e dai manutentori di vLLM". Il suo team guida la roadmap di vLLM mentre il motore stesso resta open source, Apache 2.0 e governato dalla community sotto la PyTorch Foundation. Questa struttura è il motivo per cui la partnership è più leggibile della maggior parte degli annunci dei partner di lancio: vLLM non è una scatola nera, quindi qualsiasi miglioramento apportato da Inferact per MiniMax-M3.1-Flash ha buone probabilità di comparire nel motore aperto che tutti gli altri usano.

L'azienda vende due forme della stessa cosa. Inferact Platform si installa nel cloud o nel data centre del cliente — la formulazione del sito è «Esegui l'inferenza sul tuo compute» — con un control plane che copre monitoraggio, validazione del rollout, tracciamento dei costi, autoscaling, gestione degli endpoint, metering e osservabilità. Inferact Cloud è la stessa piattaforma sulle GPU che Inferact fornisce: «Esegui l'inferenza sul nostro compute». La distinzione è importante per chiunque legga l'annuncio MiniMax come una dichiarazione di disponibilità. Un partner di lancio API su quel modello può significare endpoint gestiti operati da terzi, oppure uno stack software che installi accanto ai tuoi pesi. Per un modello chiuso, è possibile solo la prima cosa, il che restringe ciò che questa partnership può essere.

Perché questo particolare modello è un problema di servizio prima ancora che un problema di prezzo

MiniMax-M3.1-Flash ha una conformazione insolita per un modello economico, ed è questa conformazione a rendere critica la questione del serving.

• Il ragionamento è sempre attivo — il riferimento API di M​iniMax restituisce HTTP 400 per thinking: {"type": "disabled"} e rifiuta reasoning_effort: "none" allo stesso modo, quindi l'unico controllo è una scala a cinque gradini da low a max, e omettere il campo significa max

• È quindi limitato dalla decodifica — Artificial Analysis ha registrato 180 milioni di token di output consumati durante l'esecuzione dell'Intelligence Index, rispetto a una mediana di 99 milioni per i modelli dello stesso tracker

• La finestra di contesto è di 1.000.000 di token, il che rende la memoria della KV-cache il vincolo determinante sul numero di sessioni agente concorrenti che un nodo può mantenere

• I loop degli agenti riutilizzano un ampio prefisso — lo stesso prompt di sistema, schema degli strumenti e contesto dei file ricorrono a ogni passaggio — quindi la cache del prefisso si traduce direttamente sia in latenza sia in costi

• La velocità di output è misurata a 125,5 token al secondo con un tempo al primo token di 1,04 secondi, il che è veloce per la categoria ma è il valore che per primo viene eroso da una coda di generazioni lunghe concorrenti

Mettendo insieme questi elementi si ottiene un profilo di carico di lavoro che premia esattamente ciò per cui vLLM è progettato: paged attention, così un contesto da un milione di token non deve essere contiguo; prefix caching, così i passaggi dell’agente non devono rifare il prefill delle stesse definizioni degli strumenti; e continuous batching, così cento tracce di ragionamento a metà condividono l’hardware invece di accodarsi l’una dietro l’altra. L’affermazione di M​iniMax stesso di oltre 200 token al secondo al picco e oltre 170 alla mediana è una dichiarazione sullo scheduling tanto quanto un’affermazione sul kernel. Lo speed-up di 3× nel post di lancio non è qualcosa che una moltiplicazione di matrici migliore produce da sola.

I numeri che esistono, e quelli che non esistono

Inferact pubblica cifre sulle prestazioni, e vale la pena leggerle con attenzione per capire a cosa sono associate. Il suo sito pubblicizza 464 token al secondo con batch size 1 su Kimi-K3 il giorno del lancio, 709 token al secondo per utente con il suo primo megakernel su TPU, 18,3 milioni di token per dollaro su SemiAnalysis AgentX con lo stesso modello, e una posizione numero uno su Artificial Analysis a maggio 2026. Ognuna di queste è un'affermazione sull'ingegneria di Inferact su un modello diverso, pubblicata da Inferact, e nessuna di esse è riprodotta qui come un fatto riguardante MiniMax-M3.1-Flash.

Ciò che non esiste, al 22 ottobre, è qualsiasi dato per M3.1-Flash sullo stack di Inferact: nessun token al secondo, nessun tempo al primo token, nessun costo per milione, nessuna curva di concorrenza. L'annuncio è un impegno senza una misurazione. È normale a due giorni di distanza, ed è anche l'unico motivo per interessarsi — il valore della partnership per un acquirente sarà determinato interamente da se quei numeri finiranno per superare ciò che MiniMax offre da sola, e al momento nessuno al di fuori delle due aziende sa cosa offra MiniMax da sola.

Qual è lo stato onesto delle prove. L'unico throughput misurato in modo indipendente per questo modello proviene da Artificial Analysis, a 125,5 token al secondo, e si tratta di un dato su singolo stream da un unico harness, non di un benchmark di serving. Ti dice che il modello può generare rapidamente. Non ti dice nulla su quanti utenti simultanei si ottengono con un dollaro.

Quanto vale davvero un annuncio di partnership

Non molto di per sé, e più di niente. Tre cose lo rendono più di niente.

Il primo è che si tratta di un secondo implementatore. Un modello servito da esattamente un'azienda è un modello con esattamente un'opinione operativa, e quando quell'opinione ha una brutta settimana, il tuo prodotto ha una brutta settimana. Un partner nominato significa che un secondo team ha letto l'architettura, ha trovato i kernel che contano e si è impegnato pubblicamente abbastanza che un fallimento nella consegna sarebbe imbarazzante. È un segnale debole, ma è reale, ed è la stessa logica che rende una seconda regione cloud degna di essere pagata.

Il secondo è l'inquadramento del carico di lavoro degli agenti. M​iniMax non ha descritto la partnership come "inferenza più veloce". L'ha descritta come infrastruttura di serving per "carichi di lavoro complessi degli agenti", che è un problema specifico e più difficile del throughput della chat: sessioni di lunga durata, chiamate agli strumenti intercalate alla generazione, prefissi che devono sopravvivere tra i passaggi e costi che scalano con la lunghezza della traiettoria anziché con il numero di prompt. Un partner scelto per quel problema è un partner scelto per il carico di lavoro rispetto al quale M​iniMax sta promuovendo il modello. Se la scelta sia stata corretta non è ancora verificabile.

Il terzo è che colloca temporalmente la vicenda operativa. MiniMax-M3.1-Flash è disponibile a livello generale da tre giorni. I pesi non sono stati rilasciati — l'azienda afferma che "saranno rilasciati in seguito" senza indicare una data — quindi non c'è una via di fuga verso il self-hosting né alcun modo per una parte indipendente di testare il modello sul proprio hardware. Tutto ciò che riguarda le prestazioni di questo modello in produzione è, per ora, mediato da chi lo serve. Un partner di lancio è la prima voce di quello che dovrà essere un elenco.

Cosa significa se stai scegliendo dove eseguirlo

MiniMax-M3.1-Flash non è nel catalogo di OrcaRouter. Oggi è possibile utilizzarlo tramite l'API proprietaria di MiniMax, il suo M Plan e MiniMax Code e — come annunciato il 21 ottobre — tramite Inferact. Questo è l'elenco completo per cui possiamo dare garanzia, e nessuno di essi è un router: ognuno è un singolo punto da cui ottenere il modello, con i propri limiti di frequenza, la propria disponibilità e nessuna seconda opzione di riserva in caso di malfunzionamento.

Quel problema del fornitore unico è proprio ciò a cui serve un router, ed è per questo che la domanda interessante qui non è "quale partner" ma "quanti". OrcaRouter mette 200+ modelli dietro un'unica chiave API, trasmette i prezzi di listino dei fornitori con uno 0% di ricarico e può mantenere un fallback nella tabella di routing affinché una richiesta a un modello con un solo endpoint non diventi un'interruzione quando quell'endpoint attraversa un momento critico. Il DSL di routing è il punto in cui questo si esprime: uno step dell'agente che richiede MiniMax-M3.1-Flash può indicarlo per primo e ricadere su un modello di cui ti fidi già, senza che il codice chiamante sappia che è avvenuta una sostituzione.

Ciò che oggi è instradabile nel nostro catalogo è il resto della linea M​iniMax — MiniMax-M3 tra gli altri — che è anche il modello con cui confrontarsi sui costi. Il listino prezzi di MiniMax-M3.1-Flash è esattamente la metà di quello di MiniMax-M3, $0,15 e $0,60 per milione di token di input e output rispetto a $0,30 e $1,20, e Artificial Analysis stima il modello più recente a $0,22 per attività di benchmark contro $0,51. Per il traffico agentico questo divario è reale. Per un lavoro ad alto volume di brevi chiamate di classificazione, il modello più vecchio con il thinking disattivato può comunque risultare più economico, perché M3.1-Flash non può disattivare il thinking in alcun modo.

La sintesi difendibile è limitata. Il fatto che M​iniMax abbia nominato Inferact partner per il lancio dell'API è una dichiarazione su chi gestirà MiniMax-M3.1-Flash, fatta due giorni dopo il rilascio del modello, da un'azienda che non ha ritenuto opportuno inserirla nel post di lancio. È la prova che il livello di serving per questo modello viene ricostruito attivamente anziché ereditato, cosa che ci si aspetterebbe per un modello la cui intera proposta è il throughput. Non è una prova riguardo al throughput. Per questo, attendi i primi numeri di Inferact specificamente su questo modello — e nel frattempo, eseguilo da qualche parte con un fallback alle spalle, perché un modello con un solo endpoint e nessun peso scaricabile è un modello che non puoi aggirare.