Sono usciti i pesi di MiniMax M3.1 Flash: 428B, 252 GB e una clausola di licenza da 20 milioni di dollari

I pesi di MiniMax M3.1 Flash sono stati pubblicati su Hugging Face il 23 ottobre 2026, quattro giorni dopo il lancio del modello stesso, avvenuto il 19 ottobre. Il download conta 428 miliardi di parametri in totale, con 23 miliardi attivi per token, e il repository è di 252,4 GB: 48 shard dei pesi più un drafter per decodifica speculativa da 2,3 GB. È un vero rilascio open-weights, e non un rilascio open source. La licenza è la licenza community di MiniMax, che richiede l'attribuzione per ogni distribuzione commerciale e un'autorizzazione scritta preventiva da MiniMax una volta superati i 20 milioni di dollari di fatturato annuo.

Questa distinzione conta più del numero di parametri. Chi ha letto "open weights" e ha dato per scontato MIT o Apache-2.0 avrà una sorpresa in fase di approvvigionamento. Chi ha solo bisogno di chiamare il modello probabilmente dovrebbe ignorare del tutto il download: l'API ospitata costa ancora 0,15 $ per milione di token di input e 0,60 $ per milione di output, e quattro giorni di file di pesi non cambiano questo calcolo per un team che invia qualche miliardo di token al mese.

Cosa c'è effettivamente nel repository

La model card risponde alle domande sulle specifiche che il post di lancio di MiniMax aveva lasciato vaghe. I numeri principali sono quelli da tenere a mente, perché diversi di essi differiscono dalle sintesi del giorno del lancio che circolavano senza una model card con cui verificarli.

• Parametri — 428 miliardi in totale, 23 miliardi attivati per token, un modello mixture-of-experts multimodale nativo

• Download — 252,4 GB totali: 48 shard safetensors più un drafter DSpark da 2,3 GB per la decodifica speculativa

• Contesto — 1.000.000 di token di input; fino a 524.288 token di output

• Input e output — testo, immagine e video in ingresso; testo in uscita

• Precisione — gli esperti instradati e il percorso KV dell'attenzione sparsa sono addestrati per NVFP4, con gli esperti condivisi mantenuti in MXFP8; il percorso delle query resta in FP8

• Serving — vLLM, SGLang e TokenSpeed sono i percorsi consigliati, con container vLLM day-0 per NVIDIA e AMD

• Licenza — minimax-community, registrata su Hugging Face come license: other

• Prezzo hosted — $0,15 input, $0,60 output, $0,015 input in cache per milione di token

La suddivisione 428B/23B è la stessa che MiniMax dichiara fin dal lancio. I 252 GB sono un'informazione nuova per chiunque pianifichi un deployment: è la dimensione effettiva dell'artefatto che si farebbe passare attraverso una revisione di sicurezza, non un conteggio teorico di parametri moltiplicato per due byte. Il tetto di output è l'altro numero degno di nota. La documentazione API di MiniMax consente 524.288 token di output, ben al di sopra del limite di 65.536 token di Gemini 3.8 Flash e dei 384.000 di DeepSeek V4.1 Flash. Si tratta di una capacità di generazione lunga che il post di lancio non ha messo in evidenza.

La licenza è la parte da leggere due volte

MiniMax definisce questa una release open-weights e, secondo il significato comune dell’espressione — file scaricabili, nessuna API key — lo è. È la licenza il punto in cui la parola "open" inizia a fare meno lavoro. La MiniMax Community Licence concede uso, modifica e ridistribuzione gratuiti per scopi non commerciali. L’uso commerciale è consentito, ma comporta due obblighi che MIT non prevede.

Il primo è l'attribuzione. Un deployment commerciale deve mostrare "Built with MiniMax M3" in modo ben visibile su un sito web correlato, un'interfaccia utente, un post di blog, una pagina "Chi siamo" o la documentazione del prodotto. Il modello è M3.1 Flash; la stringa richiesta dice ancora M3, che è il tipo di dettaglio che sfugge finché non lo intercetta una revisione legale.

Il secondo è una soglia di ricavi. Con ricavi annui pari o inferiori a 20 milioni di dollari, un'azienda deve a MiniMax una notifica una tantum via e-mail. Oltre i 20 milioni, necessita di un'autorizzazione scritta preventiva da MiniMax prima dell'uso commerciale. La licenza definisce l'uso commerciale in modo sufficientemente ampio da comprendere l'offerta di un prodotto o servizio che si basa sul modello, la gestione di un'API commerciale basata su di esso e l'implementazione di una versione fine-tuned o post-trained per scopi commerciali. Un'attività di inferenza ospitata basata su questi pesi rientra pienamente in tale definizione.

Non è una ragione per evitare il rilascio. È una ragione per leggere correttamente il rilascio. Per una startup sotto la soglia, il costo pratico è un'email e una riga di attribuzione. Per un'azienda più grande, è una conversazione sulla licenza con un laboratorio cinese, secondo tempistiche controllate da MiniMax. Confrontalo con DeepSeek V4.1 Flash, che viene distribuito con licenza MIT e non richiede alcun avviso, e il campo dei pesi aperti non è paritario nemmeno quando entrambi i checkpoint sono scaricabili.

252 GB è il numero facile; 76 sequenze concorrenti è quello utile

Il dettaglio interessante relativo al serving proviene dal post day-0 di vLLM, che è più specifico rispetto al materiale di lancio di MiniMax. Il checkpoint NVFP4 è di 250,1 GB nel conteggio di vLLM contro i 451,5 GB per MiniMax-M3 in MXFP8 — una riduzione del 44,6%. La KV cache scende da 61.440 byte per token a 34.560, un taglio del 43,75%, perché sia l'indexer dell'attenzione sparsa sia il percorso di attenzione vengono eseguiti in NVFP4.

La conseguenza è la concorrenza su contesti lunghi, il numero che decide se il self-hosting è sostenibile. Su quattro GPU NVIDIA B300 con sequenze da 256K token, vLLM riporta 76 sequenze concorrenti per M3.1 Flash, mentre M3 con una cache KV FP8 ne supporta 28 — circa 2,7 volte tanto. All'estremità sensibile alla latenza della sua esecuzione GB300 AgentX, lo stack sostiene 418,9 token di output al secondo per utente servendo 38,6K token totali al secondo per GPU. All'estremità del throughput raggiunge 153,8K token totali al secondo per GPU a circa 127 token al secondo per utente. Su Rubin la stessa configurazione riporta 724,9 token al secondo per utente, e su AMD MI355X riporta 331.

Quelli sono benchmark del framework su hardware specifico, non misurazioni indipendenti in produzione. Restano comunque i numeri più utili della release, perché rispondono alla domanda a cui un conteggio dei parametri non può rispondere: quante richieste a contesto lungo entrano nella macchina che puoi effettivamente noleggiare. Un modello da 428B che ospita 76 sequenze concorrenti da 256K su quattro GPU è un oggetto di approvvigionamento diverso da un modello da 428B che ne ospita otto.

Quanto costa il self-hosting e quando l'API vince ancora

Il punto di pareggio sui pesi aperti è una questione di utilizzo, non di prezzo. A 0,60 $ per milione di token di output, un miliardo di token di output al mese costa 600 $ tramite l'API di MiniMax. Quattro GPU B300 costano molto di più di così da noleggiare o possedere, prima di energia, networking e dell'ingegnere che mantiene aggiornato lo stack di serving. Un team che riesce a tenere occupate quelle GPU all'estremo di throughput del benchmark di vLLM sta comprando token a un tasso effettivo molto diverso; un team che ne ha bisogno per due ore al giorno sta sovvenzionando silicio inattivo.

I carichi di lavoro che giustificano il download sono quelli in cui il prezzo dell’API non è il vincolo decisivo. Dati che non possono uscire da un ambiente controllato. Esecuzioni di fine-tuning che richiedono accesso ai pesi, in cui vLLM riporta RL end-to-end con veRL, FSDP2 e LoRA con rango 32 sul checkpoint NVFP4, e un’esecuzione GRPO da 200 step che ha portato l’accuratezza su AIME-2024 dal 36,3% al 67,5% su 16 GB300. Cicli di agenti sensibili alla latenza in cui l’hop di rete e la coda del provider fanno parte del p95. E job batch abbastanza grandi che un cluster fisso batte una bolletta a consumo.

Per tutti gli altri, la via ospitata resta l'opzione predefinita ragionevole, e il rilascio non cambia questo. I pesi sono un'opzione strategica, non un taglio dei costi che arriva automaticamente.

Ciò che i pesi non risolvono

Tre problemi sopravvivono intatti al download. Il primo è l'affidabilità. La valutazione AA-Omniscience di Artificial Analysis ha collocato M3.1 Flash al 16° posto complessivo con un tasso di allucinazione del 93%: quando il modello non conosceva una risposta, quasi ogni volta rispondeva comunque invece di astenersi. È un comportamento misurato, non un'affermazione del fornitore, ed è il tipo di cosa che conta più in un agente che può agire che in un chatbot che si può ignorare. I pesi aperti consentono di fare fine-tuning per aggirarlo; non lo fanno sparire al checkpoint.

Il secondo è la provenienza dei benchmark. I numeri di lancio — DeepSWE v1.1 al 73,7%, Agents' Last Exam a 29,6, OSWorld V2 a 61,7, CyberGym a 82,2, BankerToolBench a 76,2 — sono esecuzioni di MiniMax sugli harness scelti da MiniMax. Nessuno è stato riprodotto in modo indipendente. La model card avverte esplicitamente che le quantizzazioni di terze parti possono differire, il che è un'ammissione utile: i numeri descrivono i pesi ufficiali nella configurazione di MiniMax, non qualunque cosa produca il tuo stack di serving dopo che lo quantizzi ulteriormente.

Il terzo è il controllo. Il thinking non può essere disattivato: l'API di MiniMax rifiuta thinking: {"type": "disabled"} con HTTP 400, e l'unica leva è la scala di effort a cinque livelli da low a max, con max come impostazione predefinita quando il campo viene omesso. I token di thinking vengono fatturati come output e conteggiati ai fini di max_tokens. Sull'Intelligence Index il modello ha consumato circa 180 milioni di token di output, ben al di sopra della mediana, motivo per cui il suo costo di $0,22 per attività completata è migliore di quanto suggerisca la sua tariffa per token, ma è comunque influenzato dalla verbosità.

Come chiamarlo ora

MiniMax M3.1 Flash è disponibile tramite l'API proprietaria di MiniMax, M Plan e MiniMax Code, e attraverso diverse piattaforme di terze parti. Oggi non è presente nel catalogo OrcaRouter, e questo articolo non intende affermare il contrario. Ciò che OrcaRouter instrada è il resto della famiglia e i modelli con cui viene solitamente messo a confronto: MiniMax-M3, DeepSeek V4.1 Flash e Gemini 3.8 Flash rispondono tutti con un'unica chiave, al prezzo di listino del provider con 0% di ricarico, con failover automatico tra le rotte. Se stai testando M3.1 Flash contro un modello già in uso, questo ti offre il lato "incumbent" del confronto senza un secondo contratto, e ti dà una destinazione di failover mentre il nuovo modello accumula storico operativo.

Se fai self-hosting, il container vLLM è la strada più breve, e la ricetta NVFP4 è quella a cui si riferiscono i numeri sopra. Se chiami l'API, questa settimana il rilascio cambia poco, a parte le tue opzioni di approvvigionamento.

Il riassunto onesto è che i pesi sono reali, la storia del serving è più forte del previsto e la licenza è più restrittiva di quanto la frase "open weights" ti prepari. MiniMax ha rilasciato un modello da 428B realmente scaricabile con una ricetta a quattro GPU e un footprint di 252 GB. Non ha rilasciato questo modello con licenza MIT, e la differenza conterà esattamente per le aziende abbastanza grandi da interessarsi alla soglia dei 20 milioni di dollari.