Parametri di MiniMax M3.1 Flash: 428 miliardi totali, 23 miliardi attivi e il numero che decide la tua bolletta

MiniMax M3.1 Flash

Cosa ha effettivamente pubblicato MiniMax

MiniMax ha rilasciato MiniMax M3.1 Flash il 19 ottobre 2026 e ha pubblicato i pesi su Hugging Face il 23 ottobre. La model card risponde alle domande sulle specifiche che il post di lancio aveva lasciato vaghe, e diversi dei suoi numeri differiscono dalle sintesi che erano circolate nel frattempo.

• Parametri — 428 miliardi in totale, 23 miliardi attivati per token, in un'architettura nativa multimodale mixture-of-experts.

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

• Contesto e output — 1.000.000 di token di input in ingresso; fino a 524.288 token di output.

• Modalità — testo, immagine e video in ingresso; testo in uscita.

• Precisione — gli esperti instradati e il percorso KV dell'attenzione sparsa sono addestrati per NVFP4, gli esperti condivisi sono mantenuti in MXFP8, e il percorso della query rimane FP8.

• Serving — {{1}}vLLM, SGLang e TokenSpeed sono i percorsi consigliati, con container vLLM day-0 per NVIDIA e AMD.{{/1}}

• Prezzo sull'API ospitata: $0.15 per milione di token di input, $0.60 per l'output, $0.015 per una lettura dell'input dalla cache.

• Licenza — minimax-community, depositata su Hugging Face come code>license: other/code>, che non è né MIT né Apache.

Totale rispetto all'attivo: cosa stanno facendo i 23 miliardi

Un modello denso da 428 miliardi di parametri eseguirebbe ogni parametro per ogni token. Un mixture-of-experts instrada ogni token verso un sottoinsieme di esperti, quindi il calcolo per token è determinato dal valore di 23 miliardi di parametri attivi, mentre l'impronta di memoria è determinata dai 428 miliardi totali. Questa separazione è il motivo per cui i due numeri vengono di solito citati insieme, e per cui citarne solo uno induce in errore in una direzione prevedibile: il totale ti dice di quale hardware hai bisogno, il conteggio degli attivi ti dice all'incirca quanto costa in calcolo un token.

La conseguenza pratica è che 23 miliardi di parametri attivi non sono «un modello da 23 miliardi di parametri». È un modello con 428 miliardi di parametri di conoscenza memorizzata e 23 miliardi di parametri di lavoro per token — una descrizione ragionevole del motivo per cui può essere sia veloce da avviare sia relativamente pesante da ospitare.

La cifra di 252.4 GB è come si presenta in un documento di approvvigionamento: non un conteggio teorico dei parametri moltiplicato per due byte, ma l'artefatto che si porta attraverso una revisione di sicurezza. La scelta di addestramento NVFP4 è ciò che la mantiene tale. Nel computo di vLLM, il checkpoint NVFP4 è di 250.1 GB contro 451.5 GB per MiniMax-M3 in MXFP8 — una riduzione del 44.6% — e la cache KV 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 funzionano in NVFP4.

Quanto costano i parametri in fase di serving

Il numero che un conteggio dei parametri non può darti è la concorrenza, ed è quella che decide se il self-hosting è praticabile. Su quattro GPU NVIDIA B300 con sequenze da 256.000 token, vLLM riporta 76 sequenze concorrenti per MiniMax M3.1 Flash, mentre MiniMax-M3 con una cache KV FP8 ne ospita 28 — circa 2,7 volte di più. All'estremo 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'estremo 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, 331.

Quelli sono benchmark del framework su hardware specifico, pubblicati dal framework stesso, non misurazioni indipendenti in produzione. Restano comunque più rilevanti per le decisioni di qualsiasi riga di benchmark, perché un modello da 428B che riesce a ospitare 76 sequenze concorrenti da 256K su quattro GPU è un oggetto di approvvigionamento diverso da uno che ne ospita otto.

Il costo dei 23 miliardi non è il prezzo di un token

È qui che il racconto dei parametri e la fattura divergono. MiniMax M3.1 Flash ha un prezzo di $0.15 e $0.60, ovvero metà del prezzo di input e circa un quarto del prezzo di output di Gemini 3.5 Flash-Lite. Sulla metrica del costo per attività completata di Artificial Analysis, però, perde ancora: $0.22 contro $0.19.

Il motivo è visibile nello stesso dataset. Nell'Intelligence Index il modello ha consumato circa 180 milioni di token di output, rispetto a una mediana vicina ai 100 milioni per i modelli monitorati da Artificial Analysis. Il thinking non può essere disattivato — l'API di MiniMax rifiuta code>thinking: {"type": "disabled"}/code> con un 400, e l'unica leva è una 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 code>max_tokens/code>.

Quindi la sintesi accurata dell'economia dei parametri è questa: il conteggio degli attivi è abbastanza basso da mantenere il modello veloce, la verbosità è abbastanza alta da impedire che la fattura sia piccola come suggerirebbe il listino prezzi, e i due fatti non sono correlati tra loro. Sui lavori agentici e di programmazione la riflessione in genere ripaga i suoi token. Sull'estrazione o sulla classificazione no.

Il risultato sull'intelligenza è rispettabile ma non di frontiera: 43 sull'Artificial Analysis Intelligence Index, quinto su 173 modelli, con Terminal-Bench 4.0 al 26%, AutomationBench-AA al 73%, GDPval-AA a 1.458 e SciCode al 53%. Il risultato sull'astensione è quello su cui impostare la progettazione — AA-Omniscience gliene attribuisce 16, con un tasso di allucinazione del 93%, il che significa che quando non conosceva una risposta ha comunque risposto quasi ogni volta invece di astenersi.

Velocità, misurata in due modi

I dati pubblicati sulla velocità non concordano, e la discrepanza è informativa anziché allarmante. Artificial Analysis ha misurato 1,48 secondi al primo token a 95,6 token di output al secondo; il materiale di MiniMax stesso dichiara una mediana superiore a 170 token al secondo con picchi oltre 200. Il percorso di servizio e le condizioni di misurazione spostano molto questo numero, ed è per questo che vale la pena citare separatamente la nostra rotta: un p50 di 1,29 secondi al primo token e un p95 di 4,40 secondi negli ultimi sette giorni di traffico su code>minimax/minimax-m3.1-flash/code>.

Questa è la forma che ha un modello con routing. Il modo onesto per confrontarlo con un incumbent è misurare il proprio percorso anziché fidarsi di un singolo dato fornito da uno dei due vendor.

La riga di licenza fa parte della specifica.

Due obblighi accompagnano i pesi, e nessuno dei due compare in un conteggio dei parametri. Le implementazioni commerciali devono mostrare in modo ben visibile la stringa "Built with MiniMax M3" su un sito web correlato, un'interfaccia, un post di blog, una pagina "Chi siamo" o la documentazione del prodotto — il modello è M3.1 Flash e l'attribuzione richiesta dice ancora M3, il genere di dettaglio che una revisione legale coglie in ritardo. E con un fatturato annuo pari o inferiore a 20 milioni di dollari, un'azienda deve dare a MiniMax un avviso una tantum via email; al di sopra di quella soglia, è necessaria un'autorizzazione scritta preventiva prima dell'uso commerciale.

La licenza definisce l'uso commerciale in modo sufficientemente ampio da coprire un prodotto costruito sul modello, un'API commerciale basata su di esso e un deployment fine-tuned. Per una startup sotto la soglia il costo è un'email e una riga di attribuzione. Per un'azienda più grande è una conversazione sulla licenza su una tempistica che MiniMax controlla. DeepSeek V4.1 Flash è distribuito con licenza MIT e non richiede alcun avviso, ed è per questo che "open weights" non è un'unica categoria anche quando entrambi i checkpoint sono scaricabili.

Chiamalo o scaricalo

Il punto di pareggio sui pesi aperti è una questione di utilizzo. A 0,60 $ per milione di token di output, un miliardo di token di output al mese costa 600 $ tramite l’API ospitata; quattro GPU B300 costano più di così già prima di alimentazione, rete e dell’ingegnere che mantiene aggiornato lo stack di serving. Scaricare conviene per i dati che non possono uscire da un ambiente controllato, per le esecuzioni di fine-tuning che richiedono accesso ai pesi — vLLM riporta RL end-to-end con veRL, FSDP2 e rank-32 LoRA sul checkpoint NVFP4, e un’esecuzione GRPO di 200 passi che ha portato l’accuratezza su AIME-2024 dal 36,3% al 67,5% su 16 GB300s — e per i job batch abbastanza grandi che un cluster fisso batte una bolletta a consumo.

Per tutti gli altri la soluzione hosted è l'opzione predefinita sensata, e MiniMax M3.1 Flash è nel catalogo OrcaRouter come code>minimax/minimax-m3.1-flash/code> al prezzo di listino del provider con 0% di ricarico: $0.15 in input, $0.60 in output, $0.015 in cache, una sola chiave accanto a MiniMax-M3 e ai modelli con cui di solito viene messo a confronto. Il failover automatico copre il caso in cui un provider ha un pomeriggio no, e il DSL di routing può inviare il passaggio difficile di una pipeline a un modello più forte mentre la maggior parte del carico resta qui.

Se è stata la domanda sui parametri a portarti qui, la risposta breve è 428 miliardi in totale e 23 miliardi attivi. La risposta lunga è che nessuno dei due numeri compare sulla tua fattura, e i due che compaiono sono i token di output che il modello sceglie di spendere e la soglia della licenza che un giorno potresti superare.

Nota sulle fonti: {{1}}i conteggi dei parametri{{/1}}, {{2}}il repository da 252,4 GB{{/2}}, {{3}}lo schema di precisione{{/3}}, {{4}}i termini della licenza{{/4}} e {{5}}le righe dei benchmark dei fornitori{{/5}} sono quelli {{6}}della scheda modello e del materiale di lancio di MiniMax{{/6}}, {{7}}consultati il 26 ottobre 2026{{/7}}. {{8}}Le dimensioni dei checkpoint NVFP4{{/8}}, {{9}}i byte di KV-cache per token{{/9}}, {{10}}i dati sulla concorrenza{{/10}}, {{11}}i valori di throughput{{/11}} e {{12}}il risultato GRPO{{/12}} sono {{13}}il post day-0 di vLLM{{/13}} e {{14}}benchmark di framework su hardware denominato{{/14}}. {{15}}Il punteggio dell'Intelligence Index{{/15}}, {{16}}il costo per attività{{/16}}, {{17}}la stima del consumo di token{{/17}} e {{18}}i dati di AA-Omniscience{{/18}} sono quelli {{19}}di Artificial Analysis{{/19}}. {{20}}I prezzi{{/20}}, {{21}}il contesto{{/21}} e {{22}}il p50 di 1,29 secondi{{/22}} sono {{23}}il catalogo di OrcaRouter{{/23}} e {{24}}il nostro traffico degli ultimi sette giorni{{/24}}.