MiniMax、M3.1 FlashのAPIローンチパートナーとしてInferactを指名。モデルは変わらず、変わったのはサービングレイヤーだ。

On 21 October 2026, two days after MiniMax-M3.1-Flash went generally available, M​iniMax's account on X named Inferact an API launch partner for the model, crediting its vLLM expertise and describing the collaboration as building "the serving infrastructure for complex agent workloads." That is the entire public announcement: one post, no blog entry, no technical detail. It is worth taking seriously anyway, because it is the first thing anyone has said publicly about how this model is actually going to be served — and for a model whose headline claim is a threefold speed-up, the serving layer is not a footnote. It is the claim. The documented AI failures and agent incidents behind releases like this one are collected in the OrcaRouter AI Incident Archive where each entry carries its own sources, severity, confidence grade and disputed flag.

ローンチ投稿に含まれていないもの

M​iniMax published a proper launch post for MiniMax-M3.1-Flash on 19 October 2026: agentic benchmarks, a 70% cost reduction, inference "nearly three times faster." It is a substantial piece of work, and it does not contain the word Inferact. It does not contain the word vLLM either. Whatever the partnership amounts to, the company did not consider it part of the launch story on the day the launch story was told.

That gap is the most informative thing in the announcement. A launch partner named two days late, in a social post, with no accompanying technical write-up, is a partner whose work is still in progress. If M​iniMax had M3.1-Flash running on a tuned third-party stack at general availability, the launch post would have said so — day-zero serving on a named engine is exactly the kind of proof point a vendor puts in the body copy. Instead the claim arrives separately, without numbers, which tells you the collaboration is being announced at the point where it becomes a commitment rather than at the point where it becomes a result.

There is a second, smaller gap. Inferact's own site, checked on 22 October, carries a M​iniMax logo among its partners and a testimonial attributed to Dr. Yan Junjie, M​iniMax's founder and CEO. It also does not mention MiniMax-M3.1-Flash anywhere. Its case studies are about other models entirely. So the two companies have announced a partnership that neither company's marketing site yet describes in product terms. Read that as evidence of recency rather than of doubt: the X post is two days old, and partner pages are slow.

Inferactとは何か、そしてなぜvLLMの詳細が重要なのか

Inferactは自らを「vLLMの創設者とメンテナーによって設立された企業」と説明している。そのチームはvLLMのロードマップを主導しつつ、エンジン自体はオープンソース、Apache 2.0、そしてPyTorch Foundationの下でコミュニティによって統治されたままである。この構造こそが、この提携をほとんどのローンチパートナー発表よりも明瞭に理解できる理由である。vLLMはブラックボックスではないため、InferactがMiniMax-M3.1-Flash向けに改善したものは、他の全員が実行しているオープンなエンジンにも反映される合理的な可能性がある。

The company sells two shapes of the same thing. Inferact Platform installs in a customer's own cloud or data centre — the site's phrasing is "Run inference on your compute" — with a control plane covering monitoring, rollout validation, cost tracking, autoscaling, endpoint management, metering and observability. Inferact Cloud is the same platform on GPUs Inferact provisions: "Run inference on our compute." The distinction matters for anyone reading the M​iniMax announcement as an availability statement. An API launch partner on that model can mean managed endpoints someone else operates, or it can mean a software stack you install next to your own weights. For a closed model, only the first is possible, which narrows what this partnership can be.

なぜこの特定のモデルは、価格設定の問題になる前にサービングの問題となるのか

MiniMax-M3.1-Flashは安価なモデルとしては異例の形状であり、その形状こそがサービングの問いを決定的なものにしている。

• Thinking is always on — M​iniMax's API reference returns HTTP 400 for thinking: {"type": "disabled"} and rejects reasoning_effort: "none" the same way, so the only control is a five-rung ladder from low to max, and omitting the field means max

• したがって、これはデコード律速である — Artificial Analysis は Intelligence Index の実行全体で1億8,000万出力トークンが消費されたと記録しており、同じトラッカー上のモデルの中央値である9,900万と対比される

• コンテキストウィンドウは1,000,000トークンであるため、ノードが同時に保持できるエージェントセッション数を左右する制約条件はKVキャッシュのメモリとなります

• エージェントループは大きなプレフィックスを再利用します — 同じシステムプロンプト、ツールスキーマ、ファイルコンテキストがすべてのステップで繰り返される — そのため、プレフィックスキャッシュはレイテンシとコストの両方に直接つながります

• 出力速度は毎秒125.5トークン、最初のトークンまでの時間は1.04秒と測定され、これはこのクラスとしては高速だが、同時実行の長い生成がキューに並ぶと最初に損なわれる数値だ

Put those together and you get a workload profile that rewards exactly the things vLLM is built for: paged attention so a million-token context does not have to be contiguous, prefix caching so agent steps do not re-prefill the same tool definitions, and continuous batching so a hundred half-finished reasoning traces share the hardware instead of queuing behind each other. M​iniMax's own claim of 200+ tokens per second at peak and 170+ at median is a scheduling claim as much as a kernel claim. The 3× speed-up in the launch post is not something a better matrix multiply produces on its own.

存在する数と、存在しない数

Inferactは性能数値を公開しており、それらは何に紐づいているかという点で注意深く読む価値がある。同社サイトでは、ローンチ日にKimi-K3上でバッチサイズ1のとき毎秒464トークン、TPU上の最初のメガカーネルでユーザーあたり毎秒709トークン、同じモデルを使ったSemiAnalysis AgentXで1ドルあたり1830万トークン、そして2026年5月にArtificial Analysisで首位という実績を宣伝している。これらはすべて、異なるモデルに関するInferactのエンジニアリングについての主張であり、Inferact自身が公開したものであって、ここでMiniMax-M3.1-Flashに関する事実として再現されたものは一つもない。

What does not exist, as of 22 October, is any figure at all for M3.1-Flash on Inferact's stack: no tokens per second, no time to first token, no cost per million, no concurrency curve. The announcement is a commitment without a measurement. That is normal two days in, and it is also the only reason to be interested — the value of the partnership to a buyer will be entirely determined by whether those numbers turn out to beat what M​iniMax serves on its own, and right now nobody outside the two companies knows what M​iniMax serves on its own.

これが証拠の正直な現状だ。このモデルについて独立に測定されたスループットは、Artificial Analysis による毎秒125.5トークンのみであり、それは1つのハーネスによる単一ストリームの数値であって、サービングベンチマークではない。モデルが高速に生成できることは分かる。しかし、1ドルで何人の同時ユーザーを賄えるかについては何も分からない。

パートナー発表は実際どれほどの価値があるのか

単体では大したことはない。だが、何もないよりはましだ。三つのことが、それを何もないより以上のものにしている。

最初の理由は、それが第二の実装者になるということだ。たった一社だけが提供するモデルは、運用上の見解をたった一つしか持たないモデルであり、その見解が調子の悪い一週間を過ごせば、あなたの製品も調子の悪い一週間を過ごす。名前を公表したパートナーがいるということは、第二のチームがアーキテクチャを読み、重要なカーネルを見つけ、提供できなければ恥ずかしいと思えるほど公にコミットしたということだ。それは弱いシグナルではあるが、本物のシグナルであり、第二のクラウドリージョンにお金を払う価値があるのと同じ論理だ。

The second is the agent-workload framing. M​iniMax did not describe the partnership as "faster inference." It described it as serving infrastructure for "complex agent workloads," which is a specific and harder problem than chat throughput: long-lived sessions, tool calls interleaved with generation, prefixes that must survive across steps, and cost that scales with trajectory length rather than with prompt count. A partner chosen for that problem is a partner chosen for the workload M​iniMax is marketing the model against. Whether the choice was correct is not yet testable.

第三点は、それが運用上の話に日付を与えるということだ。MiniMax-M3.1-Flashは一般提供開始から3日しか経っていない。重みは公開されておらず、同社は日付を示さずに「後日公開される」と述べているため、セルフホスティングという逃げ道も、第三者が独自のハードウェアでモデルをベンチマークする方法もない。このモデルが本番環境でどう機能するかについてのあらゆる情報は、現時点では、それを提供する誰かを通じて伝えられるものだ。ローンチパートナーは、今後リスト化が必要になるものの最初の項目である。

これをどこで実行するかを選ぶ場合、これが意味するもの

MiniMax-M3.1-Flash is not on the OrcaRouter catalogue. It is callable today through M​iniMax's own API, its M Plan and M​iniMax Code, and — per the 21 October announcement — through Inferact. That is the full list we can vouch for, and none of it is a router: each of those is one place to get the model, with its own rate limits, its own availability and no second option behind it if it goes down.

その単一プロバイダー問題こそルーターの役割であり、ここで興味深い問いが「どのパートナーか」ではなく「いくつ必要か」である理由でもあります。1つのAPIキーで200以上のモデルを提供するOrcaRouterは、プロバイダーのリスト価格を0%のマークアップでそのまま反映し、ルーティングテーブルにフォールバックを保持できるため、単一エンドポイントのモデルへのリクエストが、そのエンドポイントの一時的な不調で障害になることはありません。それを表現するのがルーティングDSLです。MiniMax-M3.1-Flashを必要とするエージェントステップは、それを最初に指定し、すでに信頼しているモデルへフォールスルーできます。呼び出し側のコードは、置換が起きたことを知る必要がありません。

What is routable on our catalogue today is the rest of the M​iniMax line — MiniMax-M3 among others — which is also the model to compare against on cost. MiniMax-M3.1-Flash's rate card is exactly half of MiniMax-M3's, $0.15 and $0.60 per million input and output tokens against $0.30 and $1.20, and Artificial Analysis puts the newer model at $0.22 per benchmark task against $0.51. For agentic traffic that gap is real. For a high-volume job of short classification calls, the older model with thinking switched off can still come out cheaper, because M3.1-Flash cannot switch thinking off at all.

The defensible summary is narrow. M​iniMax naming Inferact an API launch partner is a statement about who will operate MiniMax-M3.1-Flash, made two days after the model shipped, by a company that did not see fit to put it in the launch post. It is evidence that the serving layer for this model is being actively rebuilt rather than inherited, which is what you would expect for a model whose entire pitch is throughput. It is not evidence about throughput. For that, wait for the first Inferact numbers on this model specifically — and in the meantime, run it somewhere with a fallback behind it, because a model with one endpoint and no downloadable weights is a model you cannot route around.