MiniMax M3.1 FlashがTenstorrent上で提供開始：Tensix上の428Bモデルが実際に証明するもの

Tenstorrentのニュースルーム投稿は2026年10月22日付で、「別のクラウドが別のモデルを追加した」というより、もっと狭く、より興味深いことを伝えている。MiniMax M3.1 Flashは、MiniMaxが10月19日にリリースした4280億パラメータのMixture-of-Expertsモデルで、現在Tenstorrent Cloudで利用可能となり、プリフィルとデコードの両方がBlackhole Galaxyシステム上で動作している。そのサービング経路のどこにもNVIDIAアクセラレータは登場しない。Tenstorrentが公開したのは、アーキテクチャ、量子化方式、チューニング手法である。公開しなかったのは、スループットの数値、レイテンシの数値、そして自社サービングの価格だ。この省略こそが、これが画期的な成果なのか単なるデモなのかを決める部分であり、モデルのベンチマーク表よりも注目に値する。

TenstorrentはJim Kellerが率いるチップ企業であり、その主張は常に、AIコンピューティングは単一ベンダーのスタックであるべきではないというものだった。この発表までは、その主張にはハイエンド領域で信頼性の問題があった。最大級のオープンモデルは日常的にNVIDIAのハードウェアで提供され、AMDが代替となり、その他はすべて小規模モデルの実験に限られていた。428Bパラメータのmixture-of-expertsモデルでprefillとdecodeを、独自ファブリックではなくEthernetで接続されたTensixシリコン上で実行するのは、この規模とこの新しさを備えたモデルでその主張を成立させる最初のデプロイメントである。

Tenstorrentが公式記録として残したこと

この発表はサービングトポロジーについては具体的だが、購入者が用いるであろうあらゆる数値については曖昧だ。まず具体的な点から述べる。なぜならそれらは本物のエンジニアリング上の主張だからだ：

• 提供状況 — Tenstorrent Cloud（console.tenstorrent.com）にて、Playground経由、またはエージェントハーネスに接続して利用できます。

• サービングパス — prefill と decode はどちらも Tenstorrent Galaxy、具体的には Blackhole Galaxy のスーパークラスタ上で実行されます。システムはワークロードごとに分割されており、一方のプールが prefill を、もう一方が decode を処理し、作業はそれらの間を直接の低遅延イーサネットリンク経由で移動します。

• Memory — 各Blackhole Galaxyは1 TBのDRAMと数テラバイトのSSDを搭載しています。重みとKVキャッシュはDRAMに常駐し、SSDは退避されたKVキャッシュを保持するため、エージェントのターンが戻ってきたときにコンテキストを再計算する必要がありません。

• 量子化 — MLPの重み、アテンションの重み、インデクサー、共有エキスパートはMXFP8で保存され、ルーティングされたエキスパートはNVFP4で保存されます。

• モデル形状 — スパースAttentionがグローバルなグループ化クエリAttentionに置き換わり、密なMLPは最初の3層にのみ現れます。

• チューニングデータ — Tenstorrentによると、SemiAnalysisのAgentXコーディングエージェントのトレース上でデプロイをチューニングしたとのこと。これは短いチャットベンチマークではなく、実際のマルチターンセッションやサブエージェントのファンアウトを意味する。

• 提示価格 — 入力100万トークンあたり0.15ドル、出力100万トークンあたり0.60ドル、キャッシュ済み入力100万トークンあたり0.015ドル。これはMiniMaxの定価であり、今回の発表ではTenstorrent向けの個別料金は公表されていないため、このモデルをここで実行するほうがGPU上で実行するより高いのか安いのかは、まだ判断できない。

デプロイが存在するのは、重みが公開されたからだ。

この発表の背後にある最も重要な事実は、シリコンではない。MiniMaxが重みを公開したことそのものである。252.4 GBのリポジトリは10月23日にHugging Faceで公開され、Tenstorrentの投稿はその前日付である。これは、この移植が公開ダウンロードではなくパートナーアクセスを通じて構築されたことを示唆している。サードパーティのハードウェアベンダーは、入手できないモデルを移植できないし、Tenstorrentは自社のチェックポイントを提供するMiniMaxの子会社ではない。これこそが、オープンな重みがハードウェア競争を生み出す仕組みである。チェックポイントを公開する各ラボは、意欲あるすべてのチップベンダーを潜在的な流通チャネルに変え、そのモデルをサポートする各チップベンダーは、今度はそのラボの重みをより価値あるものにする。

同じ論理で、クローズドなフロンティアモデルがこの種の発表に登場しない理由も説明できる。ベンダーは独自モデルのAPIエンドポイントを貸し出すことはできても、重みを自社の数値フォーマットに量子化したり、モデルのスパースアテンションパターンに合わせてカーネルを調整したり、自社のファブリック上でプリフィルとデコードを分割したりすることはできない。移植こそが製品であり、移植にはファイルが必要なのだ。

だからこそ、この話における「オープン」は2つの別物に分けて考える必要があります。Tenstorrentのソフトウェアスタック——TT-Metalium、TT-NN、TT-Forge——はオープンソースであり、それによって第三者の移植が現実的になります。MiniMaxの重みはオープンウェイトであり、オープンソースではありません。リポジトリは48個のsafetensorsシャードで合計252.4 GB、さらに2.3 GBの投機的デコーディング用ドラフターを含み、MiniMax Community Licenceの下で提供されています。同ライセンスでは、商用展開時の帰属表示と、年間売上高が2,000万ドルを超えた場合の事前の書面による許可が必要です。2つの異なるオープン、1つのサービングパス。

なぜサービングパスが2つに分かれているのか

プリフィル/デコードの分離はTenstorrent特有の奇癖ではなく、エージェント型ワークロードが生み出す問題に対する標準的な解答だ。プリフィルは計算律速で、プロンプトごとに一度だけ発生する。デコードはメモリ帯域律速で、回答が続く限り、生成トークンごとに一度発生する。これらを同じデバイス上に置くと、ストリーム途中で長いプロンプトが到着した際に、現在デコード中のすべてのユーザーから計算資源を奪ってしまう。これこそが、エージェント製品を壊れているように感じさせる停滞そのものだ。

プールを分離することで、それぞれの側を固有のボトルネックに合わせてプロビジョニングできる。Tenstorrentの説明では、プリフィルプールは高いデバイス間帯域幅を活用してプロンプトを多数のチップに分散させ、一方デコードプールは重みとKVキャッシュをDRAMに保持してステップを独立して実行することが明示されている。引き継ぎはイーサネットリンクが担う。

イーサネットは興味深い選択だ。独自のスケールアップファブリックは、汎用イーサネットよりも帯域幅が広くレイテンシが低く、NVIDIAのAIコンピューティングにおける立場は、そのファブリックを自社で所有していることに部分的に依拠している。Tenstorrentは、このワークロード——230億のアクティブパラメータを持つ混合エキスパートモデルで、すでにプリフィルとデコードを分離するサービング計画——では、標準イーサネットで十分であり、相互接続が第二のロックインにならないためスケールアウトの経済性も優れていると主張している。それはもっともな主張ではあるが、証明されたものではない。マルチノード展開全体でのドル当たりの毎秒トークン数が誰かによって公開されて初めて証明されるが、誰も公開していない。

428Bを1台のラックに収める計算

モデルは合計4280億パラメータで、トークンあたり230億を活性化します。BF16では、KVキャッシュやランタイムオーバーヘッドを除いて約856 GBになります。単一のBlackhole Galaxyは、各32 GBのGDDR6を搭載した32基のBlackhole ASIC——Tenstorrentが公称する1 TB——なので、BF16のコピーはシステムメモリの約84%を消費し、その他すべてに約170 GBを残すだけになります。100万トークンのコンテキストで、複数のエージェントターンにわたって維持する必要があるKVキャッシュを考えると、これは快適な余裕ではありません。

公開されているダウンロードは252.4 GBです。この数字がデプロイを成立させます。Galaxyの1テラバイトのうち、およそ770 GB程度がKVキャッシュ、アクティベーション、投機的デコーディングのドラフター用に残されるからです。その余地を生み出すのが混合精度スキームです。共有側とアテンション側の重みにはMXFP8を、ルーテッドエキスパートにはNVFP4を使用します。ルーテッドエキスパートはパラメータの大部分を占め、まばらにしか触れられない部分です。最初の3層に限定されたスパースアテンションと密なMLPにより、メモリトラフィックはさらに削減されます。

この計算は私たち自身によるもので、公開されている数値に基づいており、Tenstorrentの主張ではありません。しかし、これが今回の発表の形を説明しています。移植が信憑性を持つのはまさに、4ビットのルーテッドエキスパートによって856 GBのモデルが252 GBのファイルになり、32チップのシステムに収まって、長いコンテキスト用の余地も残るからです。

Tenstorrentが公開しなかったもの

毎秒トークン数の数値も、初回トークンまでの時間の数値も、同時実行数の数値も、Tenstorrentホスト型エンドポイントの価格も示されていない。非NVIDIA製シリコンがフロンティア級のオープンモデルを提供できるという前提そのものが成り立つかどうかは、この4つの数値があれば決着するはずだ。それらがないことは、このデプロイが遅い証拠ではない。それは、この発表がベンチマーク結果ではなく能力に関する声明である証拠であり、読者はそのように受け止めるべきだ。

MiniMax M3.1 Flashについて公表されている速度の数値は、別のデプロイメントを対象としたものだけだ。MiniMaxは自社APIで出力トークン数が中央値で毎秒170超、ピーク時で200超に達すると主張している。一方、Tenstorrentのハードウェアではなくホスト型APIを測定したArtificial Analysisは、毎秒95.6出力トークン、最初のトークンまでの時間1.48秒と記録している。これは、ベンダーの主張と、異なる配信経路での独立した測定との間に約1.8倍の差があることを意味しており、「モデルが速い」と「このデプロイメントが速い」は別個の主張だという有用な注意喚起になっている。

Artificial Analysis がこのモデルについて実際に明らかにしていることは、見出しのベンチマークよりも Tenstorrent のユースケースにより関係している。M3.1 Flash は Intelligence Index で 43 を記録し、完了したインデックスタスク1件あたり約 $0.22 かかり、AA-Omniscience では 16 を記録し、ハルシネーション率は 93% だ。つまり、答えがわからないときには、回答を控えるのではなく、たいてい誤った回答を出したということだ。Tenstorrent はこのデプロイをエージェントトレースに基づいて調整した。エージェントのループはまさに、自信満々の誤答が最も高くつく場所である。なぜなら、次のツール呼び出しがそれを引き継ぐからだ。高速で安価なサービングパスはそれを解決しない。むしろ、検証レイヤーをより重要にする。

推論を購入している場合、これをどう扱うべきか

ほとんどのチームにとって、今週の現実的な答えは「試すのであって、移行するのではない」です。Playground は、モデルの挙動が自分のワークロードに合うかどうかを最も安価に確認する方法であり、Tenstorrent のエージェントハーネス統合は調べる価値のある興味深い部分です。なぜなら、このデプロイは単発のチャットではなくマルチターンのツール利用に合わせて調整されているからです。自分のトレースを持ち込んでください。SemiAnalysis AgentX のチューニングは、Tenstorrent が何に最適化したかを示しますが、あなたのプロンプトがどう振る舞うかは示しません。

次の2つが揃うまで、それを本番経路に載せないでください。Tenstorrentによる公表済みのスループットとレイテンシの数値、そしてタスクごとの品質に関するあなた自身の測定値です。1つ目は、ベンダーが回答するのを待つ段階です。2つ目は、あなたにしか答えられません。

この点でOrcaRouterがどこに位置するかについて、正直に一言。M3.1 Flashは当社のカタログにはありません。そこでのMiniMaxのラインはMiniMax-M3で止まっています。つまり、今日この新しいモデルを呼び出す方法はTenstorrent CloudとMiniMax自身のAPIであり、当社はそのどちらでもありません。OrcaRouterが提供するのは、契約する前に必要な比較の基準です。MiniMax-M3と200以上の他のモデルを1つのキーの背後に、プロバイダーの定価でマークアップ0%で提供しているので、「新しいモデルは、今すでに動かしているモデルより自分のワークロードにとって実際に優れているのか」という問いに、2つ目の契約や2つ目の請求関係なしに答えることができます。

港を価格に変えてしまう数字

Tenstorrentは実際の成果を実証した。428Bのmixture-of-expertsモデルを4/8ビット混合形式に量子化し、推論の両方の半分をEthernet経由でTensixシリコン上で実行し、オープンソースのツール群と公開されたチューニング手法を伴っている。これはポータビリティの証明であり、このモデル規模でCUDAを経由しない最初の事例である。

それは、この移植がGPU経路よりも安価、高速、または信頼性が高いことを示していない。Galaxyは6U、32 ASIC、約23 PFLOPSのBlockFP8システムであり、2026年4月に一般提供開始となった時点の定価は11万ドルだった。これに、この導入で使用するスーパークラスターネットワーキングを加える前の価格である。そのハードウェアでこのモデルを実行した場合に、H100やMI300Xクラスターよりも100万トークンあたりのコストが優れるかどうかが商業上の最重要課題であり、発表はそれに触れていない。

したがって次に注視すべきは、同じハードウェア上の別のモデルではない。Tenstorrent からの tokens-per-second の数値と料金表、そしてそれに続く、同じ移植を行う2社目のシリコンベンダーである。それらが存在して初めて、オープンウェイトは真のハードウェア競争へと変わる。それまでは、正確な表現は、商業的な半分がまだ公表されていない、信頼できるアーキテクチャ実証である。