MiniMax M3.1 Flash 가중치 공개: 428B, 252GB, 그리고 2,000만 달러 라이선스 조항

MiniMax M3.1 Flash 가중치는 2026년 10월 23일 Hugging Face에 공개되었으며, 이는 모델 자체가 출시된 10월 19일로부터 나흘 뒤였습니다. 다운로드는 총 4,280억 개 파라미터에 토큰당 230억 개가 활성화되며, 저장소는 252.4GB입니다. 48개의 가중치 샤드와 2.3GB의 추측 디코딩용 드래프터로 구성됩니다. 이는 실제 오픈 가중치 공개이며, 오픈 소스 공개는 아닙니다. 라이선스는 MiniMax 자체 커뮤니티 라이선스로, 모든 상업적 배포 시 저작자 표시를 요구하고 연간 매출이 2,000만 달러를 넘으면 MiniMax의 사전 서면 허가를 요구합니다.

그 구분은 파라미터 수보다 더 중요하다. "open weights"를 읽고 MIT나 Apache-2.0이라고 가정한 사람이라면 조달 단계에서 예상치 못한 일을 겪게 될 것이다. 모델을 호출하기만 하면 되는 사람이라면 다운로드는 아예 무시하는 편이 좋다. 호스팅 API는 여전히 입력 토큰 100만 개당 $0.15, 출력 토큰 100만 개당 $0.60이며, 월 수십억 토큰을 보내는 팀에게 가중치 파일이 나온 지 나흘이 지났다는 점도 그 계산을 바꾸지 않는다.

저장소에 실제로 무엇이 들어 있나요?

모델 카드는 MiniMax의 출시 게시물이 모호하게 남긴 사양 관련 질문에 답한다. 핵심 수치들은 정확히 파악해 둬야 할 것들인데, 그중 몇몇은 대조할 모델 카드 없이 떠돌았던 출시 당일 요약들과 다르기 때문이다.

• 파라미터 — 총 4280억 개, 토큰당 230억 개 활성화, 네이티브 멀티모달 전문가 혼합(MoE)

• 다운로드 — 총 252.4 GB: 48개의 safetensors 샤드와 추측 디코딩용 2.3 GB DSpark 드래프터

• 컨텍스트 — 입력 토큰 1,000,000개, 출력 토큰 최대 524,288개

• 입력 및 출력 — 텍스트, 이미지, 동영상 입력, 텍스트 출력

• 정밀도 — 라우팅된 전문가와 희소 어텐션 KV 경로는 NVFP4용으로 학습되며, 공유 전문가는 MXFP8로 유지되고, 쿼리 경로는 FP8로 유지됩니다

• 서빙 — vLLM, SGLang, TokenSpeed가 권장 경로이며, NVIDIA와 AMD용 day-0 vLLM 컨테이너를 제공합니다

• 라이선스 — minimax-community, Hugging Face에 license: other로 등록됨

• 호스팅 가격 — 백만 토큰당 입력 $0.15, 출력 $0.60, 캐시된 입력 $0.015

428B/23B 분할은 MiniMax가 출시 이후 계속 언급해 온 것과 동일합니다. 252GB는 배포를 계획하는 사람이라면 누구에게나 새로운 정보입니다. 이는 보안 검토를 거쳐 이동하게 될 아티팩트의 실제 크기이지, 이론적인 파라미터 수에 2바이트를 곱한 값이 아닙니다. 출력 상한도 주목할 만한 또 다른 숫자입니다. MiniMax의 API 문서는 524,288개의 출력 토큰을 허용하는데, 이는 Gemini 3.8 Flash의 65,536토큰 상한과DeepSeek V4.1 Flash의 384,000보다 훨씬 높습니다. 이는 출시 게시물에서 앞세우지 않았던 장문 생성 능력입니다.

라이선스는 두 번 읽어야 하는 부분입니다.

MiniMax는 이를 오픈 웨이트 릴리스라고 부르며, 그 표현의 통상적인 의미—다운로드 가능한 파일, API 키 불필요—대로라면 실제로 그렇습니다. 문제는 라이선스에서 '오픈'이라는 단어가 하는 일이 줄어들기 시작하는 지점입니다. MiniMax 커뮤니티 라이선스는 비상업적 목적의 무료 사용, 수정 및 재배포를 허용합니다. 상업적 사용도 허용되지만, MIT에는 없는 두 가지 의무가 따릅니다.

첫 번째는 출처 표시입니다. 상용 배포 시에는 관련 웹사이트, 사용자 인터페이스, 블로그 게시물, 소개 페이지 또는 제품 문서에 "Built with MiniMax M3"를 눈에 띄게 표시해야 합니다. 모델은 M3.1 Flash인데, 요구되는 문자열은 여전히 M3라고 되어 있는데, 이런 종류의 세부 사항은 법무 검토에서야 발견되기 전까지 놓치기 쉬운 부분입니다.

두 번째는 매출 기준선입니다. 연간 매출이 2,000만 달러 이하이면 기업은 MiniMax에 이메일로 1회 통지해야 합니다. 2,000만 달러를 초과하면 상업적 사용 전에 MiniMax로부터 사전 서면 승인을 받아야 합니다. 이 라이선스는 상업적 사용을 폭넓게 정의하여, 해당 모델에 의존하는 제품이나 서비스를 제공하는 것, 그 위에서 상업용 API를 운영하는 것, 그리고 상업적 목적으로 미세 조정 또는 사후 학습된 버전을 배포하는 것까지 포함합니다. 이 가중치를 기반으로 구축된 호스팅 추론 사업은 바로 그 정의에 정확히 해당합니다.

그것은 그 공개를 피할 이유가 아니다. 그것은 그 공개를 제대로 읽어야 할 이유다. 기준치 미만의 스타트업에게 실질적 비용은 이메일 한 통과 출처 표기 한 줄이다. 더 큰 기업에게는 중국 연구소와의 라이선스 협의이며, 일정은 MiniMax가 통제한다. MIT로 배포되어 아무런 통지도 필요 없는 DeepSeek V4.1 Flash와 비교해 보면, 두 체크포인트 모두 다운로드 가능하더라도 오픈 웨이트 분야의 경쟁 조건은 공평하지 않다.

252GB는 쉬운 숫자이고, 76개의 동시 시퀀스가 유용한 숫자입니다.

흥미로운 서빙 관련 세부 사항은 vLLM의 day-0 게시물에서 나오는데, 이는 MiniMax 자체의 출시 자료보다 더 구체적입니다.MiniMax-M3의 경우 NVFP4 체크포인트는 vLLM 집계 기준 250.1GB로, MXFP8의 451.5GB와 비교해 44.6% 감소했습니다. KV 캐시는 토큰당 61,440바이트에서 34,560바이트로 줄어 43.75% 감소했는데, 이는 희소 어텐션 인덱서와 어텐션 경로가 모두 NVFP4로 실행되기 때문입니다.

그 결과는 긴 컨텍스트에서의 동시성이며, 이는 셀프 호스팅이 실행 가능한지를 결정하는 수치입니다. 256K 토큰 시퀀스에서 NVIDIA B300 GPU 4개를 사용할 때 vLLM은 M3.1 Flash의 경우 동시 시퀀스 76개를 보고하는 반면, FP8 KV 캐시를 사용하는 M3는 28개를 수용합니다 — 약 2.7배 더 많습니다. 지연에 민감한 GB300 AgentX 실행 구간에서 스택은 GPU당 초당 총 38.6K 토큰을 처리하면서 사용자당 초당 418.9 출력 토큰을 유지합니다. 처리량 쪽 끝에서는 사용자당 초당 약 127 토큰에서 GPU당 초당 총 153.8K 토큰에 도달합니다. Rubin에서는 동일한 구성이 사용자당 초당 724.9 토큰을 보고하며, AMD MI355X에서는 331을 보고합니다.

그것들은 특정 하드웨어에서의 프레임워크 벤치마크이며, 독립적인 프로덕션 측정값이 아니다. 그래도 이번 릴리스에서 가장 유용한 숫자다. 왜냐하면 파라미터 수로는 답할 수 없는 질문, 즉 실제로 임대할 수 있는 장비에 장문 컨텍스트 요청이 몇 개까지 들어가는지를 답해 주기 때문이다. 네 개의 GPU에서 동시 256K 시퀀스 76개를 수용하는 428B 모델은 8개를 수용하는 428B 모델과는 다른 조달 대상이다.

셀프 호스팅에 드는 비용, 그리고 언제 여전히 API가 더 나은가

오픈 웨이트의 손익분기점은 가격 문제가 아니라 활용도 문제입니다. 출력 토큰 100만 개당 $0.60이라면, 한 달에 출력 토큰 10억 개를 MiniMax의 API로 처리할 때 비용은 $600입니다. B300 GPU 4대는 전력, 네트워킹, 그리고 서빙 스택을 최신 상태로 유지하는 엔지니어 비용을 빼고도 임대하거나 소유하는 데 그보다 훨씬 많은 비용이 듭니다. 해당 GPU를 vLLM 벤치마크의 처리량이 높은 쪽에서 계속 바쁘게 돌릴 수 있는 팀은 매우 다른 실질 단가로 토큰을 사는 것이고, 하루 두 시간만 필요로 하는 팀은 유휴 실리콘을 보조하는 셈입니다.

다운로드를 정당화하는 워크로드는 API 가격이 구속력 있는 제약이 아닌 경우다. 통제된 환경을 벗어날 수 없는 데이터. 가중치 접근이 필요한 파인튜닝 실행으로, 여기서 vLLM은 NVFP4 체크포인트에서 veRL, FSDP2 및 rank-32 LoRA를 사용한 엔드투엔드 RL과, 16개의 GB300에서 AIME-2024 정확도를 36.3%에서 67.5%로 끌어올린 200단계 GRPO 실행을 보고한다. 네트워크 홉과 제공업체의 큐가 p95의 일부인 지연 시간에 민감한 에이전트 루프. 그리고 고정 클러스터가 사용량 기반 청구보다 유리할 만큼 큰 배치 작업.

그 외 모두에게 호스팅 방식은 여전히 합리적인 기본값이며, 이번 릴리스가 그것을 바꾸지는 않습니다. 가중치는 전략적 선택지이지, 기본으로 따라오는 비용 절감이 아닙니다.

가중치가 해결하지 못하는 것

다운로드해도 세 가지 문제는 그대로 남는다. 첫 번째는 신뢰성이다. Artificial Analysis의 AA-Omniscience 평가에서 M3.1 Flash는 종합 16위, 93%의 환각률을 기록했다. 모델이 답을 모를 때 답변을 보류하기보다 거의 매번 그냥 답했다는 뜻이다. 이는 벤더의 주장이 아니라 측정된 행동이며, 무시할 수 있는 챗봇보다 행동할 수 있는 에이전트에서 더 중요해지는 종류의 문제다. 오픈 웨이트는 이를 우회하도록 파인튜닝할 수 있게 해주지만, 체크포인트에서 그것을 없애주지는 않는다.

두 번째는 벤치마크의 출처입니다. 공개 당시 수치 — DeepSWE v1.1 73.7%, Agents' Last Exam 29.6, OSWorld V2 61.7, CyberGym 82.2, BankerToolBench 76.2 — 는 MiniMax가 자체 선택한 하네스에서 직접 실행한 결과입니다. 어느 것도 독립적으로 재현되지 않았습니다. 모델 카드는 타사 양자화 결과가 다를 수 있다고 분명히 경고하는데, 이는 유용한 인정입니다. 이 수치는 MiniMax 구성에서의 공식 가중치를 나타내는 것이지, 이를 추가로 양자화한 뒤 사용자의 서빙 스택이 산출하는 결과를 나타내는 것은 아닙니다.

세 번째는 제어입니다. 사고(thinking)는 비활성화할 수 없습니다. MiniMax의 API는 thinking: {"type": "disabled"}를 HTTP 400으로 거부하며, 유일한 조정 수단은 low부터 max까지 다섯 단계로 구성된 effort 사다리이고, 해당 필드를 생략하면 max가 기본값입니다. Thinking 토큰은 출력으로 청구되며 max_tokens에 계산됩니다. Intelligence Index에서 이 모델은 약 1억 8천만 개의 출력 토큰을 소비했는데, 이는 중앙값을 크게 웃도는 수치입니다. 그래서 완료된 작업당 $0.22 비용은 토큰당 요율이 시사하는 것보다 낫지만 여전히 장황함의 영향을 받습니다.

이제 어떻게 불러야 하지?

MiniMax M3.1 Flash는 MiniMax 자체 API, M Plan 및 MiniMax Code를 통해, 그리고 여러 서드파티 플랫폼을 통해 이용할 수 있습니다. 현재 OrcaRouter 카탈로그에는 없으며, 이 글은 그렇다고 주장하는 것도 아닙니다. OrcaRouter가 라우팅하는 것은 같은 제품군의 나머지 모델과, 이 모델이 흔히 비교 후보로 올라가는 모델들입니다. MiniMax-M3, DeepSeek V4.1 Flash, Gemini 3.8 Flash 모두 하나의 키로, 공급자 정가에 0% 마크업으로, 라우트 간 자동 페일오버와 함께 응답합니다. 기존 모델과 M3.1 Flash를 비교 테스트 중이라면, 이는 두 번째 계약 없이 비교의 기존 모델 쪽을 확보해 주고, 새 모델이 운영 이력을 쌓는 동안 페일오버할 곳도 마련해 줍니다.

셀프 호스팅을 한다면 vLLM 컨테이너가 가장 빠른 경로이며, 위 수치가 설명하는 방식은 NVFP4 레시피입니다. API를 호출한다면 이번 주 릴리스에서는 조달 옵션 외에는 거의 달라지는 것이 없습니다.

솔직히 요약하면, 가중치는 실제이고, 서빙 이야기는 예상보다 강력하며, 라이선스는 "오픈 웨이트"라는 표현이 준비시켜 주는 것보다 더 제한적이다. MiniMax는 4개 GPU 구성과 252 GB 용량을 갖춘, 실제로 다운로드 가능한 428B 모델을 출시했다. 이 모델을 MIT 라이선스로 출시한 것은 아니며, 그 차이는 2,000만 달러라는 기준선을 신경 쓸 만큼 큰 회사들에게 정확히 중요할 것이다.