MiniMax benoemt Inferact tot API-launchpartner voor M3.1 Flash. Het model is niet veranderd — de serveerlaag wel.

Op 21 oktober 2026, twee dagen nadat MiniMax-M3.1-Flash algemeen beschikbaar was geworden, noemde het X-account van M​iniMax Inferact een API-lanceringspartner voor het model, waarbij het Inferacts vLLM-expertise prees en de samenwerking omschreef als het bouwen van "de serveerinfrastructuur voor complexe agent-workloads". Dat is de volledige publieke aankondiging: één post, geen blogbericht, geen technische details. Toch is het de moeite waard dit serieus te nemen, want het is het eerste dat iemand publiekelijk heeft gezegd over hoe dit model daadwerkelijk geserveerd gaat worden — en voor een model waarvan de belangrijkste claim een drievoudige snelheidsverhoging is, is de serveringslaag geen voetnoot. Het ís de claim. De gedocumenteerde AI-fouten en agent-incidenten achter releases zoals deze zijn verzameld in het OrcaRouter AI Incident Archive, waarbij elke vermelding haar eigen bronnen, ernstgraad, betrouwbaarheidsbeoordeling en betwist-status bevat.

Wat het lanceringsbericht niet bevat

MiniMax heeft op 19 oktober 2026 een volwaardig lanceringsbericht voor MiniMax-M3.1-Flash gepubliceerd: agentische benchmarks, een kostenverlaging van 70%, inferentie "bijna drie keer sneller." Het is een aanzienlijk stuk werk, en het bevat het woord Inferact niet. Het bevat evenmin het woord vLLM. Wat de samenwerking ook inhoudt, het bedrijf beschouwde die niet als onderdeel van het lanceringsverhaal op de dag dat dat verhaal werd verteld.

Die kloof is het meest informatieve in de aankondiging. Een lanceringspartner die twee dagen te laat wordt genoemd, in een socialmediabericht, zonder bijbehorende technische uiteenzetting, is een partner wiens werk nog gaande is. Als M​iniMax M3.1-Flash bij algemene beschikbaarheid op een afgestemde third-party-stack had draaien, zou de lanceringspost dat hebben gezegd — dag-nul serving op een genoemde engine is precies het soort bewijspunt dat een leverancier in de body copy zet. In plaats daarvan komt de claim apart, zonder cijfers, wat je vertelt dat de samenwerking wordt aangekondigd op het punt waarop het een toezegging wordt in plaats van op het punt waarop het een resultaat wordt.

Er is een tweede, kleinere leemte. Inferacts eigen site, gecontroleerd op 22 oktober, bevat een MiniMax-logo tussen de partners en een testimonial toegeschreven aan dr. Yan Junjie, oprichter en CEO van MiniMax. Ook wordt MiniMax-M3.1-Flash nergens vermeld. De casestudies gaan over heel andere modellen. De twee bedrijven hebben dus een partnerschap aangekondigd dat nog op geen van beide marketingwebsites in producttermen wordt beschreven. Vat dat op als bewijs van recentheid, niet van twijfel: het X-bericht is twee dagen oud, en partnerpagina's zijn traag.

Wat Inferact is, en waarom het detail over vLLM ertoe doet

Inferact beschrijft zichzelf als "het bedrijf dat is opgericht door de makers en beheerders van vLLM." Het team leidt de roadmap van vLLM, terwijl de engine zelf open source blijft, Apache 2.0, en door de community wordt bestuurd onder de PyTorch Foundation. Die structuur is de reden dat het partnerschap inzichtelijker is dan de meeste aankondigingen van lanceerpartners: vLLM is geen black box, dus alles wat Inferact voor MiniMax-M3.1-Flash verbetert, heeft een redelijke kans om op te duiken in de open engine die iedereen gebruikt.

Het bedrijf verkoopt twee vormen van hetzelfde. Inferact Platform wordt geïnstalleerd in de eigen cloud of het eigen datacenter van een klant — de formulering op de site is "Run inference on your compute" — met een control plane voor monitoring, uitrolvalidatie, kostentracking, autoscaling, endpointbeheer, metering en observability. Inferact Cloud is hetzelfde platform op GPU's die Inferact levert: "Run inference on our compute." Het onderscheid is belangrijk voor iedereen die de aankondiging van MiniMax als een beschikbaarheidsverklaring leest. Een API-lanceringspartner voor dat model kan beheerde endpoints betekenen die iemand anders beheert, of een softwarestack die je naast je eigen weights installeert. Voor een gesloten model is alleen het eerste mogelijk, wat beperkt wat dit partnerschap kan zijn.

Waarom dit specifieke model eerst een servingprobleem is en pas daarna een prijsprobleem.

MiniMax-M3.1-Flash heeft een ongebruikelijke vorm voor een goedkoop model, en die vorm is wat de servingkwestie zo cruciaal maakt.

• Denken staat altijd aan — de API-referentie van MiniMax retourneert HTTP 400 voor thinking: {"type": "disabled"} en verwerpt reasoning_effort: "none" op dezelfde manier, dus de enige regelmogelijkheid is een ladder met vijf treden van low tot max, en als je het veld weglaat, betekent dat max

• Het is daarom decode-gebonden — Artificial Analysis registreerde 180 miljoen verbruikte outputtokens tijdens de run van zijn Intelligence Index, tegenover een mediaan van 99 miljoen voor modellen in dezelfde tracker

• Het contextvenster is 1.000.000 tokens, waardoor KV-cachegeheugen de beperkende factor is voor het aantal gelijktijdige agentsessies dat een node kan bevatten.

• Agent-loops hergebruiken een grote prefix — dezelfde systeemprompt, hetzelfde toolschema en dezelfde bestandscontext komen bij elke stap terug — dus prefix-caching vertaalt zich direct naar zowel latentie als dollars.

• De uitvoersnelheid wordt gemeten op 125,5 tokens per seconde, met een tijd tot het eerste token van 1,04 seconden; dat is snel voor deze klasse, maar het is het getal dat het eerst wordt uitgehold door een wachtrij van gelijktijdige lange generaties.

Zet die bij elkaar en je krijgt een workloadprofiel dat precies beloont waar vLLM voor gebouwd is: paged attention zodat een context van een miljoen tokens niet aaneengesloten hoeft te zijn, prefix caching zodat agentstappen niet steeds dezelfde tooldefinities opnieuw prefillen, en continuous batching zodat honderd half afgemaakte redeneersporen de hardware delen in plaats van achter elkaar in de wachtrij te staan. MiniMax' eigen claim van 200+ tokens per seconde op piek en 170+ mediaan is evenzeer een schedulingclaim als een kernelclaim. De 3× versnelling in de lanceringspost is niet iets wat een betere matrixvermenigvuldiging op zichzelf oplevert.

De getallen die bestaan, en de getallen die niet bestaan

Inferact publiceert prestatiecijfers, en het loont die zorgvuldig te lezen met het oog op waar ze aan gekoppeld zijn. Op zijn site adverteert het met 464 tokens per seconde bij batchgrootte 1 op Kimi-K3 op de lanceringsdag, 709 tokens per seconde per gebruiker met zijn eerste megakernel op TPU, 18,3 miljoen tokens per dollar op SemiAnalysis AgentX met hetzelfde model, en een eerste plaats op Artificial Analysis in mei 2026. Elk daarvan is een bewering over Inferacts engineering op een ander model, gepubliceerd door Inferact, en geen ervan wordt hier weergegeven als een feit over MiniMax-M3.1-Flash.

Wat per 22 oktober niet bestaat, is überhaupt enig cijfer voor M3.1-Flash op de stack van Inferact: geen tokens per seconde, geen tijd tot het eerste token, geen kosten per miljoen, geen gelijktijdigheidscurve. De aankondiging is een toezegging zonder meting. Dat is normaal na twee dagen, en het is ook de enige reden om geïnteresseerd te zijn — de waarde van het partnerschap voor een koper zal volledig afhangen van de vraag of die cijfers beter blijken te zijn dan wat M​iniMax zelf levert, en op dit moment weet niemand buiten de twee bedrijven wat M​iniMax zelf levert.

Dit is de eerlijke stand van het bewijs. De enige onafhankelijk gemeten doorvoer voor dit model komt van Artificial Analysis, met 125,5 tokens per seconde, en dat is een cijfer voor één stream uit één testopstelling, geen servingbenchmark. Het vertelt je dat het model snel kan genereren. Het zegt niets over hoeveel gelijktijdige gebruikers je met één dollar kunt bedienen.

Wat een partneraankondiging echt waard is

Op zichzelf niet veel, en meer dan niets. Drie dingen maken het meer dan niets.

Het eerste is dat het een {{1}}tweede implementator{{/1}} is. Een model dat door precies één bedrijf wordt geleverd, is een model met precies één operationele mening, en wanneer die mening een slechte week heeft, heeft jouw product een slechte week. Een genoemde partner betekent dat een {{2}}tweede team{{/2}} de architectuur heeft gelezen, de kernels heeft gevonden die ertoe doen en zich publiekelijk zo heeft gecommitteerd dat een mislukte levering gênant zou zijn. Dat is een zwak signaal, maar wel een echt signaal, en het is dezelfde logica die een tweede cloudregio de kosten waard maakt.

De tweede is de agent-workloadframing. MiniMax beschreef het partnerschap niet als "snellere inferentie". Het beschreef het als infrastructuur voor het serveren van "complexe agent-workloads", een specifiek en moeilijker probleem dan chatdoorvoer: langlevende sessies, tool calls die met generatie worden afgewisseld, prefixes die over stappen heen moeten blijven bestaan, en kosten die meeschalen met de lengte van de trajectorie in plaats van met het aantal prompts. Een partner die voor dat probleem is gekozen, is een partner die is gekozen voor de workload waartegen MiniMax het model in de markt zet. Of die keuze juist was, is nog niet te testen.

Het derde is dat het het operationele verhaal dateert. MiniMax-M3.1-Flash is al drie dagen algemeen beschikbaar. De gewichten zijn niet vrijgegeven — het bedrijf zegt dat ze "later worden vrijgegeven", zonder datum — dus er is geen ontsnappingsroute via self-hosting en geen manier voor een onafhankelijke partij om het model op zijn eigen hardware te benchmarken. Alles over hoe dit model in productie presteert, wordt voorlopig bepaald door wie het ook maar serveert. Een launchpartner is de eerste vermelding in wat een lijst zal moeten worden.

Wat dit betekent als je kiest waar je het uitvoert

MiniMax-M3.1-Flash staat niet in de catalogus van OrcaRouter. Het model is vandaag beschikbaar via MiniMax' eigen API, het M Plan en MiniMax Code, en — volgens de aankondiging van 21 oktober — via Inferact. Dat is de volledige lijst die wij kunnen bevestigen, en geen ervan is een router: elk daarvan is één plek om het model te verkrijgen, met eigen rate limits, eigen beschikbaarheid en geen tweede optie achter de hand als het uitvalt.

Dat probleem met één aanbieder is precies waar een router voor bedoeld is, en daarom is de interessante vraag hier niet "welke partner" maar "hoeveel". OrcaRouter zet 200+ modellen achter één API-sleutel, geeft de lijstprijzen van aanbieders door met 0% opslag, en kan een fallback in de routeringstabel vasthouden, zodat een verzoek aan een model met één endpoint geen storing wordt wanneer dat endpoint even een slechte minuut heeft. De routerings-DSL is waar dat tot uitdrukking komt: een agentstap die MiniMax-M3.1-Flash nodig heeft, kan dat model als eerste benoemen en terugvallen op een model dat je al vertrouwt, zonder dat de aanroepende code weet dat er een vervanging heeft plaatsgevonden.

Wat vandaag routeerbaar is in onze catalogus, is de rest van de MiniMax-lijn — onder meer MiniMax-M3 — dat ook het model is waarmee je qua kosten moet vergelijken. De tariefkaart van MiniMax-M3.1-Flash is precies de helft van die van MiniMax-M3: $0,15 en $0,60 per miljoen input- en outputtokens tegenover $0,30 en $1,20, en volgens Artificial Analysis kost het nieuwere model $0,22 per benchmarktaak tegenover $0,51. Voor agentisch verkeer is dat verschil reëel. Voor een high-volume taak met korte classificatieaanroepen kan het oudere model met thinking uitgeschakeld nog steeds goedkoper uitvallen, omdat M3.1-Flash thinking helemaal niet kan uitschakelen.

De verdedigbare samenvatting is beperkt. Dat M​iniMax Inferact een API-launchpartner noemt, is een uitspraak over wie MiniMax-M3.1-Flash gaat exploiteren, twee dagen nadat het model is uitgebracht, door een bedrijf dat het niet nodig vond om dat in de launchpost te zetten. Het is bewijs dat de servinglaag voor dit model actief opnieuw wordt opgebouwd in plaats van geërfd, wat je zou verwachten bij een model waarvan de hele propositie throughput is. Het is geen bewijs over throughput. Wacht daarvoor op de eerste Inferact-cijfers over specifiek dit model — en draai het in de tussentijd ergens met een fallback erachter, want een model met één endpoint en geen downloadbare weights is een model waar je niet omheen kunt routeren.