MiniMax M3.1 Flash-parameters: 428 miljard totaal, 23 miljard actief, en het getal dat je factuur bepaalt

MiniMax M3.1 Flash

Wat MiniMax daadwerkelijk heeft gepubliceerd

MiniMax heeft MiniMax M3.1 Flash op 19 oktober 2026 uitgebracht en de gewichten op 23 oktober op Hugging Face geplaatst. De modelkaart beantwoordt de specificatievragen die het lanceerbericht vaag liet, en verschillende van de cijfers wijken af van de samenvattingen die tussentijds circuleerden.

• Parameters — 428 miljard in totaal, 23 miljard geactiveerd per token, in een native multimodale mixture-of-experts-architectuur.

• Download — 252,4 GB verdeeld over 48 safetensors-shards, plus een DSpark-drafter van 2,3 GB voor speculatief decoderen.

• Context en uitvoer — 1.000.000 invoertokens; tot 524.288 uitvoertokens.

• Modaliteiten — tekst, afbeelding en video als invoer; tekst als uitvoer.

• Precisie — gerouteerde experts en het KV-pad met sparse attention zijn getraind voor NVFP4, gedeelde experts worden in MXFP8 gehouden en het querypad blijft FP8.

• Serving — vLLM, SGLang en TokenSpeed zijn de aanbevolen routes, met day-0 vLLM-containers voor NVIDIA en AMD.

• Prijs voor de gehoste API — $0,15 per miljoen invoertokens, $0,60 voor uitvoer, $0,015 voor het lezen van gecachte invoer.

• Licentie — minimax-community, op Hugging Face geregistreerd als code>license: other/code>, wat geen MIT en geen Apache is.

Totaal versus actief: wat de 23 miljard doet

Een dense model met 428 miljard parameters zou voor elk token elke parameter inzetten. Een mixture-of-experts leidt elk token naar een subset van experts, dus de rekenkracht per token wordt bepaald door het aantal van 23 miljard actieve parameters, terwijl de geheugenvoetafdruk wordt bepaald door het totaal van 428 miljard. Die splitsing is waarom beide getallen meestal samen worden genoemd, en waarom het noemen van slechts één ervan op voorspelbare wijze misleidt: het totaal vertelt je welke hardware je nodig hebt, het actieve aantal vertelt je ongeveer hoeveel rekenkracht een token kost.

De praktische consequentie is dat 23 miljard actieve parameters niet neerkomen op "een model met 23 miljard parameters". Het is een model met 428 miljard parameters aan opgeslagen kennis en 23 miljard parameters aan werk per token — wat een redelijke beschrijving is van waarom het zowel snel kan opstarten als relatief zwaar is om te hosten.

Het cijfer van 252,4 GB is hoe dat er in een inkoopdocument uitziet: niet een theoretisch aantal parameters vermenigvuldigd met twee bytes, maar het artefact dat je door een beveiligingsreview heen loodst. De keuze voor NVFP4-training is wat dat cijfer daar houdt. In de boekhouding van vLLM is het NVFP4-checkpoint 250,1 GB tegenover 451,5 GB voor MiniMax-M3 in MXFP8 — een reductie van 44,6% — en de KV-cache daalt van 61.440 bytes per token naar 34.560, een verlaging van 43,75%, omdat zowel de sparse-attention-indexeerder als het attention-pad in NVFP4 draaien.

Wat de parameters kosten tijdens het serveren

Het getal dat een parameteraantal je niet kan geven, is concurrency, en dat is precies het getal dat bepaalt of self-hosting haalbaar is. Op vier NVIDIA B300 GPU's bij sequenties van 256.000 tokens rapporteert vLLM 76 gelijktijdige sequenties voor MiniMax M3.1 Flash, waar MiniMax-M3 met een FP8-KV-cache er 28 past — ongeveer 2,7 keer zoveel. Aan het latencygevoelige uiteinde van zijn GB300 AgentX-run houdt de stack 418,9 outputtokens per seconde per gebruiker vol terwijl hij 38,6K totale tokens per seconde per GPU levert; aan het throughput-uiteinde bereikt hij 153,8K totale tokens per seconde per GPU bij ongeveer 127 tokens per seconde per gebruiker. Op Rubin rapporteert hetzelfde recept 724,9 tokens per seconde per gebruiker, en op AMD MI355X 331.

Dat zijn frameworkbenchmarks op specifieke hardware, gepubliceerd door het framework, geen onafhankelijke productiemetingen. Ze zijn nog steeds beslissingsrelevanter dan welke benchmarkrij dan ook, omdat een 428B-model dat 76 gelijktijdige 256K-sequenties op vier GPU's past een ander inkoopobject is dan een dat er acht past.

De kosten van de 23 miljard zijn niet de prijs van een token

Hier lopen het parameterverhaal en de factuur uiteen. MiniMax M3.1 Flash kost $0,15 en $0,60, de helft van de inputprijs en ongeveer een kwart van de outputprijs van Gemini 3.5 Flash-Lite. Op de maatstaf kosten per voltooide taak van Artificial Analysis verliest het nog steeds: $0,22 tegen $0,19.

De reden is zichtbaar in dezelfde dataset. Over de Intelligence Index verbruikte het model ongeveer 180 miljoen uitvoertokens, tegenover een mediaan van bijna 100 miljoen voor de modellen die Artificial Analysis volgt. Denken kan niet worden uitgeschakeld — de API van MiniMax weigert code>thinking: {"type": "disabled"}/code> met een 400, en de enige instelmogelijkheid is een inspanningsladder met vijf niveaus van laag tot max, met max als standaard wanneer het veld wordt weggelaten. Denktokens worden als uitvoer gefactureerd en tellen mee voor code>max_tokens/code>.

De accurate samenvatting van de parametereconomie is dus dit: het actieve aantal is klein genoeg om het model snel te houden, de breedsprakigheid is hoog genoeg om te voorkomen dat de factuur zo klein is als de tariefkaart suggereert, en de twee feiten houden geen verband met elkaar. Bij agentisch en programmeerwerk verdient de deliberatie over het algemeen zijn tokens. Bij extractie of classificatie doet ze dat niet.

Het intelligentieresultaat is respectabel maar niet grensverleggend: 43 op de Artificial Analysis Intelligence Index, vijfde van 173 modellen, met Terminal-Bench 4.0 op 26%, AutomationBench-AA op 73%, GDPval-AA op 1.458 en SciCode op 53%. Het abstentieresultaat is het punt waar je in je ontwerp rekening mee moet houden — AA-Omniscience geeft het een score van 16, met een hallucinatiegraad van 93%, wat betekent dat wanneer het een antwoord niet wist, het bijna altijd toch antwoordde in plaats van zich te onthouden.

Snelheid, op twee manieren gemeten

De gepubliceerde snelheidscijfers lopen uiteen, en die onenigheid is informatief in plaats van verontrustend. Artificial Analysis mat 1,48 seconde tot het eerste token bij 95,6 outputtokens per seconde; eigen materiaal van MiniMax claimt een mediaan boven 170 tokens per seconde met pieken boven 200. Het servingpad en de meetomstandigheden beïnvloeden dit getal sterk, daarom is het de moeite waard om onze eigen route apart te vermelden: een p50 van 1,29 seconde tot het eerste token en een p95 van 4,40 seconde over de afgelopen zeven dagen verkeer op code>minimax/minimax-m3.1-flash/code>.

Dat is de vorm die een gerouteerd model heeft. De eerlijke manier om het met een gevestigde speler te vergelijken, is door je eigen route te meten in plaats van een enkel cijfer van een van beide leveranciers te vertrouwen.

De licentieregel maakt deel uit van de specificatie.

Er kleven twee verplichtingen aan de gewichten, en geen van beide komt tot uiting in een parameteraantal. Commerciële implementaties moeten de tekenreeks "Built with MiniMax M3" prominent weergeven op een gerelateerde website, interface, blogpost, aboutpagina of productdocumentatie — het model is M3.1 Flash en de vereiste naamsvermelding zegt nog steeds M3, precies het soort detail dat een juridische beoordeling te laat opmerkt. En bij een jaaromzet van $20 miljoen of minder is een bedrijf MiniMax een eenmalige melding per e-mail verschuldigd; boven die grens is voorafgaande schriftelijke toestemming vereist vóór commercieel gebruik.

De licentie definieert commercieel gebruik ruim genoeg om een product dat op het model is gebouwd, een commerciële API erbovenop en een fine-tuned deployment te omvatten. Voor een startup onder de drempel bestaan de kosten uit een e-mail en een regel naamsvermelding. Voor een groter bedrijf is het een licentiegesprek volgens een tijdlijn die MiniMax bepaalt. DeepSeek V4.1 Flash wordt onder MIT uitgebracht en vereist helemaal geen kennisgeving, wat de reden is dat "open weights" geen enkele categorie is, zelfs niet wanneer beide checkpoints downloadbaar zijn.

Bel het of download het.

Het break-evenpunt voor open gewichten is een benuttingskwestie. Bij $0,60 per miljoen outputtokens kost een miljard outputtokens per maand $600 via de gehoste API; vier B300-GPU's kosten meer dan dat, nog vóór stroom, netwerk en de engineer die de serving-stack up-to-date houdt. Downloaden wint voor data die een gecontroleerde omgeving niet mogen verlaten, voor fine-tuningruns die toegang tot de gewichten nodig hebben — vLLM rapporteert end-to-end RL met veRL, FSDP2 en rank-32 LoRA op het NVFP4-checkpoint, en een GRPO-run van 200 stappen die de AIME-2024-nauwkeurigheid op 16 GB300's van 36,3% naar 67,5% tilde — en voor batchtaken die groot genoeg zijn dat een vaste cluster voordeliger is dan een rekening op basis van verbruik.

Voor alle anderen is de gehoste route de verstandige standaard, en MiniMax M3.1 Flash staat in de OrcaRouter-catalogus als code>minimax/minimax-m3.1-flash/code> tegen de lijstprijs van de provider met 0% opslag: $0,15 in, $0,60 uit, $0,015 gecachet, één sleutel naast MiniMax-M3 en de modellen waarmee het doorgaans op shortlists staat. Automatische failover dekt het geval waarin een provider een slechte middag heeft, en de routing-DSL kan de moeilijke stap van een pipeline naar een sterker model sturen terwijl de bulk hier blijft.

Als de parameterkwestie je hierheen heeft gebracht, is het korte antwoord 428 miljard in totaal en 23 miljard actief. Het lange antwoord is dat geen van beide getallen op je factuur staat, en de twee die er wel op staan, zijn de outputtokens die het model kiest te verbruiken en de licentiedrempel die je op een dag mogelijk overschrijdt.

Bronvermelding: parametraantallen, de repository van 252,4 GB, het precisieschema, de licentievoorwaarden en de rijen met leveranciersbenchmarks zijn afkomstig uit MiniMax' modelkaart en lanceringsmateriaal, gelezen op 26 oktober 2026. De NVFP4-checkpointgroottes, KV-cachebytes per token, gelijktijdigheidscijfers, doorvoercijfers en het GRPO-resultaat komen uit vLLM's day-0-bericht en zijn frameworkbenchmarks op genoemde hardware. De Intelligence Index-score, kosten per taak, schatting van het tokenverbruik en de AA-Omniscience-cijfers zijn van Artificial Analysis. Prijzen, context en de p50 van 1,29 seconden komen uit OrcaRouter's catalogus en ons eigen verkeer over zeven dagen.