MiniMax wskazał Inferact jako partnera uruchomienia API dla M3.1 Flash. Model się nie zmienił — zmieniła się warstwa serwowania.

21 października 2026 r., dwa dni po tym, jak MiniMax-M3.1-Flash wszedł do ogólnej dostępności, konto MiniMax na X wskazało Inferact jako partnera startowego API dla tego modelu, przypisując mu jego ekspertyzę w zakresie vLLM i opisując tę współpracę jako budowanie „infrastruktury serwującej dla złożonych obciążeń agentowych”. To całe publiczne ogłoszenie: jeden post, żadnego wpisu na blogu, żadnych szczegółów technicznych. Mimo to warto potraktować je poważnie, ponieważ to pierwsza publiczna wypowiedź na temat tego, jak ten model będzie faktycznie serwowany — a w przypadku modelu, którego sztandarowym twierdzeniem jest trzykrotne przyspieszenie, warstwa serwująca nie jest przypisem. To jest sedno twierdzenia. Udokumentowane awarie AI i incydenty z agentami stojące za takimi wydaniami jak to są zebrane w Archiwum Incydentów AI OrcaRouter, gdzie każdy wpis zawiera własne źródła, poziom istotności, ocenę pewności i oznaczenie sporności.

Czego nie zawiera wpis o premierze

MiniMax opublikował porządny wpis premierowy dla MiniMax-M3.1-Flash 19 października 2026 r.: benchmarki agentowe, 70% obniżenie kosztów, wnioskowanie „prawie trzykrotnie szybsze”. To pokaźny materiał, a nie zawiera słowa Inferact. Nie zawiera też słowa vLLM. Cokolwiek ta współpraca oznacza, firma nie uznała jej za część opowieści o premierze w dniu, w którym tę opowieść opowiedziano.

Ta luka mówi w ogłoszeniu najwięcej. Partner premierowy wskazany dwa dni po fakcie, w poście w mediach społecznościowych, bez towarzyszącego opisu technicznego, to partner, którego prace wciąż trwają. Gdyby M​iniMax miał M3.1-Flash uruchomiony na dostrojonym stosie zewnętrznym w momencie ogólnej dostępności, wpis o premierze by to powiedział — obsługa od dnia zerowego na nazwanym silniku to dokładnie ten rodzaj dowodu, który dostawca umieszcza w treści właściwej. Zamiast tego twierdzenie pojawia się osobno, bez liczb, co mówi, że współpraca jest ogłaszana w momencie, gdy staje się zobowiązaniem, a nie w momencie, gdy staje się wynikiem.

Istnieje druga, mniejsza luka. Własna strona Inferact — sprawdzona 22 października — zawiera logo MiniMax wśród partnerów oraz opinię przypisywaną dr. Yanowi Junjie, założycielowi i dyrektorowi generalnemu MiniMax. Nie wspomina też nigdzie o MiniMax-M3.1-Flash. Jej studia przypadków dotyczą zupełnie innych modeli. Obie firmy ogłosiły więc partnerstwo, którego jeszcze żadna witryna marketingowa którejkolwiek z firm nie opisuje w kategoriach produktowych. Należy to odczytywać jako dowód świeżości, a nie wątpliwości: post na X ma dwa dni, a strony partnerskie są wolne.

Czym jest Inferact i dlaczego szczegół dotyczący vLLM ma znaczenie

Inferact opisuje siebie jako „firmę założoną przez twórców i opiekunów vLLM”. Jej zespół kieruje planem rozwoju vLLM, podczas gdy sam silnik pozostaje otwartoźródłowy, na licencji Apache 2.0 i zarządzany przez społeczność w ramach PyTorch Foundation. Ta struktura sprawia, że partnerstwo jest bardziej czytelne niż większość ogłoszeń partnerów startowych: vLLM nie jest czarną skrzynką, więc wszystko, co Inferact ulepszy dla MiniMax-M3.1-Flash, ma realną szansę pojawić się w otwartym silniku, którego używa cała reszta.

Firma sprzedaje dwie odmiany tego samego. Inferact Platform instaluje się w chmurze klienta lub w jego centrum danych — strona ujmuje to słowami „Uruchamiaj wnioskowanie na swoich zasobach obliczeniowych” — z płaszczyzną sterowania obejmującą monitorowanie, walidację wdrożeń, śledzenie kosztów, automatyczne skalowanie, zarządzanie punktami końcowymi, pomiar zużycia i obserwowalność. Inferact Cloud to ta sama platforma na GPU udostępnianych przez Inferact: „Uruchamiaj wnioskowanie na naszych zasobach obliczeniowych”. To rozróżnienie ma znaczenie dla każdego, kto odczytuje ogłoszenie M​iniMax jako deklarację dostępności. Partner API przy premierze modelu może oznaczać zarządzane punkty końcowe obsługiwane przez kogoś innego albo stos oprogramowania instalowany obok własnych wag. W przypadku modelu zamkniętego możliwy jest tylko ten pierwszy wariant, co zawęża zakres tego partnerstwa.

Dlaczego ten konkretny model jest problemem serwowania, zanim staje się problemem cenowym

MiniMax-M3.1-Flash ma nietypowy kształt jak na tani model, i to ten kształt sprawia, że kwestia serwowania jest kluczowa.

• Myślenie jest zawsze włączone — dokumentacja API M​iniMax zwraca HTTP 400 dla thinking: {"type": "disabled"} i odrzuca reasoning_effort: "none" w ten sam sposób, więc jedyną kontrolą jest pięciostopniowa skala od low do max, a pominięcie pola oznacza max

• Jest zatem ograniczony przez dekodowanie — Artificial Analysis odnotowało 180 milionów zużytych tokenów wyjściowych podczas przebiegu swojego Intelligence Index, wobec mediany 99 milionów dla modeli w tym samym trackerze

• Okno kontekstu wynosi 1 000 000 tokenów, przez co to pamięć KV-cache jest wiążącym ograniczeniem liczby równoczesnych sesji agenta, jakie może utrzymać węzeł

• Pętle agentów ponownie wykorzystują duży prefiks — ten sam prompt systemowy, schemat narzędzi i kontekst plików powtarzają się na każdym kroku — dzięki czemu buforowanie prefiksu przekłada się bezpośrednio zarówno na opóźnienie, jak i na koszty

• Szybkość generowania wynosi 125,5 tokena na sekundę, a czas do pierwszego tokenu to 1,04 s; jak na tę klasę jest to szybko, ale to właśnie ta wartość jako pierwsza ucierpi z powodu kolejki równoczesnych długich generacji.

Połącz to wszystko, a otrzymasz profil obciążenia, który nagradza dokładnie to, do czego vLLM został stworzony: paged attention, dzięki któremu kontekst o długości miliona tokenów nie musi być ciągły, prefix caching, dzięki któremu kroki agenta nie wymuszają ponownego prefillu tych samych definicji narzędzi, oraz continuous batching, dzięki któremu sto na wpół ukończonych śladów rozumowania współdzieli sprzęt, zamiast ustawiać się w kolejce jeden za drugim. Samo twierdzenie M​iniMaxa o ponad 200 tokenach na sekundę w szczycie i ponad 170 w medianie jest w równym stopniu twierdzeniem o harmonogramowaniu, co twierdzeniem o jądrze. Trzykrotne przyspieszenie z postu premierowego nie bierze się samo z lepszego mnożenia macierzy.

Liczby, które istnieją, i te, które nie istnieją

Inferact publikuje dane dotyczące wydajności i warto je uważnie czytać przez pryzmat tego, do czego są przypisane. Witryna firmy reklamuje 464 tokeny na sekundę przy rozmiarze partii 1 na Kimi-K3 w dniu premiery, 709 tokenów na sekundę na użytkownika w przypadku pierwszego megakernela na TPU, 18,3 mln tokenów za dolara na SemiAnalysis AgentX z tym samym modelem oraz pierwsze miejsce w Artificial Analysis w maju 2026 r. Każda z tych liczb to twierdzenie o inżynierii Inferact na innym modelu, opublikowane przez Inferact, i żadna z nich nie jest tu przytoczona jako fakt dotyczący MiniMax-M3.1-Flash.

Nie istnieje — na dzień 22 października — jakakolwiek liczba dotycząca M3.1-Flash na stacku Inferact: brak tokenów na sekundę, brak czasu do pierwszego tokenu, brak kosztu za milion tokenów, brak krzywej współbieżności. Ogłoszenie to zobowiązanie bez pomiaru. To normalne po dwóch dniach, a jednocześnie jedyny powód, by się tym interesować — wartość partnerstwa dla kupującego będzie w całości zależeć od tego, czy te liczby okażą się lepsze od tego, co MiniMax udostępnia we własnym zakresie, a w tej chwili nikt poza tymi dwiema firmami nie wie, co MiniMax udostępnia we własnym zakresie.

Taki jest uczciwy stan dowodów. Jedyna niezależnie zmierzona przepustowość tego modelu pochodzi z Artificial Analysis i wynosi 125,5 tokena na sekundę; to wynik dla pojedynczego strumienia z jednego stanowiska testowego, a nie benchmark serwowania. Mówi ci, że model potrafi szybko generować. Nie mówi nic o tym, ilu równoczesnych użytkowników można utrzymać za jednego dolara.

Ile tak naprawdę warta jest zapowiedź partnerstwa

Niewiele samo w sobie, ale więcej niż nic. Trzy rzeczy sprawiają, że to więcej niż nic.

Po pierwsze, jest to drugi implementator. Model obsługiwany przez dokładnie jedną firmę to model z dokładnie jedną opinią operacyjną, a gdy ta opinia ma zły tydzień, Twój produkt ma zły tydzień. Nazwany partner oznacza, że drugi zespół przeczytał architekturę, znalazł kernele, które mają znaczenie, i publicznie zobowiązał się w stopniu, w którym niewywiązanie się z dostawy byłoby krępujące. To słaby sygnał, ale prawdziwy, i to ta sama logika, która sprawia, że drugi region chmury jest wart płacenia za niego.

Drugi to sposób ujęcia w kategoriach obciążenia agentowego. M​iniMax nie opisał partnerstwa jako „szybszego wnioskowania”. Opisał je jako infrastrukturę serwowania dla „złożonych obciążeń agentowych”, co jest konkretnym i trudniejszym problemem niż przepustowość czatu: długotrwałe sesje, wywołania narzędzi przeplatane generowaniem, prefiksy, które muszą przetrwać między krokami, oraz koszt skalujący się z długością trajektorii, a nie z liczbą promptów. Partner wybrany pod kątem tego problemu to partner wybrany pod kątem obciążenia, na które M​iniMax pozycjonuje model. Czy ten wybór był trafny, tego jeszcze nie można przetestować.

Po trzecie, nadaje to ramy czasowe historii operacyjnej. MiniMax-M3.1-Flash jest ogólnie dostępny od trzech dni. Wagi nie zostały udostępnione — firma mówi, że „zostaną udostępnione później”, bez podania daty — więc nie ma furtki ucieczki w postaci self-hostingu ani sposobu, by niezależna strona mogła zbenchmarkować model na własnym sprzęcie. Wszystko, co dotyczy działania tego modelu w produkcji, jest na razie zapośredniczone przez podmiot, który go udostępnia. Partner wdrożeniowy to pierwszy wpis na liście, która będzie musiała powstać.

Co to oznacza, jeśli wybierasz, gdzie to uruchomić

MiniMax-M3.1-Flash nie znajduje się w katalogu OrcaRouter. Można go dziś wywołać przez własne API M​iniMax, jego M Plan i M​iniMax Code oraz — zgodnie z ogłoszeniem z 21 października — przez Inferact. To pełna lista, za którą możemy ręczyć, i żadna z tych opcji nie jest routerem: każda z nich to jedno miejsce, w którym można uzyskać model, z własnymi limitami szybkości, własną dostępnością i bez drugiej opcji w odwodzie, jeśli przestanie działać.

Ten problem pojedynczego dostawcy to właśnie zadanie dla routera i dlatego ciekawe pytanie nie brzmi „który partner”, lecz „ile”. OrcaRouter umieszcza ponad 200 modeli za jednym kluczem API, przekazuje ceny katalogowe dostawców bez narzutu (0% marży) i może trzymać opcję zapasową w tabeli routingu, tak aby żądanie do modelu z jednym punktem końcowym nie zamieniało się w awarię, gdy ten punkt końcowy ma gorszą minutę. DSL routingu jest miejscem, w którym się to wyraża: krok agenta, który potrzebuje MiniMax-M3.1-Flash, może wskazać go jako pierwszy i przejść do modelu, któremu już ufasz, bez wiedzy kodu wywołującego, że nastąpiło podstawienie.

To, co dziś da się routować w naszym katalogu, to reszta linii MiniMax — między innymi MiniMax-M3 — który jest również modelem stanowiącym punkt odniesienia pod względem kosztów. Cennik MiniMax-M3.1-Flash jest dokładnie o połowę niższy niż w przypadku MiniMax-M3: 0,15 USD i 0,60 USD za milion tokenów wejściowych i wyjściowych wobec 0,30 USD i 1,20 USD, a Artificial Analysis wycenia nowszy model na 0,22 USD za zadanie benchmarkowe wobec 0,51 USD. W przypadku ruchu agentowego ta różnica jest realna. Przy zadaniu o dużym wolumenie krótkich wywołań klasyfikacyjnych starszy model z wyłączonym myśleniem może wciąż okazać się tańszy, ponieważ w M3.1-Flash w ogóle nie można wyłączyć myślenia.

Podsumowanie, którego można bronić, jest wąskie. Nazwanie przez MiniMax firmy Inferact partnerem przy premierze API to stwierdzenie o tym, kto będzie obsługiwał MiniMax-M3.1-Flash, dokonane dwa dni po udostępnieniu modelu przez firmę, która nie uznała za stosowne umieścić tego w poście premierowym. To dowód, że warstwa serwowania tego modelu jest aktywnie przebudowywana, a nie dziedziczona — czego można oczekiwać po modelu, którego całym argumentem sprzedażowym jest przepustowość. Nie jest to dowód dotyczący przepustowości. Na to poczekaj na pierwsze liczby Inferact dotyczące konkretnie tego modelu — a w międzyczasie uruchom go gdzieś z fallbackiem za nim, ponieważ model z jednym endpointem i bez wag do pobrania to model, którego nie da się obejść.