Parametry MiniMax M3.1 Flash: 428 miliardów łącznie, 23 miliardy aktywne i liczba, która decyduje o Twoim rachunku

MiniMax M3.1 Flash

Co MiniMax faktycznie opublikował

Firma MiniMax udostępniła MiniMax M3.1 Flash 19 października 2026 r. i opublikowała wagi na Hugging Face 23 października. Karta modelu odpowiada na pytania dotyczące specyfikacji, które wpis premierowy pozostawił niejasne, a kilka jej liczb różni się od podsumowań, które krążyły w międzyczasie.

• Parametry — łącznie 428 miliardów, z czego 23 miliardy aktywowane na token, w natywnej multimodalnej architekturze mieszaniny ekspertów.

• Pobieranie — 252,4 GB w 48 shardach safetensors oraz 2,3 GB modelu draftującego DSpark do dekodowania spekulatywnego.

• Kontekst i dane wyjściowe — 1 000 000 tokenów wejściowych; do 524 288 tokenów wyjściowych.

• Modalności — tekst, obraz i wideo na wejściu; tekst na wyjściu.

• Precyzja — eksperci routowani oraz ścieżka KV rzadkiej uwagi są trenowane w NVFP4, eksperci współdzieleni są utrzymywani w MXFP8, a ścieżka zapytań pozostaje w FP8.

• Serwowanie — vLLM, SGLang i TokenSpeed to zalecane ścieżki, z kontenerami vLLM day-0 dla NVIDIA i AMD.

• Cena w hostowanym API — 0,15 USD za milion tokenów wejściowych, 0,60 USD za tokeny wyjściowe, 0,015 USD za odczyt z pamięci podręcznej tokenów wejściowych.

• Licencja — minimax-community, zarejestrowana na Hugging Face jako code>license: other/code>, co nie jest ani licencją MIT, ani Apache.

Łącznie kontra aktywne: co robią 23 miliardy

Gęsty model o 428 miliardach parametrów uruchamiałby każdy parametr dla każdego tokenu. Mieszanka ekspertów (mixture-of-experts) kieruje każdy token do podzbioru ekspertów, więc obliczenia przypadające na token są określane przez liczbę 23 miliardów aktywnych parametrów, a zajętość pamięci przez łączną liczbę 428 miliardów. Ten podział jest powodem, dla którego obie liczby zwykle podaje się razem i dlaczego podanie tylko jednej z nich wprowadza w błąd w przewidywalnym kierunku: liczba łączna mówi, jakiego sprzętu potrzebujesz, a liczba aktywnych parametrów mówi z grubsza, ile obliczeń kosztuje token.

Praktyczną konsekwencją jest to, że 23 miliardy aktywnych parametrów to nie „model o 23 miliardach parametrów”. To model z 428 miliardami parametrów przechowywanej wiedzy i 23 miliardami parametrów pracy na token — co stanowi rozsądny opis tego, dlaczego może być zarówno szybki w uruchamianiu, jak i stosunkowo ciężki do hostowania.

Liczba 252,4 GB to, jak wygląda to w dokumencie zakupowym: nie teoretyczna liczba parametrów pomnożona przez dwa bajty, lecz artefakt, który przechodzi przez przegląd bezpieczeństwa. To wybór NVFP4 do treningu utrzymuje ją na tym poziomie. W rozliczeniu vLLM checkpoint NVFP4 wynosi 250,1 GB w porównaniu z 451,5 GB dla MiniMax-M3 w MXFP8 — redukcja o 44,6% — a pamięć podręczna KV spada z 61 440 bajtów na token do 34 560, co stanowi cięcie o 43,75%, ponieważ zarówno indeksator rzadkiej uwagi, jak i ścieżka uwagi działają w NVFP4.

Ile kosztują parametry w czasie serwowania

Współbieżność to liczba, której nie poda liczba parametrów — i to ona decyduje, czy samodzielne hostowanie jest realne. Na czterech GPU NVIDIA B300 przy sekwencjach o długości 256 000 tokenów vLLM zgłasza 76 równoległych sekwencji dla MiniMax M3.1 Flash, podczas gdy MiniMax-M3 z pamięcią podręczną KV FP8 mieści 28 — około 2,7 razy więcej. W części przebiegu GB300 AgentX nastawionej na opóźnienia stos utrzymuje 418,9 tokena wyjściowego na sekundę na użytkownika, obsługując łącznie 38,6 tys. tokenów na sekundę na GPU; w części nastawionej na przepustowość osiąga 153,8 tys. tokenów łącznie na sekundę na GPU przy około 127 tokenach na sekundę na użytkownika. Na Rubin ta sama konfiguracja zgłasza 724,9 tokena na sekundę na użytkownika, a na AMD MI355X — 331.

To są benchmarki frameworka na konkretnym sprzęcie, opublikowane przez sam framework, a nie niezależne pomiary produkcyjne. Mimo to są bardziej istotne dla decyzji niż jakikolwiek wiersz benchmarku, ponieważ model 428B, który mieści 76 równoczesnych sekwencji 256K na czterech GPU, to inny przedmiot zakupu niż taki, który mieści osiem.

Koszt 23 miliardów nie jest ceną tokena.

I tu historia parametrów rozmija się z rachunkiem. MiniMax M3.1 Flash kosztuje 0,15 USD i 0,60 USD, co stanowi połowę ceny za tokeny wejściowe i około jedną czwartą ceny za tokeny wyjściowe Gemini 3.5 Flash-Lite. W przypadku wskaźnika kosztu na ukończone zadanie Artificial Analysis nadal przegrywa: 0,22 USD wobec 0,19 USD.

Powód jest widoczny w tym samym zbiorze danych. W całym Intelligence Index model zużył około 180 milionów tokenów wyjściowych, podczas gdy mediana dla modeli śledzonych przez Artificial Analysis wynosi blisko 100 milionów. Nie można wyłączyć myślenia — API MiniMax odrzuca code>thinking: {"type": "disabled"}/code> z błędem 400, a jedynym mechanizmem regulacji jest pięciostopniowa drabinka wysiłku od low do max, przy czym max jest wartością domyślną, gdy pole zostanie pominięte. Tokeny myślenia są rozliczane jako wyjściowe i wliczają się do code>max_tokens/code>.

Zatem trafne podsumowanie ekonomiki parametrów jest takie: liczba aktywnych parametrów jest wystarczająco mała, aby model pozostawał szybki, rozwlekłość jest wystarczająco wysoka, aby rachunek nie był tak niski, jak sugeruje cennik, a te dwa fakty nie mają ze sobą związku. W pracy agentowej i programistycznej namysł zazwyczaj zwraca swoje tokeny. W przypadku ekstrakcji lub klasyfikacji nie.

Wynik w zakresie inteligencji jest przyzwoity, ale nie wybitny: 43 w Artificial Analysis Intelligence Index, piąte miejsce na 173 modele, przy czym Terminal-Bench 4.0 wynosi 26%, AutomationBench-AA 73%, GDPval-AA 1 458, a SciCode 53%. Wynik dotyczący wstrzymywania się od odpowiedzi jest tym, wokół którego trzeba projektować — AA-Omniscience ocenia go na 16, przy 93-procentowym wskaźniku halucynacji, co oznacza, że gdy model nie znał odpowiedzi, i tak odpowiadał niemal za każdym razem, zamiast odmówić.

Szybkość mierzona na dwa sposoby

Publikowane wartości prędkości są rozbieżne, a ta rozbieżność jest pouczająca, a nie niepokojąca. Artificial Analysis zmierzył 1,48 sekundy do pierwszego tokenu przy 95,6 tokenu wyjściowego na sekundę; materiały samego MiniMax podają medianę powyżej 170 tokenów na sekundę ze szczytami powyżej 200. Ścieżka obsługi i warunki pomiaru znacząco zmieniają tę liczbę, dlatego naszą własną trasę warto podać osobno: p50 wynoszący 1,29 sekundy do pierwszego tokenu i p95 wynoszący 4,40 sekundy w ciągu ostatnich siedmiu dni ruchu na code>minimax/minimax-m3.1-flash/code>.

Tak wygląda model z routingiem. Uczciwym sposobem porównania go z dotychczasowym rozwiązaniem jest zmierzenie własnej trasy, a nie ufanie pojedynczej wartości od któregokolwiek z dostawców.

Wiersz licencji jest częścią specyfikacji.

Z wagami wiążą się dwa obowiązki i żaden z nich nie pojawia się w liczbie parametrów. Komercyjne wdrożenia muszą w widocznym miejscu wyświetlać ciąg „Built with MiniMax M3” na powiązanej stronie internetowej, w interfejsie, wpisie na blogu, na stronie „O nas” lub w dokumentacji produktu — model to M3.1 Flash, a wymagane oznaczenie wciąż mówi M3, czyli dokładnie ten rodzaj szczegółu, który przegląd prawny wyłapuje za późno. Przy rocznych przychodach wynoszących 20 mln USD lub mniej firma musi jednorazowo powiadomić MiniMax e-mailem; powyżej tego progu przed użyciem komercyjnym wymagana jest uprzednia pisemna zgoda.

Licencja definiuje użycie komercyjne wystarczająco szeroko, by obejmowało produkt zbudowany na modelu, komercyjne API na jego bazie oraz wdrożenie dostrojonego modelu. Dla startupu poniżej progu koszt to e-mail i jedna linia atrybucji. Dla większej firmy to rozmowa licencyjna w harmonogramie kontrolowanym przez MiniMax. DeepSeek V4.1 Flash jest udostępniany na licencji MIT i nie wymaga żadnego powiadomienia, dlatego „open weights” nie jest jedną kategorią, nawet gdy oba checkpointy można pobrać.

Zadzwoń lub pobierz

Próg opłacalności w przypadku otwartych wag to kwestia wykorzystania. Przy $0,60 za milion tokenów wyjściowych miliard tokenów wyjściowych miesięcznie kosztuje $600 przez hostowane API; cztery GPU B300 kosztują więcej niż to, zanim doliczymy energię, sieć i inżyniera, który utrzymuje stos serwowania na bieżąco. Pobieranie wygrywa w przypadku danych, które nie mogą opuścić kontrolowanego środowiska, dla przebiegów dostrajania wymagających dostępu do wag — vLLM donosi o RL end-to-end z veRL, FSDP2 i LoRA rangi 32 na checkpointcie NVFP4 oraz o 200-krokowym przebiegu GRPO, który podniósł dokładność AIME-2024 z 36,3% do 67,5% na 16 GB300 — a także dla zadań wsadowych wystarczająco dużych, że stały klaster bije rozliczany rachunek.

Dla wszystkich innych hostowana trasa jest rozsądnym domyślnym wyborem, a MiniMax M3.1 Flash znajduje się w katalogu OrcaRouter jako code>minimax/minimax-m3.1-flash/code> w cenie katalogowej dostawcy z 0% marży: $0.15 za wejście, $0.60 za wyjście, $0.015 za cache, jeden klucz obok MiniMax-M3 i modeli, z którymi zwykle jest zestawiany. Automatyczne przełączanie awaryjne obejmuje przypadki, gdy dostawca ma gorszy dzień, a DSL routingu może skierować trudny etap potoku do mocniejszego modelu, podczas gdy większość pozostaje tutaj.

Jeśli pytanie o parametry sprowadziło cię tutaj, krótka odpowiedź brzmi: 428 miliardów łącznie i 23 miliardy aktywne. Długa odpowiedź jest taka, że żadna z tych liczb nie pojawia się na twojej fakturze, a te dwie, które się pojawiają, to tokeny wyjściowe, które model decyduje się wykorzystać, oraz próg licencyjny, który możesz kiedyś przekroczyć.

Nota źródłowa: liczby parametrów, repozytorium o rozmiarze 252,4 GB, schemat precyzji, warunki licencji i wiersze benchmarków dostawcy pochodzą z karty modelu i materiałów premierowych MiniMax, przeczytanych 26 października 2026 r. Rozmiary checkpointów NVFP4, bajty pamięci podręcznej KV na token, wartości współbieżności, liczby przepustowości i wynik GRPO pochodzą z wpisu vLLM z dnia premiery i są benchmarkami frameworka na wskazanym sprzęcie. Wynik Intelligence Index, koszt na zadanie, szacowane zużycie tokenów i dane AA-Omniscience pochodzą od Artificial Analysis. Ceny, kontekst i p50 na poziomie 1,29 sekundy pochodzą z katalogu OrcaRouter oraz z naszego własnego siedmiodniowego ruchu.