Os pesos do MiniMax M3.1 Flash foram lançados: 428B, 252 GB e uma cláusula de licença de US$ 20 milhões

Os pesos do MiniMax M3.1 Flash foram disponibilizados no Hugging Face em 23 de outubro de 2026, quatro dias após o lançamento do próprio modelo, em 19 de outubro. O download tem 428 bilhões de parâmetros no total, com 23 bilhões ativos por token, e o repositório tem 252,4 GB: 48 shards de pesos mais um drafter de decodificação especulativa de 2,3 GB. É um lançamento real de pesos abertos, e não um lançamento de código aberto. A licença é a licença comunitária própria da MiniMax, que exige atribuição em toda implantação comercial e autorização prévia por escrito da MiniMax quando a receita anual ultrapassar US$ 20 milhões.

Essa distinção importa mais do que a contagem de parâmetros. Quem leu “pesos abertos” e assumiu MIT ou Apache-2.0 tem uma surpresa no processo de compras pela frente. Quem só precisa chamar o modelo provavelmente deve ignorar o download por completo: a API hospedada continua custando US$ 0,15 por milhão de tokens de entrada e US$ 0,60 por milhão de saída, e quatro dias de arquivos de pesos não mudam essa aritmética para uma equipe que envia alguns bilhões de tokens por mês.

O que está realmente no repositório

O model card responde às perguntas de especificação que o post de lançamento da MiniMax deixou vagas. Os números de destaque são os que é preciso manter corretos, porque vários deles diferem dos resumos do dia do lançamento que circularam sem um model card para verificá-los.

• Parâmetros — 428 bilhões no total, 23 bilhões ativados por token, uma mistura de especialistas multimodal nativa

• Download — 252,4 GB no total: 48 fragmentos safetensors mais um modelo de rascunho DSpark de 2,3 GB para decodificação especulativa

• Contexto — 1.000.000 tokens de entrada; até 524.288 tokens de saída

• Entradas e saídas — texto, imagem e vídeo como entrada; texto como saída

• Precisão — os especialistas roteados e o caminho KV de atenção esparsa são treinados para NVFP4, com os especialistas compartilhados mantidos em MXFP8; o caminho de consulta permanece em FP8

• Serviço — vLLM, SGLang e TokenSpeed são os caminhos recomendados, com contêineres vLLM day-0 para NVIDIA e AMD

• Licença — minimax-community, registrada no Hugging Face como license: other

• Preço hospedado — $0.15 de entrada, $0.60 de saída, $0.015 de entrada em cache por milhão de tokens

A divisão 428B/23B é a mesma que a MiniMax vem citando desde o lançamento. Os 252 GB são uma informação nova para quem planeja uma implantação: é o tamanho real do artefato que você levaria para uma revisão de segurança, não uma contagem teórica de parâmetros multiplicada por dois bytes. O teto de saída é o outro número que vale a pena observar. A documentação da API da MiniMax permite 524.288 tokens de saída, muito acima do teto de 65.536 tokens do Gemini 3.8 Flash e acima do DeepSeek V4.1 Flash, que tem 384.000 tokens. Trata-se de uma capacidade de geração longa que a publicação de lançamento não destacou de saída.

A licença é a parte que deve ser lida duas vezes.

A MiniMax chama isso de lançamento de pesos abertos e, pelo sentido comum da expressão — arquivos para download, sem chave de API —, é isso mesmo. É na licença que a palavra “aberto” começa a fazer menos sentido. A Licença Comunitária da MiniMax concede uso, modificação e redistribuição gratuitos para fins não comerciais. O uso comercial é permitido, mas vem com duas obrigações que a licença MIT não tem.

A primeira é a atribuição. Uma implantação comercial precisa exibir "Built with MiniMax M3" em destaque em um site relacionado, interface de usuário, post de blog, página "Sobre" ou documentação do produto. O modelo é o M3.1 Flash; a string exigida ainda diz M3, que é o tipo de detalhe que passa despercebido até uma revisão jurídica detectá-lo.

O segundo é um limite de receita. Com receita anual igual ou inferior a US$ 20 milhões, uma empresa deve enviar à MiniMax um aviso único por e-mail. Acima de US$ 20 milhões, ela precisa de autorização prévia por escrito da MiniMax antes do uso comercial. A licença define uso comercial de forma ampla o suficiente para abranger a oferta de um produto ou serviço que dependa do modelo, a execução de uma API comercial sobre ele e a implantação de uma versão fine-tuned ou pós-treinada para fins comerciais. Um negócio de inferência hospedada construído sobre esses pesos está claramente dentro dessa definição.

Isso não é um motivo para evitar o lançamento. É um motivo para ler o lançamento corretamente. Para uma startup abaixo do limite, o custo prático é um e-mail e uma linha de atribuição. Para uma empresa maior, é uma conversa sobre licenciamento com um laboratório chinês, em um cronograma que a MiniMax controla. Compare isso com o DeepSeek V4.1 Flash, que é distribuído sob a licença MIT e não exige aviso algum, e o cenário de pesos abertos não é equilibrado mesmo quando ambos os checkpoints podem ser baixados.

252 GB é o número fácil; 76 sequências simultâneas é o número útil

O detalhe interessante sobre o serving vem do post day-0 da vLLM, que é mais específico do que o próprio material de lançamento da MiniMax. O checkpoint NVFP4 é de 250,1 GB na contabilidade da vLLM, contra 451,5 GB para MiniMax-M3 em MXFP8 — uma redução de 44,6%. O cache KV cai de 61.440 bytes por token para 34.560, um corte de 43,75%, porque tanto o indexador de atenção esparsa quanto o caminho de atenção rodam em NVFP4.

A consequência é a concorrência em contexto longo, que é o número que decide se a auto-hospedagem é viável. Em quatro GPUs NVIDIA B300 com sequências de 256K tokens, o vLLM relata 76 sequências concorrentes para o M3.1 Flash, enquanto o M3 com cache KV FP8 comporta 28 — cerca de 2,7 vezes mais. Na extremidade sensível à latência de sua execução GB300 AgentX, a pilha sustenta 418,9 tokens de saída por segundo por usuário enquanto serve 38,6K tokens totais por segundo por GPU. Na extremidade de throughput, atinge 153,8K tokens totais por segundo por GPU a aproximadamente 127 tokens por segundo por usuário. No Rubin, a mesma receita relata 724,9 tokens por segundo por usuário, e no AMD MI355X, relata 331.

Esses são benchmarks de framework em hardware específico, não medições independentes de produção. Ainda assim, são os números mais úteis do lançamento, porque respondem à pergunta que uma contagem de parâmetros não consegue: quantas requisições de contexto longo cabem na máquina que você realmente pode alugar. Um modelo de 428B que comporta 76 sequências de 256K simultâneas em quatro GPUs é um objeto de aquisição diferente de um modelo de 428B que comporta oito.

Quanto custa a autohospedagem e quando a API ainda ganha

O ponto de equilíbrio com pesos abertos é uma questão de utilização, não de preço. A US$ 0,60 por milhão de tokens de saída, um bilhão de tokens de saída por mês custa US$ 600 pela API da MiniMax. Quatro GPUs B300 custam muito mais do que isso para alugar ou possuir antes de energia, rede e do engenheiro que mantém a stack de serving atualizada. Uma equipe que consegue manter essas GPUs ocupadas no extremo de throughput do benchmark do vLLM está comprando tokens a uma taxa efetiva muito diferente; uma equipe que precisa delas por duas horas por dia está subsidiando silício ocioso.

As cargas de trabalho que justificam o download são aquelas em que o preço da API não é a restrição determinante. Dados que não podem sair de um ambiente controlado. Execuções de fine-tuning que precisam de acesso aos pesos, em que o vLLM relata RL de ponta a ponta com veRL, FSDP2 e LoRA rank-32 no checkpoint NVFP4, e uma execução GRPO de 200 etapas que elevou a precisão no AIME-2024 de 36,3% para 67,5% em 16 GB300s. Laços de agentes sensíveis à latência, em que o salto de rede e a fila do provedor fazem parte do p95. E jobs em lote grandes o suficiente para que um cluster fixo supere uma cobrança por uso.

Para todos os demais, a via hospedada continua sendo o padrão sensato, e o lançamento não muda isso. Os pesos são uma opção estratégica, não uma redução de custos que chega por padrão.

O que os pesos não corrigem

Três problemas sobrevivem intactos ao download. O primeiro é a confiabilidade. A avaliação AA-Omniscience da Artificial Analysis colocou o M3.1 Flash na 16ª posição geral, com uma taxa de alucinação de 93%: quando o modelo não sabia uma resposta, ele respondia mesmo assim quase sempre, em vez de se abster. Esse é um comportamento medido, não uma alegação do fornecedor, e é o tipo de coisa que importa mais em um agente que pode agir do que em um chatbot que pode ser ignorado. Pesos abertos permitem fazer ajuste fino para contornar isso; eles não fazem isso desaparecer no checkpoint.

O segundo ponto é a proveniência dos benchmarks. Os números de lançamento — DeepSWE v1.1 com 73,7%, Agents' Last Exam com 29,6, OSWorld V2 com 61,7, CyberGym com 82,2, BankerToolBench com 76,2 — são execuções da própria MiniMax nos harnesses escolhidos pela MiniMax. Nenhum foi reproduzido de forma independente. O model card adverte explicitamente que quantizações de terceiros podem diferir, o que é uma admissão útil: os números descrevem os pesos oficiais na configuração da MiniMax, não o que sua stack de serving produz depois que você a quantiza ainda mais.

O terceiro é o controle. O raciocínio não pode ser desativado: a API da MiniMax rejeita thinking: {"type": "disabled"} com HTTP 400, e a única alavanca é a escala de esforço de cinco níveis, de low a max, com max como padrão quando o campo é omitido. Os tokens de raciocínio são cobrados como saída e contam para max_tokens. No Intelligence Index, o modelo consumiu cerca de 180 milhões de tokens de saída, bem acima da mediana, razão pela qual seu custo de US$ 0,22 por tarefa concluída é melhor do que sugere sua taxa por token, mas ainda é moldado pela verbosidade.

Como chamar isso agora

O MiniMax M3.1 Flash está disponível pela API própria da MiniMax, pelo M Plan e pelo MiniMax Code, e por várias plataformas de terceiros. Ele não está no catálogo do OrcaRouter hoje, e este artigo não afirma que esteja. O que o OrcaRouter encaminha é o restante da família e os modelos com os quais ele costuma ser comparado: MiniMax-M3, DeepSeek V4.1 Flash e Gemini 3.8 Flash respondem todos com uma única chave, pelo preço de tabela do provedor, com 0% de margem, e com failover automático entre rotas. Se você está testando o M3.1 Flash contra um incumbente, isso lhe dá o lado do incumbente da comparação sem um segundo contrato, e lhe dá para onde fazer failover enquanto o novo modelo acumula histórico operacional.

Se você está fazendo auto-hospedagem, o contêiner do vLLM é o caminho mais curto, e a receita NVFP4 é a que os números acima descrevem. Se você está chamando a API, o lançamento muda pouco esta semana, exceto pelas suas opções de aquisição.

O resumo honesto é que os pesos são reais, a história de serving é mais forte do que o esperado, e a licença é mais restritiva do que a expressão "open weights" prepara você. A MiniMax lançou um modelo 428B genuinamente baixável, com uma receita de quatro GPUs e uma pegada de 252 GB. Ela não lançou este modelo sob MIT, e a diferença importará exatamente para as empresas grandes o suficiente para se importarem com a linha de US$ 20 milhões.