Parâmetros do MiniMax M3.1 Flash: 428 bilhões no total, 23 bilhões ativos e o número que decide sua fatura

MiniMax M3.1 Flash

O que a MiniMax realmente publicou

A MiniMax lançou o MiniMax M3.1 Flash em 19 de outubro de 2026 e disponibilizou os pesos no Hugging Face em 23 de outubro. O cartão do modelo responde às questões de especificação que a publicação de lançamento deixou vagas, e vários de seus números diferem dos resumos que circularam nesse meio-tempo.

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

• Download — 252,4 GB em 48 shards safetensors, além de um drafter DSpark de 2,3 GB para decodificação especulativa.

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

• Modalidades — texto, imagem e vídeo como entrada; texto como saída.

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

• Serviço — vLLM, SGLang e TokenSpeed são os caminhos recomendados, com contêineres vLLM desde o dia zero para NVIDIA e AMD.

• Preço na API hospedada — $0.15 por milhão de tokens de entrada, $0.60 de saída, $0.015 para uma leitura de entrada em cache.

• Licença — minimax-community, registrada no Hugging Face como code>license: other/code>, que não é MIT nem Apache.

Total versus ativo: o que os 23 bilhões estão fazendo

Um modelo denso de 428 bilhões de parâmetros executaria todos os parâmetros para cada token. Uma mistura de especialistas encaminha cada token para um subconjunto de especialistas, de modo que a computação por token é definida pelo número de 23 bilhões de parâmetros ativos, enquanto a pegada de memória é definida pelo total de 428 bilhões. Essa divisão é o motivo pelo qual os dois números costumam ser citados juntos e pelo qual citar apenas um deles induz a erro em uma direção previsível: o total informa de que hardware você precisa, e a contagem de ativos informa aproximadamente quanto um token custa em computação.

A consequência prática é que 23 bilhões ativos não é "um modelo de 23 bilhões de parâmetros". É um modelo com 428 bilhões de parâmetros de conhecimento armazenado e 23 bilhões de parâmetros de trabalho por token — o que é uma descrição razoável de por que ele pode ser rápido para iniciar e comparativamente pesado para hospedar.

A cifra de 252,4 GB é o que isso representa em um documento de contratação: não uma contagem teórica de parâmetros multiplicada por dois bytes, mas o artefato que você faz passar por uma revisão de segurança. A escolha do treinamento em NVFP4 é o que mantém isso nesse patamar. Nos cálculos do vLLM, o checkpoint NVFP4 é de 250,1 GB contra 451,5 GB do MiniMax-M3 em MXFP8 — uma redução de 44,6% — e 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 são executados em NVFP4.

Qual é o custo dos parâmetros no momento do serviço

O número que uma contagem de parâmetros não consegue fornecer é a concorrência, e é ela que decide se a auto-hospedagem é viável. Em quatro GPUs NVIDIA B300 com sequências de 256.000 tokens, o vLLM reporta 76 sequências simultâneas para o MiniMax M3.1 Flash, enquanto o MiniMax-M3 com cache KV FP8 comporta 28 — cerca de 2,7 vezes mais. No extremo sensível à latência da sua execução no GB300 AgentX, a pilha sustenta 418,9 tokens de saída por segundo por usuário enquanto atende 38,6 mil tokens totais por segundo por GPU; no extremo de vazão, alcança 153,8 mil tokens totais por segundo por GPU a aproximadamente 127 tokens por segundo por usuário. No Rubin, a mesma receita reporta 724,9 tokens por segundo por usuário, e na AMD MI355X, 331.

Esses são benchmarks de framework em hardware específico, publicados pelo próprio framework, não medições independentes de produção. Ainda assim, são mais relevantes para a decisão do que qualquer linha de benchmark, porque um modelo de 428B que comporta 76 sequências simultâneas de 256K em quatro GPUs é um objeto de contratação diferente daquele que comporta oito.

O custo dos 23 bilhões não é o preço de um token

É aqui que a história dos parâmetros e a fatura divergem. O MiniMax M3.1 Flash custa US$ 0,15 e US$ 0,60, o que é metade do preço de entrada e aproximadamente um quarto do preço de saída do Gemini 3.5 Flash-Lite. Na métrica de custo por tarefa concluída da Artificial Analysis, ele ainda perde: US$ 0,22 contra US$ 0,19.

A razão está visível no mesmo conjunto de dados. No Intelligence Index, o modelo consumiu cerca de 180 milhões de tokens de saída, contra uma mediana próxima de 100 milhões para os modelos acompanhados pela Artificial Analysis. O raciocínio não pode ser desativado — a API da MiniMax rejeita code>thinking: {"type": "disabled"}/code> com um 400, e a única alavanca é uma 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 code>max_tokens/code>.

Então, o resumo preciso da economia de parâmetros é este: a contagem de parâmetros ativos é pequena o suficiente para manter o modelo rápido, a verbosidade é alta o suficiente para impedir que a fatura seja tão pequena quanto a tabela de preços sugere, e os dois fatos não têm relação entre si. Em trabalhos agênticos e de programação, a deliberação geralmente compensa os tokens gastos. Em extração ou classificação, não.

O resultado de inteligência é respeitável, mas não de fronteira: 43 no Artificial Analysis Intelligence Index, quinto entre 173 modelos, com Terminal-Bench 4.0 em 26%, AutomationBench-AA em 73%, GDPval-AA em 1.458 e SciCode em 53%. O resultado de abstenção é o que deve orientar o projeto — o AA-Omniscience o pontua em 16, com uma taxa de alucinação de 93%, o que significa que, quando não sabia uma resposta, ainda assim respondia quase sempre, em vez de se abster.

Velocidade, medida de duas formas

Os números de velocidade publicados divergem, e a divergência é informativa em vez de alarmante. A Artificial Analysis mediu 1,48 segundo até o primeiro token a 95,6 tokens de saída por segundo; o próprio material da MiniMax afirma uma mediana acima de 170 tokens por segundo, com picos acima de 200. O caminho de serviço e as condições de medição alteram bastante esse número, e é por isso que nossa própria rota vale a pena ser citada separadamente: um p50 de 1,29 segundo até o primeiro token e um p95 de 4,40 segundos nos últimos sete dias de tráfego em code>minimax/minimax-m3.1-flash/code>.

Essa é a forma que um modelo roteado tem. A maneira honesta de compará-lo a um incumbente é medir sua própria rota em vez de confiar em um único número de qualquer um dos fornecedores.

A linha de licença faz parte da especificação.

Duas obrigações acompanham os pesos, e nenhuma delas aparece na contagem de parâmetros. Implantações comerciais devem exibir a string "Built with MiniMax M3" em destaque em um site, interface, post de blog, página "sobre" ou documentação do produto relacionado — o modelo é o M3.1 Flash e a atribuição exigida ainda diz M3, o tipo de detalhe que uma revisão jurídica pega tarde. E, com receita anual igual ou inferior a US$ 20 milhões, uma empresa deve à MiniMax uma notificação única por e-mail; acima dessa linha, é necessária autorização prévia por escrito antes do uso comercial.

A licença define o uso comercial de forma ampla o suficiente para abranger um produto construído sobre o modelo, uma API comercial em cima dele e uma implantação com ajuste fino. Para uma startup abaixo do limite, o custo é um e-mail e uma linha de atribuição. Para uma empresa maior, é uma conversa de licenciamento em um cronograma que a MiniMax controla. O DeepSeek V4.1 Flash é distribuído sob MIT e não exige aviso algum, e é por isso que "open weights" não é uma categoria única, mesmo quando ambos os checkpoints são baixáveis.

Ligue ou baixe

O ponto de equilíbrio em pesos abertos é uma questão de utilização. A US$ 0,60 por milhão de tokens de saída, um bilhão de tokens de saída por mês custa US$ 600 pela API hospedada; quatro GPUs B300 custam mais do que isso antes mesmo de contar energia, rede e o engenheiro que mantém a pilha de serving atualizada. Baixar vence para dados que não podem sair de um ambiente controlado, para execuções de ajuste fino que precisam de acesso aos pesos — o vLLM relata RL ponta a ponta com veRL, FSDP2 e LoRA rank-32 no checkpoint NVFP4, e uma execução GRPO de 200 passos que elevou a acurácia do AIME-2024 de 36,3% para 67,5% em 16 GB300s — e para trabalhos em lote grandes o suficiente para que um cluster fixo supere uma fatura por uso.

Para todos os demais, a rota hospedada é o padrão sensato, e o MiniMax M3.1 Flash está no catálogo do OrcaRouter como code>minimax/minimax-m3.1-flash/code> pelo preço de tabela do provedor, com 0% de markup: US$ 0,15 de entrada, US$ 0,60 de saída, US$ 0,015 em cache, uma chave ao lado do MiniMax-M3 e dos modelos com os quais costuma ser comparado. O failover automático cobre o caso de um provedor ter um dia ruim, e a DSL de roteamento pode enviar a etapa difícil de um pipeline para um modelo mais forte enquanto o grosso permanece aqui.

Se a pergunta sobre parâmetros trouxe você até aqui, a resposta curta é 428 bilhões no total e 23 bilhões ativos. A resposta longa é que nenhum desses números aparece na sua fatura, e os dois que aparecem são os tokens de saída que o modelo escolhe gastar e o limite de licença que você talvez ultrapasse algum dia.

Nota de fontes: as contagens de parâmetros, o repositório de 252,4 GB, o esquema de precisão, os termos da licença e as linhas de benchmark do fornecedor são da ficha do modelo e do material de lançamento da MiniMax, consultados em 26 de outubro de 2026. Os tamanhos dos checkpoints NVFP4, os bytes de cache KV por token, os números de concorrência, os números de throughput e o resultado do GRPO são da publicação de day-0 da vLLM e são benchmarks de framework em hardware especificado. A pontuação do Intelligence Index, o custo por tarefa, a estimativa de consumo de tokens e os números do AA-Omniscience são da Artificial Analysis. Os preços, o contexto e o p50 de 1,29 segundo são do catálogo da OrcaRouter e do nosso próprio tráfego de sete dias.