MiniMax-M3.1-Flash vs MiniMax-M3: Metade do Preço, Nenhum dos Pesos

O MiniMax-M3.1-Flash custa exatamente metade do que o MiniMax-M3 custa por token, marca treze pontos a mais no Artificial Analysis Intelligence Index e é o modelo para o qual a MiniMax agora está migrando seus próprios assinantes legados. É também o primeiro modelo desta linha que você não consegue baixar. O MiniMax-M3, lançado em 1º de junho de 2026, é um modelo de mistura de especialistas (mixture-of-experts) com 428 bilhões de parâmetros, 23 bilhões de parâmetros ativos, pesos publicados no Hugging Face e uma tabela de preços que você pode consultar diretamente; o MiniMax-M3.1-Flash, lançado em 19 de outubro de 2026, é um modelo fechado com pontuação melhor nos benchmarks, um caminho de serviço mais rápido e a promessa de que os pesos chegarão "mais tarde". Essa frase é toda a decisão, e a diferença de preço é uma distração em relação a ela — embora uma distração grande o bastante para valer a pena fazer as contas antes de decidir. As falhas de IA e os incidentes com agentes documentados por trás de lançamentos como este estão reunidos em o OrcaRouter AI Incident Archive, em que cada entrada traz suas próprias fontes, classificação de gravidade, grau de confiança e sinalização de contestação.

O que as duas tabelas de preços realmente dizem

Comece pelo dinheiro, porque é no dinheiro que a alegação de marketing e a fatura divergem.

• Entrada padrão — MiniMax-M3.1-Flash $0.15 por 1M vs MiniMax-M3 $0.30 por 1M até 512.000 tokens de entrada

• Saída padrão — $0,60 por 1M vs $1,20 por 1M, mesmo limite de 512.000 tokens

• Acima de 512.000 tokens de entrada — o MiniMax-M3 dobra para US$ 0,60 de entrada e US$ 2,40 de saída; o MiniMax-M3.1-Flash não divulga sobretaxa para contexto longo

Leituras em cache — US$ 0,015 por 1M vs US$ 0,06 por 1M

• Acesso prioritário — não oferecido no MiniMax-M3.1-Flash; o MiniMax-M3 o comercializa a 1,5× a tarifa padrão, portanto $0,45/$1,80 abaixo do limite e $0,90/$3,60 acima dele

• Índice de Inteligência — 42 vs 29, segundo a Artificial Analysis

• Custo por tarefa do Index — US$ 0,22 vs. US$ 0,51, um corte de 57% em vez dos 50% que a tabela de preços indica

• Janela de contexto — 1.000.000 de tokens em ambos, embora nosso catálogo liste o MiniMax-M3 com 1.048.576

• Velocidade de saída — 125,5 tokens por segundo vs 106,4, ambos medidos de forma independente

• Pesos — prometidos para depois vs publicados, abertos, no Hugging Face

• Parâmetros — não divulgados, descritos apenas como “esparsidade mais agressiva” em comparação com 428B no total e 23B ativos

Duas linhas dessa lista têm mais peso do que seu comprimento sugere. A primeira é a sobretaxa de contexto longo. Se sua carga de trabalho rotineiramente ultrapassa 512,000 tokens de entrada — uma passagem de codificação em todo o repositório, uma transcrição longa, um conjunto de documentos —, a diferença efetiva não é de 2×, mas de 4× na entrada e 4× na saída, porque o MiniMax-M3.1-Flash não aplica preços em faixas de forma alguma. A segunda é a admissão prioritária. O MiniMax-M3 pode comprar uma faixa de serviço mais rápida por 1,5×; o MiniMax-M3.1-Flash não pode comprar uma a preço algum. Sua referência da API lista service_tier como não suportado. Se a latência sob carga foi o motivo pelo qual você pagou pelo M3, o modelo mais novo não vende essa alavanca para você — ele vende um caminho de serviço subjacente mais rápido e depois tira a alavanca.

Chegar à metade do custo é mais fácil do que chegar à metade da conta.

Reduzir pela metade a tabela de preços não reduz pela metade a fatura, e este é o erro mais comum no planejamento de migração para este par. O MiniMax-M3.1-Flash pensa em cada solicitação com esforço padrão máximo, não pode ser instruído a parar e é comprovadamente prolixo: consumiu 180 milhões de tokens de saída no Intelligence Index, enquanto o modelo mediano consumiu 99 milhões. O MiniMax-M3 permite desativar o pensamento por completo e, por padrão, ele fica desativado no endpoint compatível com Anthropic.

Quantifique isso. Pegue uma tarefa de etiquetagem de documentos que envia 2.000 tokens de entrada de esquema e instruções por chamada e retorna 80 tokens de JSON. No MiniMax-M3 com o raciocínio desativado, você paga 2.000 × US$ 0,30 por milhão mais 80 × US$ 1,20 por milhão — cerca de US$ 0,0007 por chamada. No MiniMax-M3.1-Flash, a mesma tarefa, sem nenhuma forma de desativar o raciocínio, gasta a entrada a US$ 0,15 por milhão, mas então emite um bloco de raciocínio que chega a várias centenas de tokens antes da resposta. Com 500 tokens de raciocínio mais 80 tokens de resposta, a conta de saída é 580 × US$ 0,60 por milhão — aproximadamente US$ 0,00065. Apenas um pouco mais barato, e isso com uma estimativa conservadora de raciocínio. Com 1.500 tokens de raciocínio, o modelo mais novo custa mais do que o mais antigo para uma saída idêntica, porque a capacidade do mais antigo de desligar o raciocínio vale mais do que a tarifa mais barata do mais novo.

Agora mude a carga de trabalho. Uma execução de agente em várias etapas que já usou 40.000 tokens de saída no M3 para chamadas de ferramentas e raciocínio, com o pensamento habilitado porque precisava pensar. O M3 cobra 40.000 × US$ 1,20 por milhão, ou US$ 0,048. O M3.1-Flash, no mesmo volume, cobra US$ 0,024 — e, na prática, gasta menos, porque as trajetórias são mais curtas, e é por isso que o valor independente de custo por tarefa cai 57% em vez de 50%. É aí que estão as economias: trabalho longo com muito raciocínio, não chamadas curtas e determinísticas.

A regra que decorre disso: se você puder descrever sua carga de trabalho como "muitas respostas pequenas", o MiniMax-M3.1-Flash pode ser o modelo mais caro. Se puder descrevê-la como "poucas respostas longas", ele é inequivocamente o mais barato.

Os pesos são a parte que você não consegue contornar.

Todos os números acima são reversíveis. A M​iniMax poderia baixar o preço do MiniMax-M3 amanhã; poderia aumentar o do M3.1-Flash. O que não é reversível é a licença. O MiniMax-M3 é baixável — 428 bilhões de parâmetros no total, 23 bilhões ativos, no Hugging Face e espelhado em uma build MXFP8 — o que significa que você pode quantizá-lo, fazer fine-tuning nele, executá-lo no seu próprio hardware, continuar servindo-o depois que o fornecedor seguir em frente e auditar o que há dentro dele. O MiniMax-M3.1-Flash é um endpoint hospedado que a M​iniMax diz que receberá os pesos mais tarde, sem data, sem licença e sem número de parâmetros.

Essa assimetria aparece em três pontos que uma comparação de custos não capta. Conformidade: uma equipe sujeita a regulação que precise executar inferência dentro do próprio perímetro, ou documentar o artefato de modelo do qual depende, não pode usar o MiniMax-M3.1-Flash hoje a preço algum. Continuidade: o próprio cronograma de descontinuação da M​iniMax já incorporou duas famílias inteiras de modelos — M2.5 e M2.7 — ao MiniMax-M3.1-Flash em 19 de outubro, com descontinuação total em 18 de novembro. Modelos de fato são desligados, e a única forma garantida de sobreviver a isso é ter uma cópia. Reprodutibilidade: uma pontuação de benchmark que você não pode reexecutar contra um checkpoint congelado é uma pontuação que você tem de aceitar com base na confiança, e todo número do MiniMax-M3.1-Flash neste artigo é desse tipo.

Se a MiniMax disponibilizar os pesos, esta seção fica obsoleta e a lembrança de um modelo de 428B disponível para download a US$ 0,30 por milhão passa a ser a nota de rodapé mais interessante. Até lá, "mais tarde" é uma promessa, e o modelo mais antigo é o que você pode ter em mãos.

A lacuna de capacidades é real e mais estreita do que o índice sugere.

Treze pontos no Intelligence Index é um salto grande — aproximadamente uma geração de modelo nessa faixa de preço. Mas parte dessa diferença mede a mudança em como os modelos podem ser executados, e não o que eles sabem. O MiniMax-M3.1-Flash é pontuado com o raciocínio forçado ao esforço máximo; o resultado do MiniMax-M3 no índice é produzido com seus próprios padrões, o que, em um protocolo, significa pensamento desativado. Alguns desses treze pontos são a escada, não os pesos.

As evidências do lado do fornecedor apontam na mesma direção. Os próprios números de lançamento da MiniMax para o MiniMax-M3.1-Flash — BankerToolBench 76.2, DeepSWE v1.1 com 73.7%, OSWorld V2 com 61.7, Agents' Last Exam com 29.6, CyberGym com 82% — são todos avaliações agênticas, cada uma delas um cenário em que forçar o raciocínio máximo ajuda. Não há comparação publicada com o MiniMax-M3 nos mesmos harnesses, então a afirmação honesta é que o modelo mais novo é melhor em trabalho agêntico por uma margem que ninguém fora da MiniMax mediu em relação ao seu predecessor, e que o índice sugere uma melhoria genuína de algo menos de treze pontos uma vez mantida constante a política de raciocínio.

O ponto em que a diferença é indiscutível é o operacional. 125,5 tokens por segundo contra 106,4 representam um caminho de serviço 18% mais rápido, medido por um terceiro, e isso se mantém independentemente da carga de trabalho. Para uma ferramenta interativa de programação, essa é a diferença que o usuário sente.

Onde o MiniMax-M3.1-Flash é a resposta errada

Três cargas de trabalho devem permanecer no MiniMax-M3 mesmo após este lançamento, e vale a pena nomeá-las porque a cobertura do lançamento não o faz.

O primeiro é tudo o que estiver dentro da sua própria rede. Não há nenhuma versão do modelo mais recente que você possa executar, e não há indicação de quando haverá.

O segundo é trabalho determinístico de grande volume e poucos tokens — classificação, extração, roteamento, formatação — em que a capacidade de desativar o raciocínio é o recurso decisivo de custo, e o MiniMax-M3 a tem.

O terceiro é qualquer coisa que dependa de admissão prioritária. Se a sua aplicação comprou o tier 1,5× do MiniMax-M3 para manter a latência p99 dentro de um SLA, o MiniMax-M3.1-Flash remove essa opção; você estaria trocando uma alavanca controlável por uma linha de base mais rápida que não consegue ajustar.

Todos os outros — pipelines agênticos, loops de uso do computador, sessões de programação com contexto longo, equipes cujas cargas de trabalho são longas em vez de numerosas — deveriam estar migrando. O modelo mais novo é mais rápido, mais barato por tarefa concluída e melhor exatamente nas avaliações que descrevem esse trabalho.

Executando ambos sem executar duas integrações

A resposta realista para a maioria das equipes não é uma troca, mas uma divisão: MiniMax-M3 para as chamadas curtas e determinísticas e para tudo que precisa permanecer on-premises, MiniMax-M3.1-Flash para as execuções agênticas longas. Ambos são do mesmo fornecedor, da mesma família de protocolos e, no caso do endpoint compatível com Anthropic, do mesmo formato de requisição — então a divisão é uma regra de roteamento, e não duas integrações de SDK.

É para isso que o OrcaRouter serve: uma única chave de API para mais de 200 modelos, com os preços de tabela dos provedores repassados com 0% de margem, então os US$ 0,30/US$ 1,20 do MiniMax-M3 são o que você paga, e uma revisão do fornecedor chega à sua fatura no mesmo dia em que chega à deles. O MiniMax-M3 está no nosso catálogo hoje. O MiniMax-M3.1-Flash não está — chame-o pela API própria do MiniMax, pelo M Plan ou pelo MiniMax Code —, então a divisão acima funciona como uma regra de roteamento com uma perna fora de nós até que o ofereçamos. O failover automático ainda faz trabalho de verdade nesse formato: se o endpoint mais novo estiver com limite de requisições ou um id mudar por baixo dos panos, a requisição recorre ao MiniMax-M3 em vez de a uma página de erro.

O que torna a divisão digna de ser construída, em vez de apenas teorizada, é que os dois modelos diferem genuinamente em forma, não apenas em pontuação. Um roteador que envia chamadas curtas para o modelo que consegue parar de pensar, e chamadas longas para o modelo que não consegue, está fazendo algo que os benchmarks já justificam.

A versão curta

MiniMax-M3.1-Flash é o melhor modelo e o pior ativo. Ele pontua 42 contra 29, roda 18% mais rápido e custa menos por tarefa concluída — 57% menos em um índice construído a partir de trabalho longo e intensivo em raciocínio. O MiniMax-M3 é baixável, mais barato para chamadas curtas e algo que você possui. Para os próximos meses, a postura sensata é rodar os dois, colocar o trabalho longo no novo e ficar de olho no lançamento dos pesos, porque no dia em que a M​iniMax publicar o checkpoint, o único argumento que restará para o modelo antigo é a fila prioritária.