MiniMax назвала Inferact партнёром по запуску API для M3.1 Flash. Модель не изменилась — изменился сервисный слой.

21 октября 2026 года, через два дня после того, как MiniMax-M3.1-Flash стал общедоступным, аккаунт MiniMax в X назвал Inferact партнёром по запуску API для этой модели, отметив его экспертизу в vLLM и описав сотрудничество как создание «инфраструктуры обслуживания для сложных агентных рабочих нагрузок». Это всё публичное объявление: один пост, ни записи в блоге, ни технических подробностей. Тем не менее к нему стоит отнестись серьёзно, потому что это первое публичное заявление о том, как эта модель на самом деле будет обслуживаться, — а для модели, чьё главное заявленное преимущество — трёхкратное ускорение, слой обслуживания не является сноской. Это и есть суть заявления. Задокументированные сбои ИИ и инциденты с агентами, стоящие за подобными релизами, собраны в the OrcaRouter AI Incident Archive где каждая запись содержит собственные источники, степень серьёзности, уровень достоверности и отметку об оспаривании.

Чего не содержит пост о запуске

M​iniMax опубликовала полноценный пост о запуске MiniMax-M3.1-Flash 19 октября 2026 года: агентные бенчмарки, снижение стоимости на 70%, инференс «почти втрое быстрее». Это существенная работа, и в ней нет слова Inferact. В ней также нет слова vLLM. Какова бы ни была суть партнёрства, в тот день, когда история запуска была рассказана, компания не считала его частью этой истории.

Этот разрыв — самое показательное в анонсе. Партнёр по запуску, названный на два дня позже, в посте в соцсети, без сопроводительного технического описания, — это партнёр, работа которого всё ещё продолжается. Если бы у MiniMax M3.1-Flash работал на настроенном стороннем стеке к моменту общего доступа, в анонсе об этом было бы сказано — обслуживание с первого дня на конкретном движке — это именно тот вид доказательства, который вендор помещает в основной текст. Вместо этого утверждение появляется отдельно, без цифр, что говорит о том, что о сотрудничестве объявляют в момент, когда оно становится обязательством, а не в момент, когда оно становится результатом.

Есть второй, меньший пробел. На собственном сайте Inferact, проверенном 22 октября, среди партнёров есть логотип MiniMax и отзыв, приписываемый д-ру Янь Цзюньцзе, основателю и генеральному директору MiniMax. При этом MiniMax-M3.1-Flash там нигде не упоминается. Его кейсы посвящены совсем другим моделям. Таким образом, две компании объявили о партнёрстве, которое маркетинговый сайт ни одной из них пока не описывает в продуктовых терминах. Считайте это свидетельством недавности, а не сомнения: посту в X два дня, а партнёрские страницы обновляются медленно.

Что такое Inferact и почему деталь с vLLM важна

Inferact описывает себя как «компанию, основанную создателями и мейнтейнерами vLLM». Её команда ведёт дорожную карту vLLM, тогда как сам движок остаётся открытым исходным кодом, Apache 2.0 и управляется сообществом под эгидой PyTorch Foundation. Именно благодаря этой структуре партнёрство выглядит понятнее, чем большинство анонсов о партнёрстве на запуске: vLLM — не чёрный ящик, поэтому всё, что Inferact улучшает для MiniMax-M3.1-Flash, имеет разумные шансы появиться в открытом движке, который используют все остальные.

Компания предлагает две формы одного и того же. Inferact Platform устанавливается в облаке или центре обработки данных клиента — на сайте это сформулировано как «Запускайте инференс на своих вычислительных ресурсах» — и включает плоскость управления с мониторингом, валидацией развёртывания, отслеживанием затрат, автомасштабированием, управлением конечными точками, учётом потребления и наблюдаемостью. Inferact Cloud — это та же платформа на GPU, которые предоставляет Inferact: «Запускайте инференс на наших вычислительных ресурсах». Это различие важно для тех, кто воспринимает анонс MiniMax как заявление о доступности. Партнёр по запуску API для этой модели может означать управляемые конечные точки, которыми управляет кто-то другой, или программный стек, который вы устанавливаете рядом со своими весами. Для закрытой модели возможен только первый вариант, что сужает возможный характер этого партнёрства.

Почему эта конкретная модель является проблемой сервинга прежде, чем проблемой ценообразования

У MiniMax-M3.1-Flash необычная форма для дешёвой модели, и именно из-за этой формы вопрос сервинга становится несущей конструкцией.

• Режим размышления всегда включён — справочник API M​iniMax возвращает HTTP 400 для thinking: {"type": "disabled"} и точно так же отклоняет reasoning_effort: "none", поэтому единственный элемент управления — пятиступенчатая шкала от low до max, а если опустить поле, подразумевается max

• Таким образом, он ограничен декодированием — Artificial Analysis зафиксировала 180 млн выходных токенов, израсходованных за прогон её Intelligence Index, против медианы в 99 млн у моделей в том же трекере.

• Контекстное окно составляет 1 000 000 токенов, поэтому память KV-кэша становится ключевым ограничением того, сколько одновременных сессий агентов может поддерживать узел.

• Циклы агента повторно используют большой префикс — один и тот же системный промпт, схема инструментов и контекст файлов повторяются на каждом шаге — поэтому кэширование префикса напрямую даёт выигрыш как по задержке, так и в деньгах

• Скорость вывода измеряется на уровне 125,5 токена в секунду при времени до первого токена 1,04 секунды, что быстро для этого класса, но именно это значение первым проседает из-за очереди одновременных длинных генераций.

Сложите это вместе — и получите профиль нагрузки, который вознаграждает именно то, для чего создан vLLM: paged attention, чтобы контекст на миллион токенов не обязан был быть непрерывным, prefix caching, чтобы шаги агента не выполняли повторный prefill одних и тех же определений инструментов, и continuous batching, чтобы сотня незавершённых трасс рассуждений делила оборудование, а не стояла в очереди друг за другом. Собственное утверждение M​iniMax о 200+ токенах в секунду на пике и 170+ на медиане — это в такой же мере утверждение о планировании, как и о ядре. Ускорение в 3× из поста о запуске — не то, что может обеспечить одно только улучшенное матричное умножение.

Числа, которые существуют, и те, которых нет

Inferact публикует показатели производительности, и их стоит внимательно прочитать, обратив внимание на то, к чему они относятся. На её сайте рекламируется 464 токена в секунду при размере батча 1 на Kimi-K3 в день запуска, 709 токенов в секунду на пользователя с её первым мегаядром на TPU, 18,3 млн токенов на доллар на SemiAnalysis AgentX с той же моделью и первое место в Artificial Analysis в мае 2026 года. Каждый из этих пунктов — утверждение об инженерных решениях Inferact на другой модели, опубликованное Inferact, и ни один из них не воспроизводится здесь как факт о MiniMax-M3.1-Flash.

Чего по состоянию на 22 октября не существует вообще, так это какой-либо цифры для M3.1-Flash в стеке Inferact: ни токенов в секунду, ни времени до первого токена, ни стоимости за миллион, ни кривой параллелизма. Анонс — это обязательство без измерения. Это нормально спустя два дня, и это же единственная причина интересоваться — ценность партнёрства для покупателя будет полностью определяться тем, окажутся ли эти цифры лучше того, что M​iniMax предоставляет самостоятельно, а прямо сейчас никто за пределами двух компаний не знает, что M​iniMax предоставляет самостоятельно.

Такова честная картина доказательств. Единственный независимо измеренный показатель пропускной способности для этой модели исходит от Artificial Analysis — 125,5 токена в секунду, и это цифра для одного потока, полученная в одном тестовом стенде, а не бенчмарк обслуживания. Она говорит о том, что модель способна генерировать быстро. Она ничего не говорит о том, сколько одновременных пользователей можно обеспечить на один доллар.

Чего на самом деле стоит анонс партнёрства

Сам по себе — немногого стоит, но это больше, чем ничего. Три вещи делают это бо́льшим, чем ничего.

Первое — это второй имплементатор. Модель, которую обслуживает ровно одна компания, — это модель с ровно одним операционным мнением, и когда у этого мнения плохая неделя, у вашего продукта тоже плохая неделя. Названный партнёр означает, что вторая команда прочитала архитектуру, нашла ядра, которые имеют значение, и публично взяла на себя достаточно обязательств, чтобы их невыполнение было позорным. Это слабый сигнал, но реальный, и это та же логика, по которой стоит платить за второй облачный регион.

Второй аспект — это позиционирование под агентские рабочие нагрузки. MiniMax не описывал партнёрство как «более быстрый инференс». Он описывал его как инфраструктуру обслуживания для «сложных агентских рабочих нагрузок», а это специфическая и более сложная задача, чем пропускная способность чата: долгоживущие сессии, вызовы инструментов, чередующиеся с генерацией, префиксы, которые должны сохраняться между шагами, и затраты, которые масштабируются с длиной траектории, а не с количеством промптов. Партнёр, выбранный для этой задачи, — это партнёр, выбранный под рабочую нагрузку, для которой MiniMax продвигает модель. Правильность этого выбора пока невозможно проверить.

Третье заключается в том, что это датирует операционную историю. MiniMax-M3.1-Flash находится в общем доступе уже три дня. Веса не выпущены — компания говорит, что они «будут выпущены позже», без указания даты, — поэтому нет ни лазейки для самостоятельного хостинга, ни способа для независимой стороны провести бенчмарк модели на собственном оборудовании. Все сведения о том, как эта модель работает в продакшене, пока что опосредованы тем, кто её обслуживает. Партнёр по запуску — первая позиция в списке, который ещё только предстоит составить.

Что это значит, если вы выбираете, где его запускать

MiniMax-M3.1-Flash отсутствует в каталоге OrcaRouter. Сегодня его можно вызвать через собственный API MiniMax, тариф M Plan и MiniMax Code, а также — согласно объявлению от 21 октября — через Inferact. Это полный список, за который мы можем поручиться, и ни один из этих вариантов не является роутером: каждый из них — это одно место, где можно получить модель, со своими лимитами запросов, собственной доступностью и без запасного варианта, если он выйдет из строя.

Именно для проблемы единственного провайдера и нужен маршрутизатор, и поэтому интересный вопрос здесь не «какой партнёр», а «сколько». OrcaRouter даёт доступ к 200+ моделям через один API-ключ, передаёт списочные цены провайдеров без наценки (0%) и может хранить резервный вариант в таблице маршрутизации, чтобы запрос к модели с единственным эндпоинтом не превращался в простой, когда этот эндпоинт на минуту сбоит. Именно в DSL маршрутизации это и выражается: шаг агента, которому нужна MiniMax-M3.1-Flash, может указать её первой и переключиться на модель, которой вы уже доверяете, причём вызывающий код не будет знать, что произошла подмена.

Что сегодня можно маршрутизировать в нашем каталоге — это остальная линейка MiniMax — в том числе MiniMax-M3 — которая также является моделью для сравнения по стоимости. Тариф MiniMax-M3.1-Flash ровно вдвое ниже, чем у MiniMax-M3: $0,15 и $0,60 за миллион входных и выходных токенов против $0,30 и $1,20, а Artificial Analysis оценивает более новую модель в $0,22 за бенчмарк-задачу против $0,51. Для агентного трафика этот разрыв реально ощутим. Для высокообъёмной задачи с короткими вызовами классификации более старая модель с отключённым режимом размышлений всё ещё может оказаться дешевле, потому что у M3.1-Flash вообще нельзя отключить размышления.

Обоснованный вывод здесь узок. То, что MiniMax называет Inferact партнёром по запуску API, — это заявление о том, кто будет обслуживать MiniMax-M3.1-Flash, сделанное через два дня после выхода модели компанией, которая не сочла нужным упомянуть это в посте о запуске. Это свидетельствует о том, что слой обслуживания для этой модели активно перестраивается, а не наследуется, чего и следовало бы ожидать от модели, весь смысл которой — пропускная способность. Это не даёт свидетельств о пропускной способности. Для этого дождитесь первых цифр от Inferact именно по этой модели — а пока запускайте её где-нибудь с резервным вариантом на случай отказа, потому что модель с единственным эндпоинтом и без скачиваемых весов — это модель, которую нельзя обойти маршрутизацией.