Веса MiniMax M3.1 Flash вышли: 428B, 252 ГБ и лицензионный порог в $20 млн

Веса MiniMax M3.1 Flash появились на Hugging Face 23 октября 2026 года — через четыре дня после запуска самой модели 19 октября. Всего в загрузке 428 млрд параметров, из которых 23 млрд активны на токен, а репозиторий занимает 252,4 ГБ: 48 шардов весов плюс 2,3-ГБ драфтер для спекулятивного декодирования. Это настоящий выпуск с открытыми весами, но не выпуск с открытым исходным кодом. Лицензия — собственная community-лицензия MiniMax, которая требует указания авторства при каждом коммерческом развёртывании и предварительного письменного разрешения от MiniMax после того, как годовая выручка превысит 20 млн долларов США.

Это различие важнее числа параметров. Тех, кто увидел «open weights» и решил, что это MIT или Apache-2.0, ждёт неприятный сюрприз при закупке. Тем, кому нужно только вызывать модель, скорее всего, стоит вообще игнорировать скачивание: размещённый API по-прежнему стоит $0.15 за миллион входных токенов и $0.60 за миллион выходных, и то, что файлы весов доступны уже четыре дня, не меняет эту арифметику для команды, отправляющей несколько миллиардов токенов в месяц.

Что на самом деле находится в репозитории

Карточка модели отвечает на вопросы о спецификации, которые пост MiniMax о запуске оставил неясными. Главные цифры — это то, что важно не перепутать, поскольку некоторые из них расходятся со сводками дня запуска, которые распространялись без карточки модели, с которой их можно было бы сверить.

• Параметры — всего 428 млрд, 23 млрд активируются на токен, нативная мультимодальная смесь экспертов

• Загрузка — всего 252,4 ГБ: 48 шардов safetensors плюс драфтер DSpark на 2,3 ГБ для спекулятивного декодирования

• Контекст — 1 000 000 входных токенов; до 524 288 выходных токенов

• Входы и выходы — на входе текст, изображение и видео; на выходе текст

• Точность — маршрутизируемые эксперты и KV-путь разреженного внимания обучаются для NVFP4, при этом общие эксперты хранятся в MXFP8; путь запросов остаётся FP8

• Обслуживание — vLLM, SGLang и TokenSpeed являются рекомендуемыми путями, а также контейнеры vLLM, доступные с первого дня, для NVIDIA и AMD

• Лицензия — minimax-community, указана на Hugging Face как license: other

• Цена размещённой версии — $0,15 за входные данные, $0,60 за выходные данные, $0,015 за кэшированные входные данные за миллион токенов

Разделение 428B/23B — то же самое, которое MiniMax указывает с момента запуска. 252 ГБ — новая информация для всех, кто планирует развёртывание: это фактический размер артефакта, который придётся провести через проверку безопасности, а не теоретическое число параметров, умноженное на два байта. Потолок вывода — ещё одно число, на которое стоит обратить внимание. Документация API MiniMax допускает 524 288 выходных токенов — намного выше потолка в 65 536 токенов у Gemini 3.8 Flash и выше, чем у DeepSeek V4.1 Flash — 384 000. Это возможность длинной генерации, которую в посте о запуске не выдвигали на первый план.

Лицензия — это та часть, которую нужно прочитать дважды.

MiniMax называет это релизом с открытыми весами, и по обычному смыслу этого выражения — файлы можно скачать, API-ключ не нужен — так оно и есть. А вот лицензия — это то место, где слово «открытый» начинает работать не в полную силу. Лицензия сообщества MiniMax разрешает бесплатное использование, модификацию и распространение в некоммерческих целях. Коммерческое использование разрешено, но оно сопровождается двумя обязательствами, которых нет в MIT.

Первое — атрибуция. При коммерческом развёртывании необходимо заметно отображать {{1}}"Built with MiniMax M3"{{/1}} на соответствующем веб-сайте, в пользовательском интерфейсе, посте блога, на странице «О нас» или в документации продукта. Модель — M3.1 Flash; в требуемой строке по-прежнему указано M3 — это как раз та деталь, которую легко упустить, пока её не заметят на юридической проверке.

Второе — порог по выручке. При годовой выручке в 20 млн долларов США или ниже компания обязана однократно уведомить MiniMax по электронной почте. При выручке выше 20 млн долларов США требуется предварительное письменное разрешение от MiniMax до коммерческого использования. Лицензия определяет коммерческое использование достаточно широко, чтобы охватывать предложение продукта или услуги, которые опираются на модель, запуск коммерческого API на её основе, а также развёртывание дообученной или посттренированной версии в коммерческих целях. Бизнес по хостингу инференса, построенный на этих весах, прямо попадает под это определение.

Это не причина избегать релиза. Это причина правильно читать релиз. Для стартапа ниже порога практическая стоимость — это письмо и строка указания авторства. Для более крупной компании это разговор о лицензировании с китайской лабораторией, в графике, который контролирует MiniMax. Сравните это с DeepSeek V4.1 Flash, который распространяется под MIT и вообще не требует уведомления, — и условия в сфере open-weights не равны, даже когда оба чекпоинта доступны для скачивания.

252 ГБ — цифра простая, а 76 одновременных последовательностей — вот что действительно полезно.

Интересная деталь об инференсе следует из поста vLLM, опубликованного в день запуска (day-0); он конкретнее, чем собственные материалы MiniMax о запуске. Размер контрольной точки NVFP4 по расчёту vLLM составляет 250,1 ГБ против 451,5 ГБ для MiniMax-M3 в MXFP8 — сокращение на 44,6%. KV-кэш уменьшается с 61 440 байт на токен до 34 560, то есть на 43,75%, поскольку и индексатор разреженного внимания, и путь внимания работают в NVFP4.

Следствие — параллелизм при длинном контексте, и именно это число определяет, жизнеспособен ли самостоятельный хостинг. На четырёх GPU NVIDIA B300 при последовательностях в 256K токенов vLLM сообщает о 76 одновременных последовательностях для M3.1 Flash, тогда как M3 с кэшем KV в FP8 вмещает 28 — примерно в 2,7 раза больше. На чувствительном к задержке конце прогона GB300 AgentX стек выдерживает 418,9 выходных токенов в секунду на пользователя, обслуживая при этом 38,6K токенов в секунду на GPU суммарно. На конце, ориентированном на пропускную способность, он достигает 153,8K токенов в секунду на GPU при примерно 127 токенах в секунду на пользователя. На Rubin тот же рецепт даёт 724,9 токена в секунду на пользователя, а на AMD MI355X — 331.

Это бенчмарки фреймворка на конкретном оборудовании, а не независимые измерения в продакшене. Тем не менее это самые полезные цифры в релизе, потому что они отвечают на вопрос, на который не может ответить количество параметров: сколько запросов с длинным контекстом помещается на машине, которую вы действительно можете арендовать. Модель на 428B, которая вмещает 76 одновременных последовательностей по 256K на четырёх GPU, — это совсем другой объект закупки, чем модель на 428B, вмещающая восемь.

Во сколько обходится self-hosting и когда API всё же выигрывает

Точка безубыточности при открытых весах — это вопрос загрузки, а не цены. При $0,60 за миллион выходных токенов миллиард выходных токенов в месяц стоит $600 через API MiniMax. Четыре GPU B300 обходятся куда дороже — при аренде или владении — ещё до учёта электроэнергии, сетевой инфраструктуры и инженера, который поддерживает стек обслуживания в актуальном состоянии. Команда, способная держать эти GPU загруженными на уровне пропускной способности из бенчмарка vLLM, покупает токены по совершенно иной эффективной ставке; команда, которой они нужны два часа в день, субсидирует простаивающий кремний.

Рабочие нагрузки, которые оправдывают скачивание, — это те, где цена API не является определяющим ограничением. Данные, которые не могут покинуть контролируемую среду. Запуски дообучения, которым нужен доступ к весам, где vLLM сообщает о сквозном RL с veRL, FSDP2 и LoRA ранга 32 на чекпоинте NVFP4, а также запуск GRPO на 200 шагов, который поднял точность на AIME-2024 с 36,3% до 67,5% на 16 GB300. Чувствительные к задержке циклы агентов, где сетевой хоп и очередь провайдера входят в p95. И пакетные задания, достаточно крупные, чтобы фиксированный кластер оказался выгоднее оплаты по факту потребления.

Для всех остальных размещённый вариант остаётся разумным выбором по умолчанию, и этот релиз ничего не меняет. Веса — это стратегическая возможность, а не сокращение затрат, которое появляется по умолчанию.

Что не исправляют веса

Три проблемы сохраняются после загрузки в неизменном виде. Первая — надёжность. В оценке AA-Omniscience от Artificial Analysis M3.1 Flash заняла 16-е место в общем зачёте при уровне галлюцинаций 93%: когда модель не знала ответа, она почти всегда всё равно отвечала, вместо того чтобы воздержаться. Это измеренное поведение, а не заявление вендора, и подобное имеет большее значение для агента, который может действовать, чем для чат-бота, которого можно проигнорировать. Открытые веса позволяют дообучить модель в обход этой проблемы; они не устраняют её в чекпойнте.

Второй момент — происхождение бенчмарков. Стартовые цифры — DeepSWE v1.1 на уровне 73,7%, Agents' Last Exam — 29,6, OSWorld V2 — 61,7, CyberGym — 82,2, BankerToolBench — 76,2 — это собственные прогоны MiniMax на харнессах, выбранных MiniMax. Ни одна из них не была независимо воспроизведена. В карточке модели прямо предупреждается, что сторонние квантования могут отличаться, и это полезное признание: цифры описывают официальные веса в конфигурации MiniMax, а не то, что выдаёт ваш инференс-стек после дополнительного квантования.

Третий аспект — контроль. Мышление невозможно отключить: API MiniMax отклоняет thinking: {"type": "disabled"} с HTTP 400, и единственный рычаг — пятиуровневая шкала усилий от low до max, причём max используется по умолчанию, если поле не указано. Токены мышления тарифицируются как выходные и учитываются в max_tokens. В Intelligence Index модель израсходовала около 180 млн выходных токенов, что намного выше медианы; поэтому стоимость $0,22 за выполненную задачу лучше, чем можно предположить по цене за токен, но всё ещё зависит от многословности.

Как это теперь называть?

MiniMax M3.1 Flash доступен через собственный API MiniMax, M Plan и MiniMax Code, а также через несколько сторонних платформ. Сегодня его нет в каталоге OrcaRouter, и эта статья не утверждает обратного. Что OrcaRouter действительно маршрутизирует — это остальные модели семейства и модели, с которыми его обычно сравнивают в шорт-листах: MiniMax-M3, DeepSeek V4.1 Flash и Gemini 3.8 Flash — все отвечают по одному ключу, по прайс-листовой цене провайдера с наценкой 0%, с автоматическим переключением при сбое между маршрутами. Если вы тестируете M3.1 Flash против уже используемой модели, это даёт вам сторону действующего решения для сравнения без второго контракта и даёт вам резервный вариант, куда можно переключиться при сбое, пока новая модель накапливает операционную историю.

Если вы развертываете модель у себя, контейнер vLLM — самый короткий путь, а рецепт NVFP4 — именно тот, который описывают приведённые выше цифры. Если вы обращаетесь к API, этот релиз на этой неделе мало что меняет, кроме вариантов приобретения.

Честная оценка такова: веса реальны, история с сервингом сильнее, чем ожидалось, а лицензия более ограничительна, чем позволяет ожидать фраза «открытые веса». MiniMax выпустила действительно загружаемую модель на 428B с рецептом для четырёх GPU и объёмом 252 ГБ. Она не выпустила эту модель под MIT, и эта разница будет иметь значение именно для тех компаний, которые достаточно велики, чтобы заботиться о статье расходов в $20 млн.