MiniMax har utsett Inferact till API-lanseringspartner för M3.1 Flash. Modellen har inte ändrats – det har däremot serveringslagret.

Den 21 oktober 2026, två dagar efter att MiniMax-M3.1-Flash blev allmänt tillgänglig, utsåg MiniMaxs konto på X Inferact till en API-lanseringspartner för modellen, med beröm för dess vLLM-expertis och en beskrivning av samarbetet som att bygga "serveringsinfrastrukturen för komplexa agentarbetsbelastningar." Det är hela det offentliga tillkännagivandet: ett inlägg, inget blogginlägg, inga tekniska detaljer. Det är ändå värt att tas på allvar, eftersom det är det första någon har sagt offentligt om hur den här modellen faktiskt kommer att serveras – och för en modell vars huvudpåstående är en trefaldig snabbhetsökning är serveringslagret inte en fotnot. Det är påståendet. De dokumenterade AI-felen och agentincidenterna bakom lanseringar som den här samlas i OrcaRouter AI Incident Archive där varje post har sina egna källor, allvarlighetsgrad, konfidensgrad och flagga för omtvistad status.

Vad lanseringsinlägget inte innehåller

M​iniMax publicerade ett rejält lanseringsinlägg för MiniMax-M3.1-Flash den 19 oktober 2026: agentiska benchmarks, en kostnadsminskning på 70 % och inferens som är ”nästan tre gånger snabbare”. Det är ett omfattande arbete, och det innehåller inte ordet Inferact. Det innehåller inte heller ordet vLLM. Oavsett vad partnerskapet innebär betraktade företaget det inte som en del av lanseringshistorien den dag lanseringshistorien berättades.

Det glappet är det mest informativa inslaget i tillkännagivandet. En lanseringspartner som namnges två dagar för sent, i ett inlägg i sociala medier, utan åtföljande teknisk beskrivning, är en partner vars arbete fortfarande pågår. Om M​iniMax hade M3.1-Flash körande på en optimerad tredjepartsstack vid allmän tillgänglighet, skulle lanseringsinlägget ha sagt det — drift från dag ett på en namngiven motor är precis den typ av bevispunkt som en leverantör sätter i brödtexten. I stället kommer påståendet separat, utan siffror, vilket visar att samarbetet tillkännages vid den punkt där det blir ett åtagande snarare än vid den punkt där det blir ett resultat.

Det finns en andra, mindre lucka. Inferacts egen webbplats, kontrollerad den 22 oktober, har en M​iniMax-logotyp bland sina partnerföretag och ett omdöme tillskrivet Dr. Yan Junjie, M​iniMax grundare och vd. Den nämner inte heller MiniMax-M3.1-Flash någonstans. Dess fallstudier handlar helt och hållet om andra modeller. De två företagen har alltså tillkännagivit ett partnerskap som ännu inte beskrivs i produkttermer på någon av företagens marknadsföringssajter. Tolka det som ett tecken på att det är nytt snarare än på tvekan: X-inlägget är två dagar gammalt, och partnersidor är långsamma att uppdatera.

Vad Inferact är, och varför detaljen kring vLLM är viktig

Inferact beskriver sig självt som "företaget som grundades av skaparna och underhållarna av vLLM". Teamet leder vLLMs färdplan medan själva motorn förblir öppen källkod, Apache 2.0 och gemenskapsstyrd under PyTorch Foundation. Den strukturen är anledningen till att partnerskapet är mer begripligt än de flesta tillkännagivanden om lanseringspartner: vLLM är inte en svart låda, så allt Inferact förbättrar för MiniMax-M3.1-Flash har goda chanser att dyka upp i den öppna motor som alla andra kör.

Företaget säljer två former av samma sak. Inferact Platform installeras i kundens eget moln eller datacenter – sajtens formulering är "Kör inferens på din beräkningskapacitet" – med ett kontrollplan som täcker övervakning, validering av utrullning, kostnadsspårning, autoskalning, slutpunktshantering, mätning och observerbarhet. Inferact Cloud är samma plattform på GPU:er som Inferact tillhandahåller: "Kör inferens på vår beräkningskapacitet." Distinktionen spelar roll för alla som läser M​iniMax-tillkännagivandet som ett tillgänglighetsutlåtande. En API-lanseringspartner för den modellen kan betyda hanterade slutpunkter som någon annan driver, eller så kan det betyda en mjukvarustack som du installerar bredvid dina egna vikter. För en sluten modell är bara det första möjligt, vilket begränsar vad detta partnerskap kan vara.

Varför just den här modellen utgör ett servingproblem innan det blir ett prissättningsproblem

MiniMax-M3.1-Flash har en ovanlig form för en billig modell, och det är formen som gör att serveringsfrågan blir avgörande.

• Tänkande är alltid på – MiniMax API-referens returnerar HTTP 400 för thinking: {"type": "disabled"} och avvisar reasoning_effort: "none" på samma sätt, så den enda styrningen är en stege med fem steg från low till max, och om fältet utelämnas innebär det max

• Det är därför avkodningsbundet — Artificial Analysis registrerade 180 miljoner förbrukade utdatatokens under körningen av Intelligence Index, mot en median på 99 miljoner för modeller i samma tracker

• Kontextfönstret är 1 000 000 token, vilket gör KV-cachens minne till den avgörande begränsningen för hur många samtidiga agentsessioner en nod kan hålla.

• Agentloopar återanvänder ett stort prefix – samma systemprompt, verktygsschema och filkontext återkommer i varje steg – så prefixcachning omvandlas direkt till både latens och dollar

• Utdatningshastigheten mäts till 125,5 token per sekund med 1,04 sekunders tid till första token, vilket är snabbt för klassen men är det värde som en kö av samtidiga långa genereringar urholkar först

Om man sätter ihop det får man en arbetsbelastningsprofil som belönar precis det som vLLM är byggt för: paged attention så att en kontext på en miljon token inte behöver vara sammanhängande, prefixcachning så att agentsteg inte behöver förifylla samma verktygsdefinitioner igen, och kontinuerlig batching så att hundra halvfärdiga resonemangsspår delar på hårdvaran i stället för att köa bakom varandra. M​iniMaxs eget påstående om 200+ token per sekund vid topp och 170+ vid medianen är ett schemaläggningspåstående lika mycket som ett kernelpåstående. 3×-snabbheten i lanseringsinlägget är inte något som en bättre matrismultiplikation åstadkommer på egen hand.

Talen som finns, och de som inte finns

Inferact publicerar prestandasiffror, och de är värda att läsa noggrant med tanke på vad de är kopplade till. Dess webbplats annonserar 464 token per sekund vid batchstorlek 1 på Kimi-K3 på lanseringsdagen, 709 token per sekund per användare med dess första megakernel på TPU, 18,3 miljoner token per dollar på SemiAnalysis AgentX med samma modell, och en förstaplats på Artificial Analysis i maj 2026. Vart och ett av dessa är ett påstående om Inferacts ingenjörsarbete på en annan modell, publicerat av Inferact, och inget av dem återges här som ett faktum om MiniMax-M3.1-Flash.

Det som inte finns, per den 22 oktober, är överhuvudtaget någon siffra för M3.1-Flash i Inferacts stack: inga tokens per sekund, ingen tid till första token, ingen kostnad per miljon, ingen samtidighetskurva. Tillkännagivandet är ett åtagande utan en mätning. Det är normalt efter två dagar, och det är också det enda skälet att vara intresserad — värdet av partnerskapet för en köpare kommer helt att avgöras av om dessa siffror visar sig slå det som M​iniMax levererar på egen hand, och just nu vet ingen utanför de två företagen vad M​iniMax levererar på egen hand.

Vilket är det ärliga läget för bevisningen. Det enda oberoende uppmätta genomflödet för den här modellen kommer från Artificial Analysis, på 125,5 tokens per sekund, och det är en siffra för en enda ström från en enda testrigg, inte ett serveringsbenchmark. Det säger att modellen kan generera snabbt. Det säger ingenting om hur många samtidiga användare en dollar räcker till.

Vad ett partnertillkännagivande faktiskt är värt

Inte mycket i sig, och mer än ingenting. Tre saker gör det till mer än ingenting.

Det första är att det är en andra implementerare. En modell som tillhandahålls av exakt ett företag är en modell med exakt en operativ åsikt, och när den åsikten har en dålig vecka har din produkt en dålig vecka. En namngiven partner innebär att ett andra team har läst arkitekturen, hittat de kärnor som spelar roll och åtagit sig offentligt i tillräcklig utsträckning för att ett misslyckande med att leverera skulle vara pinsamt. Det är en svag signal, men en verklig sådan, och det är samma logik som gör att en andra molnregion är värd att betala för.

Den andra är inramningen kring agentarbetsbelastning. M​iniMax beskrev inte partnerskapet som "snabbare inferens". De beskrev det som infrastruktur för att serva "komplexa agentarbetsbelastningar", vilket är ett specifikt och svårare problem än chattgenomströmning: långlivade sessioner, verktygsanrop som varvas med generering, prefix som måste överleva mellan steg, och kostnad som skalar med trajektoriens längd i stället för med antalet prompter. En partner som väljs för det problemet är en partner som väljs för den arbetsbelastning som M​iniMax marknadsför modellen mot. Huruvida valet var korrekt går ännu inte att testa.

Det tredje är att det förser den operativa berättelsen med ett datum. MiniMax-M3.1-Flash har varit allmänt tillgängligt i tre dagar. Vikterna har inte släppts – företaget säger att de "kommer att släppas senare" utan något datum – så det finns ingen utväg via självhosting och inget sätt för en oberoende part att benchmarka modellen på egen hårdvara. Allt om hur den här modellen presterar i produktion förmedlas för närvarande av den som tillhandahåller den. En lanseringspartner är den första posten i vad som kommer att behöva bli en lista.

Vad detta innebär om du väljer var du ska köra det

MiniMax-M3.1-Flash finns inte i OrcaRouters katalog. Den går att anropa i dag via M​iniMax egna API, dess M Plan och M​iniMax Code, och – enligt tillkännagivandet den 21 oktober – via Inferact. Det är den fullständiga lista vi kan gå i god för, och inget av detta är en router: var och en av dem är ett enda ställe att hämta modellen på, med sina egna frekvensgränser, sin egen tillgänglighet och ingen reservlösning bakom sig om den går ner.

Problemet med en enda leverantör är precis vad en router är till för, och det är därför den intressanta frågan här inte är "vilken partner" utan "hur många". OrcaRouter sätter 200+ modeller bakom en enda API-nyckel, förmedlar leverantörernas listpriser vidare med 0 % påslag och kan ha en reserv i routningstabellen så att en begäran till en modell med en enda endpoint inte blir ett avbrott när den endpointen strular en stund. Routnings-DSL:en är där det uttrycks: ett agentsteg som behöver MiniMax-M3.1-Flash kan ange den först och falla tillbaka på en modell som du redan litar på, utan att den anropande koden vet att en substitution har skett.

Det som är routbart i vår katalog idag är resten av MiniMax-serien — MiniMax-M3 bland annat — som också är modellen att jämföra med kostnadsmässigt. MiniMax-M3.1-Flash har en prislista som är exakt hälften av MiniMax-M3:s, $0,15 och $0,60 per miljon input- och output-tokens mot $0,30 och $1,20, och Artificial Analysis anger den nyare modellen till $0,22 per benchmarkuppgift mot $0,51. För agentisk trafik är den skillnaden verklig. För ett högvolymjobb med korta klassificeringsanrop kan den äldre modellen med tänkandet avstängt fortfarande bli billigare, eftersom M3.1-Flash inte kan stänga av tänkandet alls.

Den försvarbara sammanfattningen är snäv. Att M​iniMax utser Inferact till API-lanseringspartner är ett uttalande om vem som kommer att driva MiniMax-M3.1-Flash. Det gjordes två dagar efter att modellen släpptes, av ett företag som inte ansåg det lämpligt att nämna det i lanseringsinlägget. Det är ett tecken på att serveringslagret för den här modellen aktivt byggs om snarare än ärvs, vilket är vad man kan förvänta sig för en modell vars hela säljargument är genomströmning. Det är inte något bevis för genomströmning. För det, vänta på de första Inferact-siffrorna specifikt för den här modellen – och under tiden, kör den någonstans med en reservlösning bakom den, eftersom en modell med en enda endpoint och inga nedladdningsbara vikter är en modell som du inte kan routa runt.