MiniMax M3.1 Flash-vikterna har släppts: 428B, 252 GB och en licensgräns på 20 miljoner dollar

Vikterna för MiniMax M3.1 Flash lades upp på Hugging Face den 23 oktober 2026, fyra dagar efter att själva modellen lanserades den 19 oktober. Nedladdningen omfattar totalt 428 miljarder parametrar, varav 23 miljarder är aktiva per token, och repositoriet är 252,4 GB: 48 viktshardar plus en 2,3 GB stor drafter för spekulativ avkodning. Det är en riktig lansering med öppna vikter, och det är inte en med öppen källkod. Licensen är MiniMaxs egen community-licens, som kräver attribution vid varje kommersiell driftsättning och ett skriftligt förhandsgodkännande från MiniMax när de årliga intäkterna överstiger 20 miljoner dollar.

Den distinktionen spelar större roll än parameterantalet. Den som läste ”öppna vikter” och antog MIT eller Apache-2.0 har en överraskning i upphandlingen att vänta. Den som bara behöver anropa modellen bör förmodligen strunta helt i nedladdningen: det hostade API:et kostar fortfarande $0,15 per miljon indatatoken och $0,60 per miljon utdatatoken, och fyra dagars viktfiler ändrar inte den matematiken för ett team som skickar några miljarder token i månaden.

Vad finns egentligen i arkivet?

Modellkortet besvarar de specifikationsfrågor som MiniMaxs lanseringsinlägg lämnade otydliga. Det är rubriksiffrorna som man bör hålla reda på, eftersom flera av dem skiljer sig från sammanfattningarna från lanseringsdagen som cirkulerade utan ett modellkort att kontrollera dem mot.

• Parametrar – 428 miljarder totalt, 23 miljarder aktiverade per token, en inbyggd multimodal mixture-of-experts

• Nedladdning — 252,4 GB totalt: 48 safetensors-delar plus en 2,3 GB DSpark-drafter för spekulativ avkodning

• Kontext — 1 000 000 indatatokens; upp till 524 288 utdatatokens

• Indata och utdata – text, bild och video in; text ut

• Precision – routade experter och KV-vägen för gles uppmärksamhet är tränade för NVFP4, med delade experter hållna i MXFP8; query-vägen förblir FP8

• Servering — vLLM, SGLang och TokenSpeed är de rekommenderade alternativen, med day-0 vLLM-containrar för NVIDIA och AMD

• Licens — minimax-community, registrerad på Hugging Face som license: other

• Hostat pris — $0,15 för indata, $0,60 för utdata, $0,015 för cachelagrad indata per miljon tokens

Uppdelningen 428B/23B är samma som MiniMax har angett sedan lanseringen. De 252 GB är ny information för den som planerar en driftsättning: det är den faktiska storleken på artefakten som du skulle skicka genom en säkerhetsgranskning, inte ett teoretiskt parameterantal multiplicerat med två byte. Taket för utdata är den andra siffran värd att notera. MiniMax API-dokumentation tillåter 524 288 utdatatoken, långt över taket på 65 536 token för Gemini 3.8 Flash och över DeepSeek V4.1 Flashs 384 000. Det är en kapacitet för långa genereringar som lanseringsinlägget inte inledde med.

Licensen är den del man ska läsa två gånger

MiniMax kallar detta en utgåva med öppna vikter, och enligt frasens vanliga betydelse – nedladdningsbara filer, ingen API-nyckel – är det det. Det är i licensen som ordet "öppen" börjar göra mindre arbete. MiniMax Community Licence ger kostnadsfri användning, modifiering och vidaredistribution för icke-kommersiella ändamål. Kommersiell användning är tillåten, men den medför två skyldigheter som MIT inte har.

Den första är tillskrivning. En kommersiell driftsättning måste visa "Built with MiniMax M3" framträdande på en relaterad webbplats, ett användargränssnitt, ett blogginlägg, en om-sida eller produktdokumentation. Modellen är M3.1 Flash; den obligatoriska strängen säger fortfarande M3, vilket är den typ av detalj som missas tills en juridisk granskning fångar den.

Det andra är en intäktsgräns. Vid en årlig intäkt på 20 miljoner dollar eller lägre är ett företag skyldigt MiniMax en engångsavisering via e-post. Över 20 miljoner dollar krävs ett föregående skriftligt tillstånd från MiniMax innan kommersiell användning. Licensen definierar kommersiell användning tillräckligt brett för att omfatta att erbjuda en produkt eller tjänst som bygger på modellen, att köra ett kommersiellt API ovanpå den och att distribuera en finjusterad eller eftertränad version för kommersiella ändamål. En verksamhet med hostad inferens som bygger på dessa vikter faller helt och hållet inom den definitionen.

Det är inte ett skäl att undvika releasen. Det är ett skäl att läsa releasen korrekt. För en startup under tröskelvärdet är den praktiska kostnaden ett e-postmeddelande och en rad med kreditering. För ett större företag är det en licensdiskussion med ett kinesiskt labb, på en tidslinje som MiniMax kontrollerar. Jämför det med DeepSeek V4.1 Flash, som släpps under MIT och inte kräver någon avisering alls, och spelplanen för öppna vikter är inte jämn ens när båda checkpointarna är nedladdningsbara.

252 GB är den enkla siffran; 76 samtidiga sekvenser är den användbara

Den intressanta detaljen kring serveringen kommer från vLLM:s day-0-inlägg, som är mer specifikt än MiniMaxs eget lanseringsmaterial. NVFP4-checkpointen är 250,1 GB enligt vLLM:s beräkning mot 451,5 GB för MiniMax-M3 i MXFP8 – en minskning med 44,6 %. KV-cachen sjunker från 61 440 byte per token till 34 560, en minskning med 43,75 %, eftersom både sparse-attention-indexeraren och attention-vägen körs i NVFP4.

Konsekvensen är samtidighet vid lång kontext, vilket är siffran som avgör om självhosting är genomförbart. På fyra NVIDIA B300-GPU:er vid sekvenser på 256K token rapporterar vLLM 76 samtidiga sekvenser för M3.1 Flash, medan M3 med en FP8 KV-cache får plats med 28 – cirka 2,7 gånger fler. I den latenskänsliga änden av sin GB300 AgentX-körning upprätthåller stacken 418,9 utdatatoken per sekund och användare samtidigt som den betjänar totalt 38,6K token per sekund och GPU. I genomströmningsänden når den 153,8K totalt token per sekund och GPU vid ungefär 127 token per sekund och användare. På Rubin rapporterar samma recept 724,9 token per sekund och användare, och på AMD MI355X rapporterar det 331.

Det där är ramverksbenchmark på specifik hårdvara, inte oberoende produktionsmätningar. De är ändå de mest användbara siffrorna i släppet, eftersom de besvarar frågan som ett parameterantal inte kan: hur många långkontextförfrågningar som får plats på den maskin du faktiskt kan hyra. En 428B-modell som rymmer 76 samtidiga 256K-sekvenser på fyra GPU:er är ett annat upphandlingsobjekt än en 428B-modell som rymmer åtta.

Vad självhosting kostar, och när API:et fortfarande vinner

Brytpunkten för öppna vikter är en utnyttjandefråga, inte en prisfråga. Vid $0,60 per miljon utdatatokens kostar en miljard utdatatokens i månaden $600 via MiniMax API. Fyra B300-GPU:er kostar långt mer än så att hyra eller äga innan el, nätverk och ingenjören som håller serving-stacken aktuell räknas in. Ett team som kan hålla dessa GPU:er sysselsatta i throughput-änden av vLLM:s benchmark köper tokens till en helt annan effektiv taxa; ett team som behöver dem två timmar om dagen subventionerar overksam kisel.

Arbetsbelastningarna som motiverar nedladdningen är de där API-priset inte är den begränsande faktorn. Data som inte kan lämna en kontrollerad miljö. Finjusteringskörningar som behöver åtkomst till vikterna, där vLLM rapporterar end-to-end-RL med veRL, FSDP2 och LoRA med rang 32 på NVFP4-checkpointen, och en GRPO-körning på 200 steg som höjde AIME-2024-noggrannheten från 36,3 % till 67,5 % på 16 GB300s. Latenskänsliga agentloopar där nätverkshoppet och leverantörens kö är en del av p95. Och batchjobb som är tillräckligt stora för att ett fast kluster ska slå en förbrukningsbaserad faktura.

För alla andra är den hostade vägen fortfarande det förnuftiga standardvalet, och släppet ändrar inte det. Vikterna är ett strategiskt alternativ, inte en kostnadsbesparing som kommer automatiskt.

Vad vikterna inte löser

Tre problem överlever nedladdningen intakta. Det första är tillförlitlighet. Artificial Analysys AA-Omniscience-utvärdering placerade M3.1 Flash på 16 totalt med en hallucineringsfrekvens på 93 %: när modellen inte visste ett svar svarade den ändå nästan varje gång i stället för att avstå. Det är ett uppmätt beteende, inte ett leverantörspåstående, och det är den typ av sak som spelar större roll i en agent som kan agera än i en chatbot som kan ignoreras. Öppna vikter låter dig finjustera runt problemet; de får det inte att försvinna vid checkpointen.

Det andra är benchmarkens proveniens. Lanseringssiffrorna – DeepSWE v1.1 på 73,7 %, Agents' Last Exam på 29,6, OSWorld V2 på 61,7, CyberGym på 82,2, BankerToolBench på 76,2 – är MiniMaxs egna körningar på de testramverk som MiniMax har valt. Ingen av dem har oberoende reproducerats. Modellkortet varnar uttryckligen för att tredjepartskvantiseringar kan skilja sig, vilket är ett användbart medgivande: siffrorna beskriver de officiella vikterna i MiniMaxs konfiguration, inte vad din serveringsstack producerar efter att du kvantiserar den ytterligare.

Det tredje är kontroll. Tänkande kan inte stängas av: MiniMaxs API avvisar thinking: {"type": "disabled"} med HTTP 400, och den enda hävstången är den femtrinns ansträngningsstege som går från low till max, där max är standard när fältet utelämnas. Tänkandetokens faktureras som utdata och räknas mot max_tokens. I Intelligence Index förbrukade modellen ungefär 180 miljoner utdatatokens, långt över medianen, vilket är anledningen till att dess kostnad på $0.22 per slutförd uppgift är bättre än vad dess per-token-pris antyder men fortfarande präglas av ordrikedom.

Hur ska man kalla det nu?

MiniMax M3.1 Flash är tillgänglig via MiniMaxs eget API, M Plan och MiniMax Code samt via flera tredjepartsplattformar. Den finns inte i OrcaRouters katalog i dag, och den här artikeln gör inte anspråk på att den gör det. Det OrcaRouter dirigerar är resten av familjen och de modeller som den vanligtvis jämförs med: MiniMax-M3, DeepSeek V4.1 Flash och Gemini 3.8 Flash svarar alla på en och samma nyckel, till leverantörens listpris utan påslag, med automatisk failover mellan rutter. Om du testar M3.1 Flash mot en befintlig lösning ger det dig den befintliga lösningens sida av jämförelsen utan ett andra avtal, och det ger dig någonstans att växla över till medan den nya modellen bygger upp operativ historik.

Om du kör egen hosting är vLLM-containern den kortaste vägen, och NVFP4-receptet är det som siffrorna ovan beskriver. Om du anropar API:et förändrar släppet lite den här veckan, förutom dina upphandlingsalternativ.

Den ärliga sammanfattningen är att vikterna är verkliga, serving-historien är starkare än väntat och licensen är mer restriktiv än vad frasen "open weights" förbereder dig på. MiniMax har levererat en genuint nedladdningsbar 428B-modell med ett recept för fyra GPU:er och ett minnesavtryck på 252 GB. Det har inte levererat den här modellen under MIT, och skillnaden kommer att spela roll för precis de företag som är tillräckligt stora för att bry sig om posten på 20 miljoner dollar.