MiniMax M3.1 Flash-parametrar: 428 miljarder totalt, 23 miljarder aktiva och siffran som avgör din faktura

MiniMax M3.1 Flash

Vad MiniMax faktiskt publicerade

MiniMax släppte MiniMax M3.1 Flash den 19 oktober 2026 och lade ut vikterna på Hugging Face den 23 oktober. Modellkortet besvarar de specifikationsfrågor som lanseringsinlägget lämnade vagt, och flera av dess siffror skiljer sig från de sammanfattningar som cirkulerade däremellan.

• Parametrar — 428 miljarder totalt, 23 miljarder aktiverade per token, i en inbyggd multimodal mixture-of-experts-arkitektur.

• Ladda ner — 252,4 GB över 48 safetensors-delar, plus en 2,3 GB DSpark-drafter för spekulativ avkodning.

• Kontext och utdata — 1 000 000 indatatoken in; upp till 524 288 utdatatoken.

• Modaliteter – text, bild och video in; text ut.

{{1}}Precision{{/1}} — routade experter och KV-vägen för gles uppmärksamhet är tränade för {{2}}NVFP4{{/2}}, delade experter hålls i {{3}}MXFP8{{/3}}, och query-vägen förblir {{4}}FP8{{/4}}.

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

• Pris för det hostade API:et – 0,15 USD per miljon indatatoken, 0,60 USD för utdata, 0,015 USD för en cachad indataläsning.

• Licens — minimax-community, registrerad på Hugging Face som code>license: other/code>, vilket inte är MIT och inte Apache.

Totalt kontra aktivt: vad de 23 miljarderna gör

En tät modell med 428 miljarder parametrar skulle köra varje parameter för varje token. En mixture-of-experts dirigerar varje token till en delmängd experter, så beräkningskostnaden per token bestäms av siffran 23 miljarder aktiva medan minnesavtrycket bestäms av totalen på 428 miljarder. Den uppdelningen är anledningen till att de två siffrorna vanligtvis anges tillsammans, och till att det vilseleder i en förutsägbar riktning att bara ange en av dem: totalen säger vilken hårdvara du behöver, medan antalet aktiva ungefär säger vad en token kostar i beräkning.

Den praktiska konsekvensen är att 23 miljarder aktiva inte är "en modell med 23 miljarder parametrar". Det är en modell med 428 miljarder parametrar lagrad kunskap och 23 miljarder parametrar arbete per token – vilket är en rimlig beskrivning av varför den både kan vara snabb att starta och jämförelsevis tung att drifta.

Siffran 252,4 GB är hur det ser ut i ett upphandlingsdokument: inte ett teoretiskt parameterantal multiplicerat med två byte, utan den artefakt du flyttar genom en säkerhetsgranskning. Valet av NVFP4 för träning är det som håller den kvar där. I vLLMs beräkning är NVFP4-checkpointen 250,1 GB jämfört med 451,5 GB för MiniMax-M3 i MXFP8 – en minskning med 44,6 % – och KV-cachen sjunker från 61 440 byte per token till 34 560, en minskning med 43,75 %, eftersom både indexeraren för gles uppmärksamhet och uppmärksamhetsvägen körs i NVFP4.

Vad parametrarna kostar vid serveringstillfället

Det tal som ett parameterantal inte kan ge dig är samtidighet, och det är det som avgör om självhosting är genomförbart. På fyra NVIDIA B300-GPU:er vid sekvenser på 256 000 token rapporterar vLLM 76 samtidiga sekvenser för MiniMax M3.1 Flash, där MiniMax-M3 med en FP8-KV-cache får plats med 28 – ungefär 2,7 gånger fler. I den latenskänsliga änden av sin GB300 AgentX-körning håller stacken 418,9 uttoken per sekund per användare samtidigt som den betjänar 38,6K totala token per sekund per GPU; i genomströmningsänden når den 153,8K totala token per sekund per GPU vid ungefär 127 token per sekund per användare. På Rubin rapporterar samma recept 724,9 token per sekund per användare, och på AMD MI355X 331.

Det där är ramverksbenchmarks på specifik hårdvara, publicerade av ramverket, inte oberoende produktionsmätningar. De är ändå mer beslutsrelevanta än vilken benchmarkrad som helst, eftersom en 428B-modell som får plats med 76 samtidiga 256K-sekvenser på fyra GPU:er är ett annat upphandlingsobjekt än en som får plats med åtta.

Kostnaden för de 23 miljarderna är inte priset på en token

Här går parameterhistorien och fakturan isär. MiniMax M3.1 Flash är prissatt till $0,15 och $0,60, vilket är halva inputpriset och ungefär en fjärdedel av outputpriset för Gemini 3.5 Flash-Lite. Enligt måttet från Artificial Analysis på kostnad per slutförd uppgift förlorar den fortfarande: $0,22 mot $0,19.

Anledningen syns i samma dataset. I Intelligence Index förbrukade modellen ungefär 180 miljoner utdatatoken, jämfört med en median på nära 100 miljoner för de modeller som Artificial Analysis följer. Tänkande kan inte stängas av – MiniMaxs API avvisar code>thinking: {"type": "disabled"}/code> med ett 400, och det enda reglaget är en femstegs ansträngningsskala från low till max, där max är standard när fältet utelämnas. Tänktoken faktureras som utdata och räknas mot code>max_tokens/code>.

Så den korrekta sammanfattningen av parameterekonomi är denna: antalet aktiva parametrar är tillräckligt litet för att hålla modellen snabb, ordrikedomen är tillräckligt hög för att fakturan inte ska bli så liten som prislistan antyder, och de två förhållandena har inget med varandra att göra. Vid agentiskt arbete och kodarbete tjänar överläggningen i allmänhet in sina tokens. Vid extrahering eller klassificering gör den det inte.

Intelligensresultatet är respektabelt snarare än i framkant: 43 på Artificial Analysis Intelligence Index, femte av 173 modeller, med Terminal-Bench 4.0 på 26 %, AutomationBench-AA på 73 %, GDPval-AA på 1 458 och SciCode på 53 %. Abstentionsresultatet är det man bör designa utifrån – AA-Omniscience ger det 16, med en hallucineringsgrad på 93 %, vilket innebär att när det inte visste ett svar svarade det ändå nästan varje gång i stället för att avstå.

Hastighet, mätt på två sätt

De publicerade hastighetssiffrorna går isär, och avvikelsen är informativ snarare än alarmerande. Artificial Analysis uppmätte 1,48 sekunder till första token vid 95,6 utdatatoken per sekund; MiniMax egna material hävdar en median över 170 token per sekund med toppar över 200. Serveringsvägen och mätförhållandena påverkar detta tal kraftigt, vilket är anledning att vår egen väg är värd att anges separat: ett p50 på 1,29 sekunder till första token och ett p95 på 4,40 sekunder under de senaste sju dagarnas trafik på code>minimax/minimax-m3.1-flash/code>.

Det är formen en routad modell har. Det ärliga sättet att jämföra den med en befintlig leverantör är att mäta din egen rutt i stället för att lita på en enda siffra från någon av leverantörerna.

Licensraden är en del av specifikationen.

Två skyldigheter följer med vikterna, och ingen av dem syns i ett parameterantal. Kommersiella driftsättningar måste visa strängen "Built with MiniMax M3" framträdande på en tillhörande webbplats, ett gränssnitt, ett blogginlägg, en om-sida eller produktdokumentation — modellen är M3.1 Flash och den obligatoriska attribueringen säger fortfarande M3, vilket är den typ av detalj som en juridisk granskning fångar sent. Och vid eller under 20 miljoner dollar i årlig intäkt är ett företag skyldigt MiniMax ett engångsmeddelande via e-post; över den gränsen krävs skriftligt förhandsgodkännande innan kommersiell användning.

Licensen definierar kommersiell användning tillräckligt brett för att omfatta en produkt byggd på modellen, ett kommersiellt API ovanpå den och en finjusterad driftsättning. För en startup under tröskelvärdet är kostnaden ett e-postmeddelande och en rad med erkännande. För ett större företag är det en licensdiskussion på en tidsplan som MiniMax kontrollerar. DeepSeek V4.1 Flash levereras under MIT och kräver ingen notis alls, vilket är anledningen till att "öppna vikter" inte är en enda kategori även när båda checkpoints är nedladdningsbara.

Ring det eller ladda ner det

Brytpunkten för öppna vikter är en fråga om utnyttjandegrad. Vid $0,60 per miljon utdatatoken kostar en miljard utdatatoken i månaden $600 via det hostade API:et; fyra B300-GPU:er kostar mer än så innan el, nätverk och ingenjören som håller serveringsstacken uppdaterad. Nedladdning vinner för data som inte kan lämna en kontrollerad miljö, för finjusteringskörningar som behöver åtkomst till vikterna — vLLM rapporterar end-to-end-RL med veRL, FSDP2 och rank-32 LoRA på NVFP4-checkpointen, och en GRPO-körning i 200 steg som höjde AIME-2024-noggrannheten från 36,3 % till 67,5 % på 16 GB300:or — och för batchjobb som är tillräckligt stora för att ett fast kluster ska slå en mätarbaserad faktura.

För alla andra är den hostade vägen det förnuftiga standardvalet, och MiniMax M3.1 Flash finns i OrcaRouter-katalogen som code>minimax/minimax-m3.1-flash/code> till leverantörens listpris med 0 % påslag: $0,15 in, $0,60 ut, $0,015 cachat, en nyckel bredvid MiniMax-M3 och de modeller den brukar ställas mot. Automatisk failover täcker fallet där en leverantör har en dålig dag, och routnings-DSL:en kan skicka pipelineens svåra steg till en starkare modell medan huvuddelen stannar här.

Om parameterfrågan förde dig hit är det korta svaret 428 miljarder totalt och 23 miljarder aktiva. Det långa svaret är att inget av talen finns på din faktura, och de två som gör det är de utdatatokens som modellen väljer att förbruka och licensgränsen som du en dag kan passera.

Källhänvisning: parameterantal, 252,4 GB-repot, precisionsschema, licensvillkor och leverantörens benchmarkrader är MiniMax modellkort och lanseringsmaterial, lästa den 26 oktober 2026. NVFP4-checkpointstorlekarna, KV-cache-bytes per token, samtidighetssiffrorna, genomströmningstalen och GRPO-resultatet är vLLMs dag-0-inlägg och är ramverksbenchmark på namngiven hårdvara. Intelligence Index-poängen, kostnaden per uppgift, uppskattningen av tokenförbrukning och AA-Omniscience-siffrorna kommer från Artificial Analysis. Priserna, kontexten och p50 på 1,29 sekunder är OrcaRouters katalog och vår egen sjudagstrafik.