MiniMax M3.1 Flash vs Gemini 3.5 Flash-Lite: Halva priset, dubbelt så högt poängresultat – och fortfarande inte det självklara valet

Gemini 3.5 Flash-Lite har varit till salu sedan 21 juli 2026. MiniMax M3.1 Flash lanserades den 19 oktober 2026 till $0,15 per miljon indatatoken och $0,60 per miljon utdata – hälften respektive ungefär en fjärdedel av Gemini 3.5 Flash-Lites pris på $0,30 och $2,50. På Artificial Analysis Intelligence Index får den nyare modellen 43 poäng och Googles modell 22. Så MiniMax M3.1 Flash är billigare på varje tokenrad och dubbelt så kapabel enligt det oberoende indexet. Sedan kommer man till raden för kostnad per uppgift, och där vinner Gemini 3.5 Flash-Lite, $0,19 mot $0,22. Den inversionen är det enda ärliga sättet att närma sig den här jämförelsen, för den säger att beslutet inte handlar om prislistor alls.

Två prislistor som bara ser lika ut

Börja med vad varje leverantör faktiskt publicerar, eftersom strukturerna skiljer sig lika mycket som siffrorna.

• Indata — 0,15 USD per miljon tokens på MiniMax M3.1 Flash mot 0,30 USD på Gemini 3.5 Flash-Lite.

• Utdata — $0,60 mot $2,50, en skillnad på fyra mot ett.

• Cachad inmatning — 0,015 USD jämfört med 0,03 USD, båda med 90 % rabatt på inmatningspriset.

• Cache-lagring — Google mäter det till 1,00 USD per miljon cachade tokens per timme. MiniMaxs prislista vid lanseringen specificerar ingen separat lagringsavgift.

• Batch och Flex — Google sänker indata till $0,15 och utdata till $1,25 på båda nivåerna. MiniMax lanseringspris är ett platt kort med tre rader, utan någon batch-nivå i lanseringsmaterialet.

• Prioritet — Google säljer en prioriterad nivå för 0,54 USD per indata och 4,50 USD per utdata. MiniMax tillkännagav ingen motsvarande nivå i sitt inlägg om lanseringen.

• Kontext och utdatatak – båda accepterar 1 miljon indatatokens. MiniMax tillåter upp till 524 288 utdatatokens; Gemini 3.5 Flash-Lite stannar vid 65 536.

• Vikter — MiniMax publicerade en nedladdning på 252,4 GB den 23 oktober under sin community-licens. Gemini 3.5 Flash-Lite är proprietär.

Batchnivån förtjänar en egen mening, eftersom det är den enda platsen där de två korten nästan möts. Ett team som kan tolerera batchlatens får indata för Gemini 3.5 Flash-Lite till $0.15 – exakt MiniMax standardpris för indata – men utdata till $1.25, fortfarande mer än dubbelt så mycket som MiniMax $0.60. Batch minskar indatagapet och lämnar utdatagapet intakt. Om din arbetsbelastning är utdatatung, vilket agent- och kodningsarbetsbelastningar är, räddar batchrabatten inte jämförelsen.

Kapacitetsgapet är inte subtilt, men läs benchmarkversionen.

Artificial Analysis kör båda modellerna genom samma testsvit, och resultaten är inte i närheten:

• Intelligence Index — 43 för MiniMax M3.1 Flash, rankad på femte plats av 173 modeller; 22 för Gemini 3.5 Flash-Lite, rankad på 44:e plats.

• Terminal-Bench 4.0 — 26 % mot 1 %.

• AutomationBench-AA — 73 % mot 25 %.

• GDPval-AA — 1 458 mot 985.

• SciCode — 53 % mot 41 %.

Terminal-Bench-siffran är den som kommer att citeras utan sammanhang, så den behöver sammanhang. Googles eget modellkort för Gemini 3.5 Flash-Lite anger Terminal-Bench 2.1 till 54,0 %. Artificial Analysis kör Terminal-Bench 4.0 och registrerar 1 %. Båda siffrorna kan vara korrekta, eftersom de är olika benchmarkgenerationer som testar olika saker. Vad 1 % betyder är inte att Flash-Lite inte kan använda en terminal; det betyder att den nästan aldrig slutför de nuvarande svåra terminaluppgifterna från början till slut utan hjälp. Vad 54 % betyder är att den presterade bra på en tidigare version av benchmarken. Den som jämför modellen med MiniMax M3.1 Flash på "Terminal-Bench" utan att ange versionen jämför två olika tester.

Distinktionen mellan leverantörsrapporterat och oberoende är precis lika viktig. Googles kort rapporterar också SWE-Bench Pro på 54,2 %, OSWorld-Verified på 74,0 % och GDM-MRCR på 72,2 % för 128K-kontexter – allt leverantörsrapporterat, allt med Googles valda inställningar. MiniMaxs lanseringsinlägg rapporterar BankerToolBench på 76,2, DeepSWE v1.1 på 73,7 % och OSWorld V2 på 61,7, även det leverantörsrapporterat. De enda raderna i den här artikeln som kör båda modellerna genom samma testramverk är Artificial Analysis-raderna, och det är därför de bär upp argumentationen.

Varför den dyrare modellen ändå kan kosta mindre per uppgift

Artificial Analysis uppmäter kostnaden per slutförd Intelligence Index-uppgift till 0,19 dollar för Gemini 3.5 Flash-Lite och 0,22 dollar för MiniMax M3.1 Flash. Det verkar omöjligt vid sidan av en utprisskillnad på fyra mot ett tills man påminner sig om vad måttet är: faktiskt förbrukade tokens, multiplicerat med leverantörens priser. Det är inte en prislistejämförelse. Det är en mätning av hur mycket arbete varje modell utför för att slutföra samma uppgift.

MiniMax M3.1 Flash är en ordrik resonerare. Artificial Analysis registrerade ungefär 180 miljoner uttoken över hela indexet för M3.1 Flash, mot en median på omkring 100 miljoner för de modeller som mäts. Gemini 3.5 Flash-Lites kostnad på 0,19 dollar per uppgift, till ungefär en tredjedel av MiniMax blandade tokenpris, antyder att den tar sig igenom samma index med betydligt färre tokens. Det är en slutsats från två publicerade siffror snarare än ett leverantörspåstående, men den pekar i samma riktning: på uppgifter där M3.1 Flashs extra överläggning ger ett korrekt svar är tokenutgiften en bra affär. På uppgifter där svaret aldrig var tveksamt är överläggningen slöseri, och modellen med lägre pris per token blir den dyrare per uppgift.

Kör fakturan för en arbetsbelastning som du faktiskt kan tänkas ha: 20 miljoner indatatoken i månaden med 60 % cacheträffsannolikhet, plus 3 miljoner utdatatoken.

• MiniMax M3.1 Flash — 8 miljoner ny indata till $0,15 är $1,20; 12 miljoner cachade till $0,015 är $0,18; 3 miljoner utdata till $0,60 är $1,80. Totalt $3,18.

• Gemini 3.5 Flash-Lite — 8 miljoner färska indata à $0,30 blir $2,40; 12 miljoner cachade indata à $0,03 blir $0,36; 3 miljoner utdata à $2,50 blir $7,50. Totalt $10,26, före cachelagring.

Det är en 3,2 gångers skillnad till MiniMaxs fördel. Minska utdata till en halv miljon tokens, i form av ett klassificerings- eller extraktionsjobb, och det blir 1,68 dollar mot 4,01 dollar – fortfarande 2,4 gånger. Sätt Gemini på dess batch-nivå med utdata på 3 miljoner tokens, och det landar på 5,19 dollar, fortfarande 1,6 gånger MiniMax. Aritmetiken per token vacklar inte.

Så inversionen av kostnad per uppgift är verklig men snäv, och den är ett uttalande om token-effektivitet snarare än pris. Om din arbetsbelastning liknar Intelligence Index – korta, väl specificerade uppgifter där en mindre modell kan bli klar snabbt – kan Flash-Lites effektivitet radera prislistegapet. Om din arbetsbelastning liknar fakturan ovan kommer den inte att göra det. Den enda tillförlitliga prognosen är dina egna antal tokens på dina egna promptar, mätta på båda.

Hastighet är två mätningar som pekar åt motsatta håll

Berättelsen om hastighet är mer intressant än "den ena är snabbare", eftersom de två modellerna vinner olika halvor av den.

• Tid till första token – 1,48 sekunder på MiniMax M3.1 Flash jämfört med 6,94 sekunder på Gemini 3.5 Flash-Lite. MiniMax-modellen börjar svara nästan fem gånger tidigare.

• Utmatningsgenomströmning — 95,6 token per sekund mot 430,2. När den väl startar strömmar Flash-Lite ungefär fyra och en halv gånger snabbare.

Vilket tal som spelar roll beror på anropets utformning. I ett chattgränssnitt är latensen för första token det användaren känner; en modell som pausar i sju sekunder innan första ordet känns trasig oavsett hur snabbt den skriver efteråt. I en lång generering – en rapport på 100 000 token, en stor refaktorering – dominerar genomströmningen väggklockan och den långsamma startaren kan bli klar först. I en agentloop, där varje steg är ett kort verktygsanrop och loopen körs tjugo gånger, betalas tiden till första token tjugo gånger och genomströmningen spelar knappt någon roll.

Två förbehåll. Artificial Analysis uppmätte 95,6 tokens per sekund för M3.1 Flash, medan MiniMaxs eget material hävdar en median över 170 och toppar över 200 – en påminnelse om att serveringsväg och mätförhållanden förändrar denna siffra kraftigt. Och Flash-Lites 430 tokens per sekund är verkligen snabbt, men dess utdatatak på 65 536 token innebär att det långa genereringsfallet där den hastigheten skulle löna sig mest är begränsat. MiniMaxs tak på 524 288 token är åtta gånger större.

Leverantörsspridningen är större än gapet mellan modellerna. OrcaRouters egen sida för Gemini 3.5 Flash-Lite anger en p50-tid till första token på 3,59 sekunder och en p95 på 10,00 sekunder bland de leverantörer den dirigerar till, jämfört med Artificial Analysiss siffra på 6,94 sekunder. Det är ingen motsägelse; det är så en routad modell ser ut när olika backends betjänar den. Det innebär också att det ärliga sättet att jämföra dessa två avseende latens är att mäta din egen rutt, inte att lita på en enda siffra från någon av leverantörerna.

Tvisten som borde avgöra reglerat arbete

Artificial Analysis AA-Omniscience-utvärdering ger MiniMax M3.1 Flash en poäng på 16: 56 % av faktabaserade frågor besvarades korrekt och en hallucineringsfrekvens på 93 %. Den sista siffran betyder inte att 93 % av svaren var fel. Den betyder att av de svar som inte var korrekta var 93 % helt felaktiga i stället för delvisa svar eller vägran – modellen svarar vanligtvis när den borde avstå.

Gemini 3.5 Flash-Lites sida på Artificial Analysis innehåller ingen AA-Omniscience-poäng, så de två kan inte jämföras när det gäller att avstå från att svara. Att poängen saknas är inte en friskförklaring; det är saknade data. Det man kan säga är att en modell med ett lägre kapacitetstak och en stark benägenhet för korta svar kan misslyckas på ett annat sätt – genom att avstå eller genom att producera uppenbart tunt resultat – men det finns ingen publicerad mätning som fastställer det. Anta inte att den mindre modellen är säkrare bara för att den är mindre.

För kodning och agentiska uppgifter är AA-Omniscience en dålig prediktor: modellen ombeds inte att återge fakta, den ombeds att agera utifrån filer och verktygsresultat. För allt som liknar kunskapsarbete – att sammanfatta ett avtal, besvara en kunds policyfråga, extrahera en siffra ur en inlaga – är siffran 93 % det första man bör utforma lösningen kring, inte det sista. Retrieval, citatkontroller och ett mänskligt granskningssteg är inte valfria där, och ett lägre tokenpris väger inte upp kostnaden för ett självsäkert felaktigt svar.

En beslutsregel som klarar din egen arbetsbelastning

• Klassificering, extrahering, routning och översättning i hög volym med korta utdata — Gemini 3.5 Flash-Lite. 22-indexet räcker för avgränsade uppgifter, 430 tokens per sekund är poängen och 65 536 utdatatokens är gott och väl tillräckligt. Dess batchnivå med $0,15 för indata gör volymargumentet starkare.

• Kodning i repostorlek, agenter med flera steg, långa dokument, utdata i långformat — MiniMax M3.1 Flash. Terminal-Bench 4.0 på 26 % mot 1 % är den relevanta skillnaden, 524 288 utdatatoken tar bort ett hårt tak, och inpriset är hälften.

• On-premises eller åtkomst till vikter — MiniMax M3.1 Flash, och endast det. Nedladdningen på 252,4 GB är verklig, men den regleras av MiniMax Community Licence: attribution krävs vid kommersiella distributioner, och skriftligt förhandstillstånd krävs vid årliga intäkter över 20 miljoner USD. "Open weights" är inte "open source", och inköpare bör läsa licensen innan de ser på parameterantalet.

• Latenskänslig chatt — testa båda. MiniMax vinner tid till första token med bred marginal; Gemini vinner genomströmning vid strömning. Vilken som känns snabbare beror på svarets längd.

• Oövervakat faktabaserat frågebesvarande – ingendera utan retrieval och verifiering. MiniMax M3.1 Flash har ett uppmätt problem med att avstå från att svara; Gemini 3.5 Flash-Lite har ingen publicerad mätning alls.

Där var och en faktiskt kan anropas

Det finns en asymmetri som är värd att säga rakt ut. Gemini 3.5 Flash-Lite finns i dag i OrcaRouters katalog, så den kan anropas via en enda API-nyckel till leverantörens listpris med 0 % påslag, med automatisk failover mellan leverantörer och med routing-DSL:en tillgänglig för att komponera den med andra modeller. MiniMax M3.1 Flash finns inte i katalogen; MiniMax-serien där slutar vid MiniMax-M3. Att anropa M3.1 Flash innebär att använda MiniMax eget API eller en av dess serveringspartner – bland annat Tenstorrent Cloud, som meddelade driftsättningen den 22 oktober.

Det spelar större roll för utvärdering än för produktion. Om du vill avgöra frågan om kostnad per uppgift med dina egna data är den användbara jämförelsen ofta MiniMax-M3 mot Gemini 3.5 Flash-Lite på en enda nyckel, eftersom båda kan routas och mäts på samma sätt; den nyare modellen måste då slå den baslinjen innan du tar in en andra leverantör. OrcaRouter för vidare leverantörernas listpriser oförändrade, så en prisändring från MiniMax eller en Google-batchsnivå syns på din faktura samma dag som den ändras, inte i slutet av ett förhandlat avtal.

Valet beror på vilket nummer du har råd att ha fel om

Om du väljer Gemini 3.5 Flash-Lite och har fel om förmågan är misslyckandet synligt: 1 % på Terminal-Bench 4.0 och en poäng på 25 % på AutomationBench-AA går inte att dölja. Du kommer att se uppgiften misslyckas och du kommer att flytta den till en annan modell.

Om du väljer MiniMax M3.1 Flash och har fel om kostnaden är misslyckandet mindre än prislistan antyder: på det tokenmätta exemplet ovan är det två till tre gånger billigare, och enligt Artificial Analysis uppgiftsmått är det cirka 16 % dyrare. Inget av utfallen är katastrofalt.

Om du väljer MiniMax M3.1 Flash och har fel om avhållsamhet blir felet tyst. Det är asymmetrin som bör styra beslutet för kunskapsarbete, och det är anledningen till att den här jämförelsen inte slutar med "den billigare, smartare modellen vinner". För agentiska arbetsbelastningar och kodningsarbetsbelastningar, där modellen arbetar med artefakter som du kan granska, är MiniMax M3.1 Flash det starkare valet till ett lägre tokenpris. För bearbetning av stora volymer korta svar gör Gemini 3.5 Flash-Lites hastighet och uppgiftseffektivitet fortfarande att de förtjänar sin plats. För faktabaserat arbete utan verifieringslager är det ärliga svaret att ingen av modellerna har förtjänat det.