MiniMax M3.1 Flash vs Ling 3.1 Flash: Den ena är öppen källkod, den andra har bara öppna vikter

Båda dessa checkpoints går att ladda ner. Bara en av dem är fri att bygga en verksamhet på. Ling 3.1 Flash levereras under MIT – licensen som din juridiska avdelning godkänner utan ett möte. MiniMax-M3.1-Flash levereras under MiniMax Community License, som är gratis för icke-kommersiell användning, kräver en framträdande "Built with MiniMax M3"-kreditering i kommersiella produkter, begär en engångsanmälan under 20 miljoner dollar i årlig intäkt och kräver MiniMaxs skriftliga förhandsgodkännande över den nivån. Den klausulen är den mest betydelsefulla skillnaden mellan två modeller som i övrigt ligger tillräckligt nära varandra i mätbar kvalitet för att gapet ska ligga inom ett avrundningsfel, och det är den skillnad som nästan ingen jämförelsesida sätter först.

Allt annat kring paret är verkligen snarlikt. Ling 3.1 Flash, från InclusionAI och tillkännagiven den 30 september 2026 med MIT-vikter som följer i mitten av oktober, är en MoE med hybrid-attention och 560 miljarder parametrar som aktiverar cirka 25 miljarder per token. MiniMax-M3.1-Flash, från MiniMax och släppt den 19 oktober 2026 med vikter som följer den 23 oktober, är en MoE med 428 miljarder parametrar som aktiverar 23 miljarder per token. Två leverantörer, två arkitekturer, med två veckors mellanrum, och antalet aktiva parametrar ligger inom åtta procent av varandra. Den intressanta frågan är inte vilken som är större. Det är vilken du får använda.

Två kontrollpunkter med tre veckors mellanrum

Ling 3.1 Flash är en modell från Ant Groups InclusionAI-lab, med ID inclusionAI/Ling-3.1-flash, text in och text ut. Den använder 512 routade experter med 8 valda per token plus en delad expert, och varvar 63 KDA-lager med linjär attention med 9 gated MLA-lager i förhållandet 7:1 – en arkitektur byggd för att hålla inferens med lång kontext billig snarare än för att lägga till modaliteter. Modellkortet hävdar en kontext på en miljon tokens; den levererade konfigurationens max_position_embeddings är 262 144, så behandla den större siffran som ett angivet mål snarare än en levererad funktion. Priset är 0,30 USD per miljon indata-tokens, 0,90 USD för utdata och 0,06 USD för cachade läsningar. Det finns leverantörsbenchmarks – Terminal-Bench 4.0 på 40,4 %, FrontierSWE på 75,2 %, CyberGym på 87,9 % – men de kördes i Ants egen LingCode-harness, som inte är offentlig, och ingen av dem har reproducerats oberoende.

MiniMax-M3.1-Flash är MiniMaxs inbyggda multimodala MoE, med ID:t MiniMaxAI/MiniMax-M3.1-Flash på Hugging Face, som tar text, bild och video och returnerar text. Den aktiverar 23 miljarder av 428 miljarder parametrar, med sparse attention tillämpad över hela nätverket, routade experter tränade i W4A4 med NVFP4, och en DSpark-drafter för spekulativ avkodning som medföljer i repot – vilket är anledningen till att nedladdningen är 252,4 GB i stället för de över 450 GB som en BF16-master skulle kräva. Kontexten är 1 000 000 tokens in, 524 288 ut. Priset är 0,15 USD för indata, 0,60 USD för utdata och 0,015 USD för cachade data. Dess benchmarks från tillverkaren är av liknande slag och lika lite reproducerade: DeepSWE v1.1 på 73,7 %, OSWorld V2 på 61,7 %, CyberGym på 82,2 %, Automation-Bench på 62,8 %.

Licensen är vägskälet, inte måttstocken.

Sätter man de två licenstexterna bredvid varandra upphör jämförelsen att vara teknisk. MIT innebär att du kan forka den, finjustera den, hosta den kommersiellt, vidaredistribuera derivatet och aldrig prata med InclusionAI igen. Du behöver inte publicera någon attribuering, du behöver inte redovisa intäkter, och det finns ingen tröskel över vilken någon kan återkalla ditt tillstånd. För ett företag som bygger en produkt ovanpå en modell är det skillnaden mellan ett ingenjörsbeslut och en inköpsprocess.

MiniMax Community License är inte fientlig – den är betydligt mer tillåtande än ett slutet API, och de flesta små team kommer aldrig att nå 20 miljoner dollar-gränsen. Men det är en licens med villkor kopplade till ditt företags storlek, och storlek är den enda variabel som ett växande företag inte kan hålla konstant. En produkt som klarar tröskeln måste gå tillbaka och förhandla, och villkoren för den förhandlingen publiceras inte. Om du väljer en basmodell för något som du avser att skala upp, väljer du en licens som ändrar innebörd vid en intäktsmilstolpe.

Det enda faktumet ändrar ordningen på resten av den här jämförelsen. När det gäller kapacitet och pris är MiniMax-M3.1-Flash det starkare alternativet. När det gäller frågan om man kan bygga vidare på det utan en juridisk granskning i värsta möjliga ögonblick, är Ling 3.1 Flash den som inte kommer med en milstolpe.

Resultattavlan, med förbehållet bifogat

Artificial Analysis är den enda neutrala utvärderaren som har kört båda, och dess siffror ligger tillräckligt nära varandra för att rankningen ska vara skör.

• Intelligence Index — MiniMax-M3.1-Flash 43 mot Ling 3.1 Flash 41. En skillnad på två poäng, på en tracker där en enda utvärderingsrevision kan flytta en modell så mycket.

• Kostnad per indexeringsuppgift – $0.22 mot $1.00. En 4,5× skillnad till MiniMaxs fördel, och större än 2×-skillnaden på prislistan.

• Indatapris — 0,15 USD mot 0,30 USD per miljon.

• Utdatapris — 0,60 USD mot 0,90 USD per miljon.

• Cachad indata — $0.015 mot $0.06 per miljon. En 4× skillnad på den rad som dominerar en cache-tung agentkörning.

• Uthastighet – 95,6 tokens per sekund mot 220,8. Det här är Lings tydligaste vinst, och den är mer än 2×.

• Kontextfönster — 1,000,000 tokens mot 1,000,000 uppgivna, 262,144 i den levererade konfigurationen.

• Maximal utdata – 524 288 token jämfört med ungefär 33 000.

• Inmatningsmodaliteter – text, bild och video jämfört med enbart text.

• Licens — MiniMax Community License kontra MIT.

Varför klyftan per uppgift är större än klyftan per token

Ling 3.1 Flash har dubbelt så högt inputpris och 1,5 gånger så högt outputpris. Den kostar 4,5 gånger så mycket per slutförd uppgift, och mångordighet förklarar det inte: Ling är den pratsammare av de två i trackern och genererar 220 miljoner output-tokens i hela indexet mot 180 miljoner för MiniMax-M3.1-Flash. Det som förklarar det är cacheprissättning och utformningen av en resonemangskörning.

Båda är agenter som tänker innan de svarar, vilket innebär att merparten av token i en lång körning är indatatoken som läses om från cache i stället för färsk prompt. På en faktura som domineras av cache är det raden med $0,015 mot $0,06 som spelar roll, inte $0,15 mot $0,30. En fyra gångers spridning på den dominerande kostnadsraden blir en fyra och en halv gångers spridning på fakturan, och den publicerade prislistan underskattar den med hälften.

Detta är också argumentet för att kontrollera räkningen i stället för kortet. OrcaRouter för vidare leverantörernas listpriser med 0 % påslag, så en prisändring på endera sidan syns hos oss samma dag som den träder i kraft i stället för efter en prisomräkningscykel – och varken Ling 3.1 Flash eller MiniMax-M3.1-Flash finns i vår katalog i dag, så siffrorna ovan är leverantörernas egna publicerade priser och inget som vi kan routa åt dig. De modeller vi faktiskt har från den här nivån är MiniMax-M3 och DeepSeek V4.1 Flash, vilket är det som gör experimentet med pris per uppgift billigt att köra mot en modell som du faktiskt kan anropa.

Multimodal jämfört med endast text är inte en funktionsrad

Det är ett arbetsbelastningsfilter. MiniMax-M3.1-Flash tar emot bilder och videorutor; Ling 3.1 Flash tar emot text och inget annat. Om din pipeline läser skärmbilder, tolkar skannade dokument, granskar diagram eller tittar på video, slutar jämförelsen vid indatasteget och ingen mängd MIT-licensiering kompenserar för en modell som inte kan se indatan.

Utdatalängden begränsas på samma sätt. Ett tak på 524 288 token mot ungefär 33 000 är en skillnad på sexton gånger, och det avgör varje uppgift vars leverans i sig är lång — en omskrivning av en hel fil, en migrering som omfattar ett helt repo, en strukturerad extrahering över ett omfattande dokument. En gräns på 33K gör inte dessa uppgifter omöjliga; den gör dem till ett chunking-problem som du måste lösa i din egen kod, och chunking är där kvaliteten på lång kontext tyst försämras.

När Ling 3.1 Flash är rätt val

Tre situationer, och de är inte nischade. För det första, allt som levereras kommersiellt över gränsen på 20 miljoner dollar: MIT tar bort en förhandling från din färdplan. För det andra, allt där genomströmningen är den begränsande faktorn — med 220,8 token per sekund mot 95,6 slutför Ling en textuppgift på mindre än halva den faktiska tiden, och för en interaktiv agent är det skillnaden mellan användbart och inte. För det tredje, allt där du avser att finjustera och redistribuera: MIT låter dig leverera derivatet, och MiniMax-licensens krav på attribution följer utdata in i produktens gränssnitt.

Ling är också den renare långkontextberättelsen på papperet, i den meningen att dess hybrida linjära attention är utformad för det – men den levererade konfigurationen på 262 144 token innebär att påståendet om en miljon token är ett löfte om en framtida konfiguration, inte en egenskap hos den checkpoint du laddar ner i dag. Budgetera inte utifrån kortets siffra.

Där MiniMax-M3.1-Flash är det rätta valet

Överallt där indata inte är text, och överallt där utdatan är lång. Det är också den billigare modellen med en marginal som står sig trots licensförbehållet: till en femtedel av Lings kostnad per uppgift kan ett team under tröskeln på 20 miljoner dollar köra dubbelt så stor arbetsbelastning för mindre än halva kostnaden, och kravet på attribuering är en rad i en sidfot snarare än en teknisk begränsning. Om din produkt är liten är licensen en formalitet; om den lyckas blir den ett samtal. Planera för samtalet i stället för att låtsas att det inte kommer att hända.

Och det är modellen med den högre oberoende poängen. Två poäng i Intelligence Index är inte en avgörande skillnad, men det pekar i samma riktning som priset, modalitetsstödet och kontextfönstret, vilket är ett mönster snarare än ett sammanträffande.

Att välja utan att välja två gånger

Den form som den här jämförelsen faktiskt antyder är inte ett permanent beslut. Ling 3.1 Flash är den bättre textmotorn och den säkrare licensen; MiniMax-M3.1-Flash är den bättre multimodala motorn och den billigare. En pipeline som behöver båda – textsammanfattning i volym, plus hantering av dokument och skärmbilder för den delmängd som behöver det – vill ha två modeller bakom ett enda gränssnitt i stället för en modell som ombeds vara bra på båda.

Det är argumentet för en gateway i stället för ett andra avtal: en nyckel, ett faktureringsgränssnitt, automatiskt failover när endera leverantören försämras, och routing-DSL:en när kostnadstaket hör hemma i routen snarare än i applikationskoden. Ingen av dessa två modeller finns i OrcaRouters katalog, så detta är ett argument om integrationens utformning, inte ett påstående om vad vi har i drift. Det vi faktiskt har i drift från samma nivå — MiniMax-M3, DeepSeek V4.1 Flash — finns där för att benchmarka mönstret innan du binder en produktionsväg till det.

Frågan som ska besvaras innan någon av dem

Inte "vilken som får högre poäng". Två poäng är brus, och båda modellerna kommer att förändras i takt med att utvärderare reviderar sina utvärderingssviter. Frågan är vad ditt företag får bygga på, och hur svaret förändras vid en intäktsmilstolpe som ni ännu inte har nått. Om det ärliga svaret är att en omförhandling av licensen skulle vara tolerabel är MiniMax-M3.1-Flash den starkare modellen till ett väsentligt lägre pris, och beslutet är enkelt. Om det inte skulle vara tolerabelt avstår Ling 3.1 Flash från två indexpoäng, visst kontextutrymme och bildindata i utbyte mot en licens som aldrig ställer en fråga till er — och det är en avvägning som de flesta team gör en gång, korrekt, i stället för att upptäcka den senare.