MiniMax-M3.1-Flash vs MiniMax-M3: Halva priset, inga vikter

MiniMax-M3.1-Flash kostar exakt hälften av vad MiniMax-M3 gör per token, får tretton poäng högre på Artificial Analysis Intelligence Index och är modellen som MiniMax nu dirigerar sina egna äldre prenumeranter till. Det är också den första modellen i den här serien som du inte kan ladda ner. MiniMax-M3, som släpptes 1 juni 2026, är en mixture-of-experts med 428 miljarder parametrar och 23 miljarder aktiva parametrar, publicerade vikter på Hugging Face och en prislista som du kan läsa av i en tabell; MiniMax-M3.1-Flash, som släpptes 19 oktober 2026, är en sluten modell med bättre benchmarkresultat, en snabbare serveringsväg och ett löfte om att vikterna kommer "senare". Den meningen är hela beslutet, och prisskillnaden är en distraktion från det – men en tillräckligt stor distraktion för att det är värt att göra matematiken innan du bestämmer dig. De dokumenterade AI-misslyckandena och agentincidenterna bakom lanseringar som denna samlas i OrcaRouter AI Incident Archive där varje post har sina egna källor, allvarlighetsgrad, konfidensgrad och flagga för omtvistad status.

Vad de två prislistorna faktiskt säger

Börja med pengarna, för det är där marknadsföringspåståendet och fakturan går isär.

• Standardindata — MiniMax-M3.1-Flash $0,15 per 1M mot MiniMax-M3 $0,30 per 1M upp till 512 000 indatatokens

• Standardutdata – 0,60 USD per 1M vs 1,20 USD per 1M, samma tröskel på 512 000 token

• Över 512 000 indatatokens – MiniMax-M3 fördubblas till $0,60 in och $2,40 ut; MiniMax-M3.1-Flash har ingen publicerad tilläggsavgift för lång kontext

• Cachelagrade läsningar — $0,015 per 1M vs $0,06 per 1M

• Prioriterad åtkomst – erbjuds inte på MiniMax-M3.1-Flash; MiniMax-M3 säljer den till 1,5× standardpriset, så $0,45/$1,80 under tröskeln och $0,90/$3,60 över den

• Intelligensindex — 42 mot 29, enligt Artificial Analysis

• Kostnad per Index-uppgift — 0,22 USD mot 0,51 USD, en minskning med 57 % i stället för de 50 % som prislistan antyder

• Kontextfönster — 1 000 000 tokens på båda, även om vår katalog listar MiniMax-M3 på 1 048 576

• Utdatashastighet — 125,5 token per sekund jämfört med 106,4, båda oberoende uppmätta

• Vikter — utlovade senare kontra publicerade, öppna, på Hugging Face

• Parametrar – ej angivna, beskrivs endast som ”mer aggressiv sparsitet” jämfört med 428B totalt och 23B aktiva

Två rader i den listan väger tyngre än vad deras längd antyder. Den första är tillägget för lång kontext. Om din arbetsbelastning regelbundet går över 512 000 indatatokens – en kodningskörning över hela kodbasen, en lång transkription, en uppsättning dokument – är den effektiva skillnaden inte 2× utan 4× på indata och 4× på utdata, eftersom MiniMax-M3.1-Flash inte har någon prisnivåindelning alls. Den andra är prioriterad åtkomst. MiniMax-M3 kan köpa en snabbare serveringsbana för 1,5×; MiniMax-M3.1-Flash kan inte köpa en sådan till något pris. I dess API-referens anges service_tier som ej stödd. Om latens vid belastning var anledningen till att du betalade för M3, säljer den nyare modellen inte den spaken till dig – den säljer en snabbare underliggande serveringsväg och tar sedan bort spaken.

Att nå halva kostnaden är lättare än att nå halva räkningen.

Att halvera prislistan halverar inte fakturan, och detta är det enskilt vanligaste misstaget vid migreringsplanering för det här paret. MiniMax-M3.1-Flash tänker vid varje begäran med en standardansträngning på max, kan inte instrueras att sluta och är påvisbart ordrik: den förbrukade 180 miljoner output-tokens i Intelligence Index där medianmodellen förbrukade 99 miljoner. MiniMax-M3 låter dig stänga av tänkandet helt och har som standard att det är avstängt på den Anthropic-kompatibla slutpunkten.

Sätt en siffra på det. Ta ett jobb med dokumenttaggning som skickar 2 000 indatatokens av schema och instruktioner per anrop och returnerar 80 tokens JSON. På MiniMax-M3 med tänkandet avstängt betalar du 2 000 × $0,30 per miljon plus 80 × $1,20 per miljon – cirka $0,0007 per anrop. På MiniMax-M3.1-Flash går samma jobb, utan något sätt att stänga av tänkandet, åt indatat till $0,15 per miljon men avger sedan ett resonemangsblock som löper på flera hundra tokens innan svaret. Med 500 tänkandetokens plus 80 svartokens blir utdatakostnaden 580 × $0,60 per miljon – ungefär $0,00065. Knappt billigare, och det är med en försiktig uppskattning av tänkandet. Vid 1 500 tänkandetokens kostar den nyare modellen mer än den äldre för identiska utdata, eftersom den äldre modellens förmåga att stänga av resonerandet är värd mer än den nyare modellens billigare taxa.

Ändra nu arbetsbelastningen. En agentkörning i flera steg som redan har använt 40 000 uttoken på M3 för verktygsanrop och resonemang, med tänkande aktiverat eftersom den behövde tänka. M3 fakturerar 40 000 × $1,20 per miljon, eller $0,048. M3.1-Flash med samma volym fakturerar $0,024 — och i praktiken spenderar mindre, eftersom trajektorierna är kortare, vilket är anledningen till att den oberoende siffran för kostnad per uppgift sjunker 57 % i stället för 50 %. Det är där besparingarna ligger: långt resonemangstungt arbete, inte korta deterministiska anrop.

Regeln som följer av detta: om du kan beskriva din arbetsbelastning som "många små svar" kan MiniMax-M3.1-Flash vara den dyrare modellen. Om du kan beskriva den som "få långa svar" är den otvetydigt den billigare.

Vikterna är den del du inte kan komma runt.

Alla siffror ovan är reversibla. MiniMax skulle kunna sänka priset på MiniMax-M3 i morgon; det skulle kunna höja priset på M3.1-Flash. Det som inte är reversibelt är licensen. MiniMax-M3 går att ladda ner – 428 miljarder parametrar totalt, 23 miljarder aktiva, på Hugging Face och speglad i en MXFP8-build – vilket innebär att du kan kvantisera den, finjustera den, köra den på din egen hårdvara, fortsätta servera den efter att leverantören går vidare och granska vad som finns inuti den. MiniMax-M3.1-Flash är en hostad slutpunkt som MiniMax säger kommer att få vikter senare, utan datum, utan licens och utan parameterantal.

Den asymmetrin visar sig på tre ställen som en kostnadsjämförelse inte fångar. Regelefterlevnad: ett reglerat team som behöver köra inferens inom sin egen perimeter, eller dokumentera den modellartefakt det är beroende av, kan i dag inte använda MiniMax-M3.1-Flash oavsett pris. Kontinuitet: M​iniMax:s eget avvecklingsschema har redan införlivat två hela modellfamiljer – M2.5 och M2.7 – i MiniMax-M3.1-Flash den 19 oktober, med fullständig avveckling den 18 november. Modeller stängs faktiskt av, och det enda garanterade sättet att överleva det är att äga en kopia. Reproducerbarhet: ett benchmarkresultat som du inte kan köra om mot en fryst checkpoint är ett resultat du måste lita på, och varje siffra för MiniMax-M3.1-Flash i den här artikeln är av det slaget.

Om M​iniMax släpper vikterna är det här avsnittet föråldrat, och minnet av en nedladdningsbar modell på 428B för 0,30 dollar per miljon blir den mer intressanta fotnoten. Tills det sker är ”senare” ett löfte, och den äldre modellen är den du kan hålla i.

Kapacitetsgapet är verkligt, och mindre än vad indexet antyder.

Tretton poäng på Intelligence Index är ett stort hopp – ungefär en modellgeneration i den här prisklassen. Men en del av det gapet mäter förändringen i hur modellerna tillåts köra, snarare än vad de vet. MiniMax-M3.1-Flash poängsätts med resonemang tvingat på maximal ansträngning; MiniMax-M3:s indexresultat tas fram under dess egna standardinställningar, vilket enligt ett protokoll innebär att tänkandet är avstängt. Några av dessa tretton poäng är stegen, inte vikterna.

Bevisen från leverantörssidan pekar i samma riktning. MiniMaxs egna lanseringssiffror för MiniMax-M3.1-Flash – BankerToolBench 76,2, DeepSWE v1.1 på 73,7 %, OSWorld V2 på 61,7, Agents' Last Exam på 29,6, CyberGym på 82 % – är alla agentiska utvärderingar, och var och en av dem är en miljö där det hjälper att tvinga fram maximalt resonemang. Det finns ingen publicerad jämförelse med MiniMax-M3 i samma utvärderingsramverk, så det ärligaste påståendet är att den nyare modellen är bättre på agentiskt arbete med en marginal som ingen utanför MiniMax har mätt mot dess föregångare, och att indexet antyder en verklig förbättring på något mindre än tretton punkter när resonemangspolicyn hålls konstant.

Där skillnaden inte är omtvistad är den operativ. 125,5 tokens per sekund mot 106,4 är en 18 % snabbare serveringsväg, uppmätt av en tredje part, och det gäller oavsett arbetsbelastning. För ett interaktivt kodverktyg är det skillnaden som en användare känner.

Där MiniMax-M3.1-Flash är fel svar

Tre arbetsbelastningar bör stanna kvar på MiniMax-M3 även efter den här lanseringen, och det är värt att namnge dem eftersom bevakningen av lanseringen inte gör det.

Det första är allt inom ditt eget nätverk. Det finns ingen version av den nyare modellen som du kan köra, och ingen indikation på när det kommer att finnas.

Den andra är högvolyms- och lågtokenarbete som är deterministiskt — klassificering, extrahering, routning, formatering — där möjligheten att inaktivera tänkande är den avgörande kostnadsegenskapen, och MiniMax-M3 har den.

Den tredje är allt som är beroende av prioriterad tilldelning. Om din applikation köpte MiniMax-M3:s 1,5×-nivå för att hålla p99-latensen inom ett SLA, tar MiniMax-M3.1-Flash bort det alternativet; du skulle byta en kontrollerbar spak mot en snabbare baslinje som du inte kan justera.

Alla andra – agentiska pipelines, loopar för datoranvändning, långkontextiga kodningssessioner, team vars arbetsbelastning är lång snarare än stor – bör byta över. Den nyare modellen är snabbare, billigare per slutförd uppgift och bättre på exakt de utvärderingar som beskriver det arbetet.

Köra båda utan att köra två integrationer

Det realistiska svaret för de flesta team är inte en växling utan en uppdelning: MiniMax-M3 för de korta deterministiska anropen och allt som måste stanna on-premises, MiniMax-M3.1-Flash för de långa agentiska körningarna. Båda kommer från samma leverantör, samma protokollfamilj och, när det gäller den Anthropic-kompatibla endpointen, samma förfrågningsstruktur — så uppdelningen är en routingregel snarare än två SDK-integrationer.

Det är vad OrcaRouter är till för: en API-nyckel för över 200 modeller, med leverantörernas listpriser vidarebefordrade med 0 % påslag, så MiniMax-M3:s $0,30/$1,20 är vad du betalar, och en leverantörsändring slår igenom på din faktura samma dag som den slår igenom på deras. MiniMax-M3 finns i vår katalog i dag. MiniMax-M3.1-Flash gör det inte – anropa den via M​iniMaxs egen API, M Plan eller M​iniMax Code – så uppdelningen ovan körs som en routingregel med ett ben utanför oss tills vi har den i sortimentet. Automatisk failover gör fortfarande verklig nytta i den formen: om den nyare endpointen blir hastighetsbegränsad eller ett id ändras under fötterna på dig, faller förfrågan tillbaka till MiniMax-M3 i stället för till en felsida.

Det som gör uppdelningen värd att bygga i stället för att bara teoretisera om är att de två modellerna verkligen skiljer sig i form, inte bara i poäng. En router som skickar korta anrop till modellen som kan sluta tänka, och långa anrop till modellen som inte kan, gör något som benchmarkarna redan motiverar.

Den korta versionen

MiniMax-M3.1-Flash är den bättre modellen men den sämre tillgången. Den får 42 poäng mot 29, kör 18 % snabbare och kostar mindre per slutförd uppgift – 57 % mindre på ett index byggt på långt, resonemangstungt arbete. MiniMax-M3 går att ladda ner, är billigare för korta anrop och något du äger. Under de närmaste månaderna är det kloka förhållningssättet att köra båda, lägga det långa arbetet på den nya och hålla utkik efter släppet av vikterna, för den dag MiniMax publicerar checkpointen är det enda argument som återstår för den gamla modellen prioritetskön.