MiniMax แต่งตั้ง Inferact เป็นพันธมิตรการเปิดตัว API สำหรับ M3.1 Flash ตัวโมเดลไม่ได้เปลี่ยนแปลง — เลเยอร์การให้บริการต่างหากที่เปลี่ยน

เมื่อวันที่ 21 ตุลาคม 2026 สองวันหลังจาก MiniMax-M3.1-Flash เปิดให้ใช้งานทั่วไป บัญชี X ของ MiniMax ได้ระบุชื่อ Inferact เป็นพันธมิตรการเปิดตัว API สำหรับโมเดลนี้ โดยยกย่องความเชี่ยวชาญด้าน vLLM และอธิบายความร่วมมือว่าเป็นการสร้าง "โครงสร้างพื้นฐานการให้บริการสำหรับเวิร์กโหลดเอเจนต์ที่ซับซ้อน" นั่นคือประกาศสาธารณะทั้งหมด: โพสต์เดียว ไม่มีบทความบล็อก ไม่มีรายละเอียดทางเทคนิค กระนั้นก็ยังควรค่าแก่การให้ความสำคัญ เพราะเป็นสิ่งแรกที่ใครก็ตามได้กล่าวถึงต่อสาธารณะเกี่ยวกับวิธีที่โมเดลนี้จะถูกให้บริการจริง ๆ — และสำหรับโมเดลที่มีข้อกล่าวอ้างหลักว่าเร็วขึ้นสามเท่า เลเยอร์การให้บริการไม่ใช่หมายเหตุประกอบเล็ก ๆ มันคือข้อกล่าวอ้างนั้นเอง ความล้มเหลวของ AI และเหตุการณ์เกี่ยวกับเอเจนต์ที่ได้รับการบันทึกไว้ซึ่งอยู่เบื้องหลังการเปิดตัวลักษณะนี้ ถูกรวบรวมไว้ใน the OrcaRouter AI Incident Archive โดยแต่ละรายการมีแหล่งที่มาของตนเอง ระดับความรุนแรง ระดับความเชื่อมั่น และสถานะมีข้อโต้แย้ง

สิ่งที่ไม่มีอยู่ในโพสต์เปิดตัว

MiniMax เผยแพร่โพสต์เปิดตัวอย่างเป็นทางการสำหรับ MiniMax-M3.1-Flash เมื่อวันที่ 19 ตุลาคม 2026: ผลทดสอบมาตรฐานด้านเอเจนต์ การลดต้นทุน 70% การอนุมานที่ "เร็วกว่าเกือบสามเท่า" นี่เป็นงานชิ้นสำคัญ และไม่มีคำว่า Inferact อยู่ในนั้น ไม่มีคำว่า vLLM เช่นกัน ไม่ว่าความร่วมมือนั้นจะมีน้ำหนักเพียงใด บริษัทไม่ได้มองว่ามันเป็นส่วนหนึ่งของเรื่องราวการเปิดตัวในวันที่เรื่องราวการเปิดตัวถูกเล่า

ช่องว่างนั้นคือสิ่งที่มีข้อมูลมากที่สุดในประกาศนี้ พาร์ตเนอร์เปิดตัวที่ถูกเอ่ยชื่อช้าไปสองวัน ในโพสต์โซเชียลมีเดีย โดยไม่มีบทความเชิงเทคนิคประกอบ คือพาร์ตเนอร์ที่งานยังอยู่ระหว่างดำเนินการ หากตอนวางจำหน่ายทั่วไป MiniMax มี M3.1-Flash ทำงานอยู่บนสแต็กของบุคคลที่สามที่ปรับแต่งแล้ว โพสต์เปิดตัวก็คงบอกไว้แล้ว — การให้บริการตั้งแต่ Day Zero บนเอนจินที่ระบุชื่อได้ คือหลักฐานประเภทที่ผู้ขายมักใส่ไว้ในเนื้อความโพสต์ แต่กลับมีคำกล่าวอ้างนี้แยกออกมาต่างหาก โดยไม่มีตัวเลข ซึ่งบอกคุณว่าความร่วมมือนี้กำลังถูกประกาศ ณ จุดที่มันกลายเป็นคำมั่นสัญญา มากกว่าจุดที่มันกลายเป็นผลลัพธ์

ยังมีช่องว่างที่สองซึ่งเล็กกว่า เว็บไซต์ของ Inferact เอง ซึ่งตรวจสอบเมื่อวันที่ 22 ตุลาคม มีโลโก้ MiniMax อยู่ในกลุ่มพันธมิตร และมีคำรับรองที่ระบุว่าเป็นของดร. Yan Junjie ผู้ก่อตั้งและซีอีโอของ MiniMax อีกทั้งยังไม่มีการกล่าวถึง MiniMax-M3.1-Flash ที่ใดเลย กรณีศึกษาของเว็บไซต์นั้นเกี่ยวข้องกับโมเดลอื่นทั้งหมด ดังนั้นทั้งสองบริษัทได้ประกาศความร่วมมือที่เว็บไซต์การตลาดของทั้งสองบริษัทยังไม่ได้อธิบายในแง่ผลิตภัณฑ์ จงอ่านสิ่งนี้เป็นหลักฐานของความใหม่มากกว่าความสงสัย: โพสต์บน X มีอายุสองวัน และหน้าเพจพันธมิตรนั้นช้า

Inferact คืออะไร และทำไมรายละเอียดเกี่ยวกับ vLLM จึงสำคัญ

Inferact อธิบายตัวเองว่าเป็น "บริษัทที่ก่อตั้งโดยผู้สร้างและผู้ดูแล vLLM" ทีมของบริษัทเป็นผู้นำแผนงานของ vLLM ขณะที่ตัวเอนจินยังคงเป็นโอเพนซอร์ส ภายใต้ Apache 2.0 และได้รับการกำกับดูแลโดยชุมชนภายใต้มูลนิธิ PyTorch โครงสร้างนี้เองคือเหตุผลที่ความร่วมมือครั้งนี้เข้าใจได้ชัดเจนกว่าประกาศความร่วมมือเปิดตัวส่วนใหญ่: vLLM ไม่ใช่กล่องดำ ดังนั้นสิ่งใดก็ตามที่ Inferact ปรับปรุงสำหรับ MiniMax-M3.1-Flash ย่อมมีโอกาสพอสมควรที่จะปรากฏในเอนจินโอเพนซอร์สที่ทุกคนใช้งานกัน

บริษัทขายสิ่งเดียวกันในสองรูปแบบ Inferact Platform ติดตั้งในคลาวด์หรือดาต้าเซ็นเตอร์ของลูกค้าเอง — ถ้อยคำบนเว็บไซต์คือ “Run inference on your compute” — โดยมี control plane ที่ครอบคลุมการมอนิเตอร์ การตรวจสอบการทยอยเปิดใช้งาน การติดตามต้นทุน autoscaling การจัดการ endpoint การวัดการใช้งาน และ observability Inferact Cloud คือแพลตฟอร์มเดียวกันบน GPU ที่ Inferact จัดเตรียมให้: “Run inference on our compute” ความแตกต่างนี้สำคัญสำหรับใครก็ตามที่อ่านประกาศของ MiniMax ในฐานะแถลงการณ์เรื่องความพร้อมใช้งาน พันธมิตรเปิดตัว API บนโมเดลดังกล่าวอาจหมายถึง managed endpoint ที่มีผู้อื่นเป็นผู้ดำเนินการ หรืออาจหมายถึงชุดซอฟต์แวร์ที่คุณติดตั้งเคียงกับ weights ของคุณเอง สำหรับโมเดลแบบปิด มีเพียงแบบแรกที่เป็นไปได้ ซึ่งทำให้ความร่วมมือนี้เป็นได้แคบลง

ทำไมโมเดลนี้จึงเป็นปัญหาเรื่องการให้บริการก่อนที่จะเป็นปัญหาเรื่องการกำหนดราคา

MiniMax-M3.1-Flash มีรูปทรงที่ไม่ธรรมดาสำหรับโมเดลราคาถูก และรูปทรงนี้เองที่ทำให้คำถามเรื่องการให้บริการกลายเป็นประเด็นที่มีน้ำหนักสำคัญ

• Thinking เปิดอยู่เสมอ — เอกสารอ้างอิง API ของ M​iniMax ส่งคืน HTTP 400 สำหรับ thinking: {"type": "disabled"} และปฏิเสธ reasoning_effort: "none" ในลักษณะเดียวกัน ดังนั้นตัวควบคุมเดียวคือลำดับห้าระดับจาก low ถึง max และการไม่ระบุฟิลด์หมายถึง max

• ดังนั้นจึงเป็นภาระที่ถูกจำกัดด้วยการถอดรหัส (decode-bound) — Artificial Analysis บันทึกว่ามีการใช้โทเค็นเอาต์พุต 180 ล้านโทเค็นตลอดการรัน Intelligence Index เทียบกับค่ามัธยฐานที่ 99 ล้านโทเค็นสำหรับโมเดลในตัวติดตามเดียวกัน

• หน้าต่างบริบทมีความจุ 1,000,000 โทเค็น ซึ่งทำให้หน่วยความจำ KV-cache เป็นข้อจำกัดที่กำหนดจำนวนเซสชันเอเจนต์ที่ทำงานพร้อมกันซึ่งโหนดหนึ่งสามารถรองรับได้

• ลูปของเอเจนต์ใช้คำนำหน้าขนาดใหญ่ซ้ำ — พรอมต์ระบบ สคีมาของเครื่องมือ และบริบทของไฟล์เดียวกันจะเกิดขึ้นซ้ำในทุกขั้นตอน — ดังนั้นการแคชคำนำหน้าจึงส่งผลโดยตรงทั้งต่อเวลาแฝงและค่าใช้จ่าย

• ความเร็วเอาต์พุตวัดได้ที่ 125.5 โทเคนต่อวินาที โดยมีเวลาถึงโทเคนแรก 1.04 วินาที ซึ่งถือว่าเร็วสำหรับคลาสนี้ แต่เป็นตัวเลขที่คิวของการสร้างแบบยาวพร้อมกันหลายรายการจะลดทอนลงก่อนเป็นอันดับแรก

เมื่อนำสิ่งเหล่านี้มารวมกัน คุณจะได้โปรไฟล์เวิร์กโหลดที่ให้ผลตอบแทนกับสิ่งที่ vLLM ถูกสร้างขึ้นมาเพื่อรองรับอย่างตรงเป้า: paged attention เพื่อให้บริบทขนาดหนึ่งล้านโทเคนไม่จำเป็นต้องต่อเนื่องกัน, prefix caching เพื่อให้ขั้นตอนของเอเจนต์ไม่ต้องพรีฟิลนิยามเครื่องมือชุดเดิมซ้ำ, และ continuous batching เพื่อให้เทรซการให้เหตุผลที่ยังทำไม่เสร็จหนึ่งร้อยเส้นใช้ฮาร์ดแวร์ร่วมกันแทนที่จะต่อคิวรอกัน คำกล่าวอ้างของ MiniMax เองที่ว่าได้ 200+ โทเคนต่อวินาทีที่ค่าสูงสุด และ 170+ ที่ค่ามัธยฐาน เป็นคำกล่าวอ้างเรื่องการจัดตารางเวลาไม่แพ้เป็นคำกล่าวอ้างเรื่องเคอร์เนล ความเร็วที่เพิ่มขึ้น 3 เท่าในโพสต์เปิดตัวไม่ใช่สิ่งที่การคูณเมทริกซ์ที่ดีขึ้นจะสร้างขึ้นมาได้ด้วยตัวเอง

จำนวนที่มีอยู่ และจำนวนที่ไม่มีอยู่

Inferact เผยแพร่ตัวเลขประสิทธิภาพ และตัวเลขเหล่านั้นควรค่าแก่การอ่านอย่างพินิจพิเคราะห์ว่ามันผูกอยู่กับสิ่งใด เว็บไซต์ของบริษัทโฆษณาว่า 464 โทเคนต่อวินาทีที่ขนาดแบตช์ 1 บน Kimi-K3 ในวันเปิดตัว, 709 โทเคนต่อวินาทีต่อผู้ใช้ด้วยเมกะเคอร์เนลตัวแรกบน TPU, 18.3 ล้านโทเคนต่อดอลลาร์บน SemiAnalysis AgentX ด้วยโมเดลเดียวกัน และตำแหน่งที่หนึ่งบน Artificial Analysis ในเดือนพฤษภาคม 2026 ทุกข้อเหล่านี้เป็นคำกล่าวอ้างเกี่ยวกับงานวิศวกรรมของ Inferact บนโมเดลที่แตกต่างกัน ซึ่งเผยแพร่โดย Inferact และไม่มีข้อใดถูกนำมาแสดงซ้ำที่นี่ในฐานะข้อเท็จจริงเกี่ยวกับ MiniMax-M3.1-Flash

สิ่งที่ยังไม่มี ณ วันที่ 22 ตุลาคม คือตัวเลขใด ๆ สำหรับ M3.1-Flash บนสแต็กของ Inferact: ไม่มีโทเค็นต่อวินาที ไม่มีเวลาถึงโทเค็นแรก ไม่มีค่าใช้จ่ายต่อล้าน ไม่มีเส้นโค้งคอนเคอร์เรนซี ประกาศนี้เป็นคำมั่นสัญญาที่ไม่มีการวัดผล นั่นเป็นเรื่องปกติหลังจากผ่านไปสองวัน และยังเป็นเหตุผลเดียวที่ควรสนใจ — คุณค่าของความร่วมมือนี้ต่อผู้ซื้อจะถูกกำหนดอย่างสมบูรณ์โดยว่าตัวเลขเหล่านั้นจะออกมาดีกว่าสิ่งที่ M​iniMax ให้บริการด้วยตัวเองหรือไม่ และตอนนี้ไม่มีใครนอกสองบริษัทรู้ว่าสิ่งที่ M​iniMax ให้บริการด้วยตัวเองคืออะไร

สถานะที่ตรงไปตรงมาของหลักฐานก็คือ ปริมาณงาน (throughput) เดียวที่วัดอย่างอิสระสำหรับโมเดลนี้มาจาก Artificial Analysis ที่ 125.5 โทเคนต่อวินาที และนั่นเป็นตัวเลขแบบสตรีมเดียวจากฮาร์เนสหนึ่งตัว ไม่ใช่การวัดประสิทธิภาพสำหรับงานให้บริการ มันบอกคุณได้ว่าโมเดลสร้างข้อความได้เร็ว แต่ไม่ได้บอกอะไรเลยว่าหนึ่งดอลลาร์รองรับผู้ใช้พร้อมกันได้กี่คน

ประกาศความร่วมมือระหว่างพันธมิตรมีมูลค่าที่แท้จริงมากน้อยเพียงใด

โดยตัวมันเองไม่มากนัก และมากกว่าความไม่มี สามสิ่งทำให้มันมากกว่าความไม่มี

ข้อแรกคือมันเป็นผู้ให้บริการรายที่สอง โมเดลที่ให้บริการโดยบริษัทเดียวเท่านั้นคือโมเดลที่มีความเห็นเชิงปฏิบัติการเพียงหนึ่งเดียว และเมื่อความเห็นนั้นประสบปัญหาหนึ่งสัปดาห์ ผลิตภัณฑ์ของคุณก็จะประสบปัญหาหนึ่งสัปดาห์ พันธมิตรที่ระบุชื่อได้หมายความว่ามีทีมที่สองได้อ่านสถาปัตยกรรมแล้ว พบเคอร์เนลที่สำคัญ และประกาศต่อสาธารณะมากพอที่ความล้มเหลวในการส่งมอบจะน่าอับอาย นั่นเป็นสัญญาณที่อ่อน แต่เป็นสัญญาณจริง และเป็นตรรกะเดียวกับที่ทำให้ภูมิภาคคลาวด์ที่สองคุ้มค่าที่จะจ่ายเงิน

ประการที่สองคือการวางกรอบเรื่องภาระงานของเอเจนต์ MiniMax ไม่ได้อธิบายความร่วมมือนี้ว่าเป็น "การอนุมานที่เร็วขึ้น" แต่ระบุว่าเป็นโครงสร้างพื้นฐานสำหรับให้บริการ "ภาระงานของเอเจนต์ที่ซับซ้อน" ซึ่งเป็นปัญหาที่เฉพาะเจาะจงและยากกว่าปริมาณงานแชต ได้แก่ เซสชันที่ดำเนินอยู่ยาวนาน การเรียกเครื่องมือที่สลับกับการสร้างข้อความ พรีฟิกซ์ที่ต้องคงอยู่ข้ามขั้นตอน และต้นทุนที่เพิ่มตามความยาวของเส้นทางการทำงานมากกว่าจำนวนพรอมป์ต์ พันธมิตรที่ถูกเลือกสำหรับปัญหานั้นคือพันธมิตรที่ถูกเลือกสำหรับภาระงานที่ MiniMax ใช้เป็นจุดขายของโมเดล ยังทดสอบไม่ได้ว่าการเลือกครั้งนี้ถูกต้องหรือไม่

ประการที่สามคือมันตีกรอบเวลาให้กับเรื่องราวในทางปฏิบัติ MiniMax-M3.1-Flash เปิดให้ใช้งานทั่วไปมาได้สามวันแล้ว น้ำหนักโมเดลยังไม่ถูกเผยแพร่ — บริษัทบอกว่าพวกเขาจะ "เผยแพร่ในภายหลัง" โดยไม่ระบุวันที่ — ดังนั้นจึงไม่มีทางเลือกในการโฮสต์เองและไม่มีทางใดที่บุคคลภายนอกจะเป็นอิสระในการทดสอบประสิทธิภาพโมเดลบนฮาร์ดแวร์ของตนเองได้ ทุกสิ่งเกี่ยวกับวิธีที่โมเดลนี้ทำงานในการใช้งานจริง ในตอนนี้ ถูกกำกับผ่านผู้ให้บริการรายใดรายหนึ่งเท่านั้น พันธมิตรด้านการเปิดตัวถือเป็นรายชื่อแรกในรายการที่จำเป็นจะต้องมีต่อไป

สิ่งนี้หมายความว่าอย่างไรหากคุณกำลังเลือกว่าจะรันที่ไหน

MiniMax-M3.1-Flash ไม่ได้อยู่ในแคตตาล็อกของ OrcaRouter ปัจจุบันสามารถเรียกใช้งานได้ผ่าน API ของ MiniMax เอง แผน M Plan และ MiniMax Code และตามประกาศเมื่อวันที่ 21 ตุลาคม ผ่าน Inferact นี่คือรายการทั้งหมดที่เรายืนยันได้ และไม่มีรายการใดเป็นเราเตอร์ แต่ละแห่งเป็นจุดเดียวสำหรับการเข้าถึงโมเดล โดยมีขีดจำกัดอัตราการเรียกใช้ของตัวเอง มีความพร้อมใช้งานของตัวเอง และไม่มีทางเลือกสำรองรองรับหากระบบล่ม

ปัญหาผู้ให้บริการรายเดียวคือสิ่งที่เราเตอร์ถูกสร้างมาเพื่อจัดการ และนั่นคือเหตุผลที่คำถามที่น่าสนใจตรงนี้ไม่ใช่ "พันธมิตรรายไหน" แต่เป็น "กี่ราย" OrcaRouter นำ โมเดล 200+ รายมาไว้ภายใต้ API key เดียว ส่งต่อราคาตามรายการของผู้ให้บริการโดยคิดมาร์กอัป 0% และสามารถเก็บ fallback ไว้ในตารางการกำหนดเส้นทาง เพื่อให้คำขอไปยังโมเดลที่มีปลายทางเดียวไม่กลายเป็นการหยุดให้บริการเมื่อปลายทางนั้นมีช่วงเวลาที่มีปัญหา DSL สำหรับการกำหนดเส้นทางคือจุดที่สิ่งนี้ถูกแสดงออกมา: ขั้นตอนของเอเจนต์ที่ต้องการ MiniMax-M3.1-Flash สามารถระบุชื่อเป็นตัวเลือกแรกและ fall through ไปยังโมเดลที่คุณไว้วางใจอยู่แล้ว โดยที่โค้ดฝั่งผู้เรียกไม่รู้ว่ามีการแทนที่เกิดขึ้น

สิ่งที่กำหนดเส้นทางได้ในแคตตาล็อกของเราวันนี้คือส่วนที่เหลือของตระกูล M​iniMax — MiniMax-M3 และรุ่นอื่น ๆ — ซึ่งเป็นโมเดลที่ต้องนำมาเปรียบเทียบในแง่ต้นทุนด้วยเช่นกัน อัตราค่าบริการของ MiniMax-M3.1-Flash อยู่ที่ครึ่งหนึ่งของ MiniMax-M3 พอดี คือ $0.15 และ $0.60 ต่อโทเคนอินพุตและเอาต์พุตหนึ่งล้านโทเคน เทียบกับ $0.30 และ $1.20 และ Artificial Analysis ประเมินว่าโมเดลที่ใหม่กว่าอยู่ที่ $0.22 ต่องานเบนช์มาร์กหนึ่งงาน เทียบกับ $0.51 สำหรับทราฟฟิกแบบเอเจนต์ ช่องว่างตรงนี้เป็นเรื่องจริง สำหรับงานปริมาณมากที่เป็นการเรียกจำแนกประเภทแบบสั้น ๆ โมเดลเก่าที่ปิดโหมดคิดไว้ยังอาจถูกกว่าได้ เพราะ M3.1-Flash ไม่สามารถปิดโหมดคิดได้เลย

ข้อสรุปที่ยืนได้นั้นแคบ การที่ MiniMax ระบุชื่อ Inferact เป็นพันธมิตรการเปิดตัว API เป็นถ้อยแถลงเกี่ยวกับว่าใครจะให้บริการ MiniMax-M3.1-Flash ซึ่งออกมาสองวันหลังจากโมเดลเปิดตัว โดยบริษัทที่ไม่ได้คิดว่าจะเหมาะสมพอที่จะใส่เรื่องนี้ไว้ในโพสต์เปิดตัว มันเป็นหลักฐานว่าเลเยอร์การให้บริการของโมเดลนี้กำลังถูกสร้างใหม่อย่างจริงจัง มากกว่าจะสืบทอดมาจากของเดิม ซึ่งเป็นสิ่งที่คาดไว้ได้สำหรับโมเดลที่จุดขายทั้งหมดคือ throughput มันไม่ใช่หลักฐานเกี่ยวกับ throughput สำหรับเรื่องนั้น ให้รอตัวเลขชุดแรกจาก Inferact ที่เฉพาะเจาะจงกับโมเดลนี้ และระหว่างนี้ ให้รันมันในสภาพแวดล้อมที่มี fallback รองรับอยู่ด้านหลัง เพราะโมเดลที่มี endpoint เดียวและไม่มี weights ให้ดาวน์โหลด คือโมเดลที่คุณไม่สามารถหาเส้นทางเลี่ยงได้