พารามิเตอร์ MiniMax M3.1 Flash: 428 พันล้านทั้งหมด, 23 พันล้านที่ใช้งาน และตัวเลขที่กำหนดบิลของคุณ

MiniMax M3.1 Flash

สิ่งที่ MiniMax เผยแพร่ออกมาจริง ๆ

MiniMax เปิดตัว MiniMax M3.1 Flash เมื่อวันที่ 19 ตุลาคม 2026 และปล่อยเวตบน Hugging Face เมื่อวันที่ 23 ตุลาคม การ์ดโมเดลตอบคำถามด้านสเปกที่โพสต์เปิดตัวทิ้งไว้อย่างคลุมเครือ และตัวเลขหลายตัวในการ์ดโมเดลแตกต่างจากบทสรุปที่เผยแพร่ในช่วงระหว่างนั้น

• พารามิเตอร์ — รวม 428 พันล้านพารามิเตอร์ และเปิดใช้งาน 23 พันล้านพารามิเตอร์ต่อโทเค็น ในสถาปัตยกรรม mixture-of-experts แบบมัลติโมดัลโดยกำเนิด

• ดาวน์โหลด — 252.4 GB ใน 48 safetensors shard พร้อม DSpark drafter ขนาด 2.3 GB สำหรับการถอดรหัสแบบคาดการณ์

• บริบทและเอาต์พุต — อินพุต 1,000,000 โทเค็น; เอาต์พุตสูงสุด 524,288 โทเค็น

• รูปแบบข้อมูล — ข้อความ รูปภาพ และวิดีโอเป็นอินพุต; ข้อความเป็นเอาต์พุต

• ความแม่นยำ — routed experts และเส้นทาง KV ของ sparse attention ได้รับการฝึกสำหรับ NVFP4, shared experts ถูกเก็บไว้ใน MXFP8 และเส้นทาง query ยังคงเป็น FP8

• การให้บริการ — vLLM, SGLang และ TokenSpeed เป็นเส้นทางที่แนะนำ พร้อมคอนเทนเนอร์ vLLM แบบ day-0 สำหรับ NVIDIA และ AMD

• ราคาบน API แบบโฮสต์ — $0.15 ต่อโทเคนอินพุตหนึ่งล้านโทเคน, $0.60 สำหรับเอาต์พุต, $0.015 สำหรับการอ่านอินพุตจากแคช

• สัญญาอนุญาต — minimax-community ซึ่งระบุบน Hugging Face ว่า code>license: other/code> ซึ่งไม่ใช่ MIT และไม่ใช่ Apache

ยอดรวมเทียบกับยอดที่ใช้งานอยู่: 23 พันล้านกำลังทำอะไรอยู่

โมเดลแบบ dense ขนาด 428 พันล้านพารามิเตอร์จะรันทุกพารามิเตอร์สำหรับทุกโทเคน mixture-of-experts จะกำหนดเส้นทางแต่ละโทเคนไปยังกลุ่มย่อยของผู้เชี่ยวชาญ ดังนั้นปริมาณการประมวลผลต่อโทเคนจึงถูกกำหนดโดยตัวเลข 23 พันล้านที่ active ขณะที่หน่วยความจำที่ใช้ถูกกำหนดโดยยอดรวม 428 พันล้าน การแยกกันเช่นนี้คือเหตุผลที่มักอ้างอิงตัวเลขทั้งสองพร้อมกัน และเป็นเหตุผลว่าทำไมการอ้างอิงเพียงตัวเลขเดียวจึงทำให้เข้าใจผิดในทิศทางที่คาดเดาได้: ตัวเลขรวมบอกว่าคุณต้องใช้ฮาร์ดแวร์แบบใด ส่วนจำนวนที่ active บอกคุณคร่าวๆ ว่าโทเคนหนึ่งๆ มีต้นทุนการประมวลผลเท่าใด

ผลที่ตามมาในทางปฏิบัติคือ การที่มีพารามิเตอร์ที่ใช้งานอยู่ 23 พันล้านตัว ไม่ได้หมายความว่านี่คือ "โมเดลขนาด 23 พันล้านพารามิเตอร์" แต่เป็นโมเดลที่มีพารามิเตอร์ 428 พันล้านตัวสำหรับความรู้ที่จัดเก็บไว้ และพารามิเตอร์ 23 พันล้านตัวสำหรับการทำงานต่อโทเค็น — ซึ่งเป็นคำอธิบายที่สมเหตุสมผลว่าทำไมมันจึงเริ่มทำงานได้เร็วและค่อนข้างหนักในการโฮสต์เมื่อเทียบกัน

ตัวเลข {{1}}252.4 GB{{/1}} คือหน้าตาของสิ่งนั้นใน{{2}}เอกสารจัดซื้อจัดจ้าง{{/2}} ไม่ใช่จำนวนพารามิเตอร์ตามทฤษฎีคูณด้วยสองไบต์ แต่เป็นสิ่งที่คุณต้องพาผ่านการตรวจสอบความปลอดภัย {{3}}การเลือกฝึกด้วย NVFP4{{/3}} คือสิ่งที่ทำให้มันยังคงอยู่ตรงนั้น ใน{{4}}การคำนวณของ vLLM{{/4}} {{5}}เช็กพอยต์ NVFP4{{/5}} มีขนาด {{6}}250.1 GB{{/6}} เทียบกับ {{7}}451.5 GB{{/7}} สำหรับ {{8}}MiniMax-M3{{/8}} ใน {{9}}MXFP8{{/9}} — ลดลง {{10}}44.6%{{/10}} — และ {{11}}KV cache{{/11}} ลดลงจาก {{12}}61,440 ไบต์ต่อโทเคน{{/12}} เหลือ {{13}}34,560{{/13}} ซึ่งเป็น{{14}}การลดลง 43.75%{{/14}} เพราะทั้ง {{15}}ตัวจัดดัชนีแบบ sparse attention{{/15}} และ {{16}}เส้นทาง attention{{/16}} ทำงานใน {{17}}NVFP4{{/17}}

พารามิเตอร์มีต้นทุนเท่าใดในเวลาให้บริการ

สิ่งที่จำนวนพารามิเตอร์บอกคุณไม่ได้คือ concurrency และนั่นคือสิ่งตัดสินว่าการโฮสต์เอง (self-hosting) จะเป็นไปได้จริงหรือไม่ บน GPU NVIDIA B300 จำนวนสี่ตัวที่ลำดับความยาว 256,000 โทเคน vLLM รายงานลำดับที่ประมวลผลพร้อมกันได้ 76 ลำดับสำหรับ MiniMax M3.1 Flash ขณะที่ MiniMax-M3 ซึ่งใช้ FP8 KV cache รองรับได้ 28 ลำดับ — มากกว่าประมาณ 2.7 เท่า ที่ปลายด้านที่ไวต่อ latency ของการรัน GB300 AgentX สแตกนี้รักษาอัตรา 418.9 โทเคนเอาต์พุตต่อวินาทีต่อผู้ใช้ ขณะให้บริการโทเคนรวม 38.6K ต่อวินาทีต่อ GPU; ที่ปลายด้าน throughput ทำได้ถึง 153.8K โทเคนรวมต่อวินาทีต่อ GPU ที่ประมาณ 127 โทเคนต่อวินาทีต่อผู้ใช้ บน Rubin สูตรเดียวกันนี้รายงาน 724.9 โทเคนต่อวินาทีต่อผู้ใช้ และบน AMD MI355X อยู่ที่ 331

นั่นคือ benchmark ของเฟรมเวิร์กบนฮาร์ดแวร์เฉพาะ ซึ่งเผยแพร่โดยเฟรมเวิร์กเอง ไม่ใช่การวัดในสภาพการผลิตที่เป็นอิสระ กระนั้นก็ยังเกี่ยวข้องกับการตัดสินใจมากกว่าแถว benchmark ใด ๆ เพราะโมเดล 428B ที่รองรับ 76 ลำดับ 256K พร้อมกันบน GPU สี่ตัวเป็นวัตถุจัดซื้อที่แตกต่างจากโมเดลที่รองรับได้แปดลำดับ

ต้นทุนของ 23 พันล้านไม่ใช่ราคาของโทเค็น

นี่คือจุดที่เรื่องราวของพารามิเตอร์กับใบแจ้งหนี้แยกทางกัน MiniMax M3.1 Flash ตั้งราคาไว้ที่ $0.15 และ $0.60 ซึ่งเป็นครึ่งหนึ่งของราคาอินพุต และประมาณหนึ่งในสี่ของราคาเอาต์พุตของ Gemini 3.5 Flash-Lite เมื่อวัดด้วยตัวชี้วัดต้นทุนต่องานที่ทำเสร็จของ Artificial Analysis ก็ยังแพ้อยู่ดี: $0.22 เทียบกับ $0.19

เหตุผลปรากฏให้เห็นในชุดข้อมูลเดียวกัน ตลอดดัชนี Intelligence Index โมเดลใช้โทเค็นเอาต์พุตประมาณ 180 ล้านโทเค็น เทียบกับค่ามัธยฐานที่ใกล้ 100 ล้านสำหรับโมเดลที่ Artificial Analysis ติดตามอยู่ การคิดไม่สามารถปิดได้ — API ของ MiniMax จะปฏิเสธ code>thinking: {"type": "disabled"}/code> ด้วยรหัส 400 และตัวปรับเดียวคือระดับความพยายามห้าขั้นจากต่ำถึงสูงสุด โดยมีค่าสูงสุดเป็นค่าเริ่มต้นเมื่อไม่ได้ระบุฟิลด์ โทเค็นการคิดจะถูกคิดเป็นเอาต์พุตและนับรวมกับ code>max_tokens/code>.

ดังนั้น สรุปที่ถูกต้องเกี่ยวกับเศรษฐศาสตร์ของพารามิเตอร์มีว่า จำนวนพารามิเตอร์ที่ใช้งานอยู่นั้นน้อยพอที่จะทำให้โมเดลเร็ว ความยาวของคำตอบนั้นสูงพอที่จะทำให้ใบแจ้งหนี้ไม่น้อยอย่างที่อัตราค่าบริการบ่งชี้ และข้อเท็จจริงสองข้อนี้ไม่มีความเกี่ยวข้องกัน ในงานแบบ agentic และงานเขียนโค้ด โดยทั่วไปการคิดใคร่ครวญคุ้มค่ากับโทเคนที่ใช้ ในงานสกัดข้อมูลหรือการจำแนกประเภทกลับไม่คุ้ม

ผลด้านความสามารถทางปัญญาถือว่าน่าพอใจแต่ยังไม่ถึงระดับแนวหน้า: 43 คะแนนบน Artificial Analysis Intelligence Index เป็นอันดับที่ห้าใน 173 โมเดล โดย Terminal-Bench 4.0 อยู่ที่ 26%, AutomationBench-AA ที่ 73%, GDPval-AA ที่ 1,458 และ SciCode ที่ 53% ผลด้านการงดตอบ (abstention) คือสิ่งที่ต้องนำไปออกแบบให้รองรับ — AA-Omniscience ให้คะแนนไว้ที่ 16 โดยมีอัตราการสร้างข้อมูลเท็จ (hallucination) ถึง 93% หมายความว่าเมื่อมันไม่รู้คำตอบ มันก็ตอบไปเสียเกือบทุกครั้งแทนที่จะปฏิเสธ

ความเร็วที่วัดได้สองวิธี

ตัวเลขความเร็วที่เผยแพร่ไม่ตรงกัน และความไม่ตรงกันนี้ให้ข้อมูลที่เป็นประโยชน์มากกว่าน่าตกใจ Artificial Analysis วัดได้ 1.48 วินาทีถึงโทเค็นแรก ที่ 95.6 โทเค็นเอาต์พุตต่อวินาที; เอกสารของ MiniMax เองอ้างว่าค่ามัธยฐานสูงกว่า 170 โทเค็นต่อวินาที โดยมีค่าสูงสุดเกิน 200 เส้นทางการให้บริการและเงื่อนไขการวัดทำให้ตัวเลขนี้เปลี่ยนแปลงมาก จึงควรอ้างอิงเส้นทางของเราเองแยกต่างหาก: p50 ที่ 1.29 วินาทีถึงโทเค็นแรก และ p95 ที่ 4.40 วินาทีในช่วงเจ็ดวันที่ผ่านมาของทราฟฟิกบนcode>minimax/minimax-m3.1-flash/code>.

นั่นคือลักษณะที่โมเดลแบบกำหนดเส้นทางมี วิธีเปรียบเทียบกับผู้เล่นรายเดิมอย่างตรงไปตรงมาคือวัดเส้นทางของคุณเอง แทนที่จะเชื่อตัวเลขเพียงตัวเดียวจากผู้ขายรายใดรายหนึ่ง

บรรทัดสัญญาอนุญาตเป็นส่วนหนึ่งของข้อกำหนด

ภาระผูกพันสองประการติดไปกับน้ำหนักโมเดล และทั้งสองไม่ปรากฏในจำนวนพารามิเตอร์ การนำไปใช้งานเชิงพาณิชย์ต้องแสดงข้อความ "Built with MiniMax M3" อย่างเด่นชัดบนเว็บไซต์ที่เกี่ยวข้อง ส่วนติดต่อผู้ใช้ โพสต์บล็อก หน้าเกี่ยวกับ หรือเอกสารผลิตภัณฑ์ — โมเดลคือ M3.1 Flash แต่ข้อความแสดงที่มาที่กำหนดยังระบุว่า M3 ซึ่งเป็นรายละเอียดประเภทที่การตรวจสอบทางกฎหมายมักจับได้ช้า และหากมีรายได้ต่อปี 20 ล้านดอลลาร์หรือต่ำกว่า บริษัทต้องแจ้ง MiniMax ทางอีเมลหนึ่งครั้ง หากเกินระดับนั้น ต้องได้รับอนุญาตเป็นลายลักษณ์อักษรล่วงหน้าก่อนการใช้งานเชิงพาณิชย์

ใบอนุญาตนิยามการใช้งานเชิงพาณิชย์ไว้กว้างพอที่จะครอบคลุมผลิตภัณฑ์ที่สร้างบนโมเดลนี้ API เชิงพาณิชย์ที่ต่อยอดจากมัน และการติดตั้งใช้งานที่ผ่านการปรับแต่งเพิ่มเติม สำหรับสตาร์ตอัปที่อยู่ต่ำกว่าเกณฑ์ ค่าใช้จ่ายคืออีเมลหนึ่งฉบับกับบรรทัดแสดงที่มา สำหรับบริษัทที่ใหญ่กว่า นี่คือการเจรจาเรื่องใบอนุญาตตามกรอบเวลาที่ MiniMax ควบคุม DeepSeek V4.1 Flash เผยแพร่ภายใต้ MIT และไม่ต้องแจ้งใด ๆ ทั้งสิ้น ซึ่งเป็นเหตุผลว่าทำไม "open weights" จึงไม่ใช่หมวดหมู่เดียว แม้ทั้งสองเช็กพอยต์จะดาวน์โหลดได้ก็ตาม

โทรหาหรือดาวน์โหลดได้เลย

จุดคุ้มทุนของ open weights เป็นคำถามเรื่องอัตราการใช้งาน ที่ราคา 0.60 ดอลลาร์ต่อโทเค็นเอาต์พุตหนึ่งล้านโทเค็น การสร้างโทเค็นเอาต์พุตหนึ่งพันล้านโทเค็นต่อเดือนมีค่าใช้จ่าย 600 ดอลลาร์ผ่าน API แบบโฮสต์ ส่วน GPU B300 สี่ตัวมีราคาสูงกว่านั้นก่อนรวมค่าไฟ ค่าเครือข่าย และค่าจ้างวิศวกรที่ดูแลสแตกการให้บริการให้เป็นปัจจุบัน การดาวน์โหลดจึงได้เปรียบสำหรับข้อมูลที่ไม่สามารถออกจากสภาพแวดล้อมที่ควบคุมได้ สำหรับการรันไฟน์ทูนที่ต้องการเข้าถึงน้ำหนัก — vLLM รายงานว่า RL แบบ end-to-end ด้วย veRL, FSDP2 และ LoRA แบบ rank-32 บนเช็กพอยต์ NVFP4 และการรัน GRPO 200 สเต็ปที่เพิ่มความแม่นยำของ AIME-2024 จาก 36.3% เป็น 67.5% บน GB300 จำนวน 16 ตัว — และสำหรับงานแบตช์ที่ใหญ่พอจนคลัสเตอร์แบบคงที่คุ้มกว่าบิลแบบคิดตามการใช้งาน

สำหรับคนอื่น ๆ แล้ว เส้นทางแบบโฮสต์คือค่าเริ่มต้นที่สมเหตุสมผล และ MiniMax M3.1 Flash อยู่ในแค็ตตาล็อกของ OrcaRouter ในชื่อcode>minimax/minimax-m3.1-flash/code> ในราคาตามรายการของผู้ให้บริการโดยบวกเพิ่ม 0%: ขาเข้า $0.15 ขาออก $0.60 แคช $0.015 ใช้คีย์เดียวเคียงข้าง MiniMax-M3 และโมเดลที่มักถูกนำมาเปรียบเทียบด้วย การสลับไปใช้ระบบสำรองอัตโนมัติครอบคลุมกรณีที่ผู้ให้บริการเกิดปัญหาชั่วคราว และ routing DSL สามารถส่งขั้นตอนที่ยากของไปป์ไลน์ไปยังโมเดลที่แข็งแกร่งกว่าได้ ขณะที่งานส่วนใหญ่ยังคงอยู่ที่นี่

หากคำถามเรื่องพารามิเตอร์ทำให้คุณมาที่นี่ คำตอบสั้น ๆ คือ 428 พันล้านทั้งหมด และ 23 พันล้านที่ใช้งานอยู่ ส่วนคำตอบแบบยาวคือ ตัวเลขทั้งสองจำนวนนี้ไม่ปรากฏในใบแจ้งหนี้ของคุณ และตัวเลขสองจำนวนที่ปรากฏนั้นคือโทเค็นเอาต์พุตที่โมเดลเลือกจะใช้จ่าย และเกณฑ์สิทธิ์การใช้งานที่คุณอาจข้ามในสักวัน

หมายเหตุแหล่งที่มา: จำนวนพารามิเตอร์ รีพозиторийขนาด 252.4 GB รูปแบบความแม่นยำ เงื่อนไขสัญญาอนุญาต และแถวผลทดสอบมาตรฐานของผู้จำหน่าย มาจากการ์ดโมเดลและเอกสารเปิดตัวของ MiniMax ซึ่งอ่านเมื่อวันที่ 26 ตุลาคม 2026 ขนาดเช็กพอยต์ NVFP4 ไบต์ของ KV-cache ต่อโทเคน ตัวเลขการทำงานพร้อมกัน ตัวเลขทรูพุต และผลลัพธ์ GRPO มาจากโพสต์ day-0 ของ vLLM และเป็นผลทดสอบมาตรฐานของเฟรมเวิร์กบนฮาร์ดแวร์ที่ระบุชื่อ คะแนน Intelligence Index ต้นทุนต่องาน ประมาณการการใช้โทเคน และตัวเลข AA-Omniscience มาจาก Artificial Analysis ราคา ความยาวบริบท และค่า p50 ที่ 1.29 วินาที มาจากแคตตาล็อกของ OrcaRouter และข้อมูลทราฟฟิกเจ็ดวันของเราเอง