Trọng số của MiniMax M3.1 Flash đã được phát hành: 428B, 252 GB và mức giấy phép 20 triệu USD

Trọng số của MiniMax M3.1 Flash đã được đăng tải trên Hugging Face vào ngày 23 tháng 10 năm 2026, bốn ngày sau khi chính mô hình ra mắt vào ngày 19 tháng 10. Bản tải xuống có tổng cộng 428 tỷ tham số với 23 tỷ tham số hoạt động trên mỗi token, và kho lưu trữ có dung lượng 252,4 GB: 48 phân đoạn trọng số cùng một bộ nháp giải mã suy đoán 2,3 GB. Đây là một bản phát hành mở trọng số thực sự, và không phải là một bản phát hành mã nguồn mở. Giấy phép là giấy phép cộng đồng của chính MiniMax, yêu cầu ghi công trong mọi triển khai thương mại và yêu cầu ủy quyền bằng văn bản trước từ MiniMax khi doanh thu hằng năm vượt 20 triệu USD.

Sự khác biệt đó quan trọng hơn số lượng tham số. Bất kỳ ai đọc “open weights” và mặc định đó là MIT hay Apache-2.0 sẽ gặp một bất ngờ trong khâu mua sắm. Bất kỳ ai chỉ cần gọi mô hình thì có lẽ nên bỏ qua hoàn toàn việc tải xuống: API được lưu trữ vẫn có giá 0,15 USD cho mỗi triệu token đầu vào và 0,60 USD cho mỗi triệu token đầu ra, và việc các tệp trọng số mới có mặt được bốn ngày không thay đổi phép tính đó đối với một nhóm gửi vài tỷ token mỗi tháng.

Thực sự có gì trong kho lưu trữ?

Thẻ mô hình trả lời những câu hỏi về thông số kỹ thuật mà bài đăng ra mắt của MiniMax đã để mơ hồ. Những con số nổi bật là thứ cần nắm cho đúng, vì một số trong đó khác với các bản tóm tắt ngày ra mắt từng được lưu hành mà không có thẻ mô hình để đối chiếu.

• Tham số — tổng cộng 428 tỷ, 23 tỷ được kích hoạt trên mỗi token, một kiến trúc hỗn hợp chuyên gia đa phương thức nguyên bản

• Tải xuống — tổng cộng 252,4 GB: 48 phân mảnh safetensors cùng mô hình nháp DSpark 2,3 GB cho giải mã suy đoán

• Ngữ cảnh — 1.000.000 token đầu vào; tối đa 524.288 token đầu ra

• Đầu vào và đầu ra — nhận văn bản, hình ảnh và video; xuất văn bản

• Độ chính xác — các chuyên gia được định tuyến và luồng KV của attention thưa được huấn luyện cho NVFP4, với các chuyên gia chia sẻ được giữ ở MXFP8; luồng truy vấn vẫn ở FP8

• Phục vụ — vLLM, SGLang và TokenSpeed là những lộ trình được khuyến nghị, với các container vLLM sẵn sàng ngay từ ngày đầu cho NVIDIA và AMD

• Giấy phép — minimax-community, được nộp trên Hugging Face dưới dạng license: other

• Giá dịch vụ được lưu trữ — $0.15 đầu vào, $0.60 đầu ra, $0.015 đầu vào được lưu trong bộ nhớ đệm trên mỗi triệu token

Cách phân chia 428B/23B vẫn là cách MiniMax đã công bố kể từ khi ra mắt. 252 GB là thông tin mới đối với bất kỳ ai đang lên kế hoạch triển khai: đó là kích thước thực tế của gói tạo tác mà bạn sẽ phải đưa qua đánh giá bảo mật, chứ không phải số lượng tham số lý thuyết nhân với hai byte. Giới hạn đầu ra là con số khác đáng chú ý. Tài liệu API của MiniMax cho phép 524,288 token đầu ra, cao hơn nhiều so với giới hạn 65,536 token trên Gemini 3.8 Flash và cao hơn DeepSeek V4.1 Flash ở mức 384,000. Đó là năng lực tạo văn bản dài mà bài đăng ra mắt đã không đặt lên hàng đầu.

Giấy phép là phần cần đọc hai lần.

MiniMax gọi đây là bản phát hành trọng số mở, và theo nghĩa thông thường của cụm từ này — các tệp có thể tải xuống, không cần khóa API — thì đúng là vậy. Giấy phép là nơi từ “mở” bắt đầu trở nên ít có sức nặng hơn. Giấy phép Cộng đồng MiniMax cho phép sử dụng, sửa đổi và phân phối lại miễn phí cho các mục đích phi thương mại. Việc sử dụng thương mại được cho phép, nhưng đi kèm hai nghĩa vụ mà MIT không có.

Điều đầu tiên là yêu cầu ghi công. Một bản triển khai thương mại phải hiển thị rõ ràng "Built with MiniMax M3" trên một trang web liên quan, giao diện người dùng, bài đăng blog, trang giới thiệu hoặc tài liệu sản phẩm. Mô hình là M3.1 Flash; chuỗi bắt buộc vẫn ghi là M3, kiểu chi tiết dễ bị bỏ sót cho đến khi bộ phận pháp lý rà soát mới phát hiện ra.

Điều thứ hai là ngưỡng doanh thu. Ở mức doanh thu hằng năm từ 20 triệu đô la trở xuống, một công ty phải gửi cho MiniMax thông báo một lần qua email. Trên 20 triệu đô la, công ty cần có sự cho phép trước bằng văn bản từ MiniMax trước khi sử dụng thương mại. Giấy phép định nghĩa sử dụng thương mại đủ rộng để bao gồm việc cung cấp một sản phẩm hoặc dịch vụ dựa trên mô hình, vận hành một API thương mại dựa trên mô hình đó, và triển khai một phiên bản đã được tinh chỉnh hoặc huấn luyện bổ sung cho các mục đích thương mại. Một doanh nghiệp suy luận được lưu trữ (hosted inference) được xây dựng trên các trọng số này nằm hoàn toàn trong định nghĩa đó.

Đó không phải là lý do để tránh bản phát hành. Đó là lý do để đọc bản phát hành cho đúng. Với một startup dưới ngưỡng, chi phí thực tế là một email và một dòng ghi công. Với một công ty lớn hơn, đó là một cuộc trao đổi về cấp phép với một phòng thí nghiệm Trung Quốc, theo tiến độ do MiniMax kiểm soát. So sánh với DeepSeek V4.1 Flash, vốn được phát hành theo MIT và không cần thông báo gì cả, và sân chơi trọng số mở không hề công bằng ngay cả khi cả hai checkpoint đều có thể tải xuống.

252 GB là con số dễ; 76 chuỗi đồng thời mới là con số hữu ích

Chi tiết serving thú vị đến từ bài đăng day-0 của vLLM, cụ thể hơn tài liệu ra mắt của chính MiniMax. Checkpoint NVFP4 là 250,1 GB theo cách tính của vLLM, so với 451,5 GB cho MiniMax-M3 ở MXFP8 — mức giảm 44,6%. Bộ nhớ đệm KV giảm từ 61.440 byte mỗi token xuống 34.560, tức cắt giảm 43,75%, vì cả bộ lập chỉ mục sparse-attention lẫn đường dẫn attention đều chạy trong NVFP4.

Hệ quả là khả năng đồng thời ở ngữ cảnh dài, đây là con số quyết định liệu tự vận hành có khả thi hay không. Trên bốn GPU NVIDIA B300 với chuỗi 256K token, vLLM báo cáo 76 chuỗi đồng thời đối với M3.1 Flash, trong khi M3 với bộ đệm KV FP8 chứa được 28 — nhiều hơn khoảng 2,7 lần. Ở phía nhạy cảm với độ trễ trong lần chạy GB300 AgentX của nó, ngăn xếp duy trì 418,9 token đầu ra mỗi giây trên mỗi người dùng trong khi phục vụ tổng cộng 38,6K token mỗi giây trên mỗi GPU. Ở phía thông lượng, nó đạt tổng cộng 153,8K token mỗi giây trên mỗi GPU với khoảng 127 token mỗi giây trên mỗi người dùng. Trên Rubin, cùng công thức này báo cáo 724,9 token mỗi giây trên mỗi người dùng, và trên AMD MI355X, nó báo cáo 331.

Đó là các điểm chuẩn của framework trên phần cứng cụ thể, không phải các phép đo độc lập từ môi trường production. Tuy vậy, chúng vẫn là những con số hữu ích nhất trong bản phát hành, vì chúng trả lời câu hỏi mà số lượng tham số không thể: bao nhiêu yêu cầu ngữ cảnh dài vừa trên chiếc máy bạn thực sự có thể thuê. Một mô hình 428B chứa được 76 chuỗi 256K đồng thời trên bốn GPU là một đối tượng mua sắm khác với một mô hình 428B chỉ chứa được tám.

Tự vận hành tốn những chi phí gì, và khi nào API vẫn chiếm ưu thế

Điểm hòa vốn của trọng số mở là câu hỏi về mức sử dụng, không phải câu hỏi về giá. Với $0.60 mỗi triệu token đầu ra, một tỷ token đầu ra mỗi tháng tốn $600 qua API của MiniMax. Bốn GPU B300 tốn nhiều hơn thế rất nhiều để thuê hoặc sở hữu, trước cả điện, mạng và kỹ sư người giữ cho ngăn xếp phục vụ luôn cập nhật. Một đội có thể giữ những GPU đó bận rộn ở mức thông lượng tối đa trong benchmark của vLLM đang mua token với mức giá hiệu dụng rất khác; một đội cần chúng hai giờ mỗi ngày đang trợ cấp cho silicon nhàn rỗi.

Các khối lượng công việc biện minh cho việc tải xuống là những trường hợp mà giá API không phải là ràng buộc quyết định. Dữ liệu không thể rời khỏi môi trường được kiểm soát. Các phiên chạy tinh chỉnh cần quyền truy cập trọng số, nơi vLLM báo cáo RL đầu-cuối với veRL, FSDP2 và LoRA hạng 32 trên checkpoint NVFP4, cùng một phiên chạy GRPO 200 bước đã nâng độ chính xác AIME-2024 từ 36.3% lên 67.5% trên 16 GB300. Các vòng lặp agent nhạy cảm với độ trễ, nơi bước nhảy mạng và hàng đợi của nhà cung cấp là một phần của p95. Và các tác vụ theo lô đủ lớn để một cụm cố định tốt hơn hóa đơn tính theo mức sử dụng.

Đối với mọi người khác, tuyến được lưu trữ vẫn là mặc định hợp lý và bản phát hành không thay đổi điều đó. Các trọng số là một lựa chọn chiến lược, không phải là một khoản cắt giảm chi phí tự động đến theo mặc định.

Những gì trọng số không thể khắc phục

Ba vấn đề vẫn tồn tại nguyên vẹn sau khi tải xuống. Vấn đề đầu tiên là độ tin cậy. Đánh giá AA-Omniscience của Artificial Analysis xếp M3.1 Flash ở vị trí tổng thể thứ 16 với tỷ lệ ảo giác 93%: khi mô hình không biết câu trả lời, gần như lần nào nó cũng trả lời thay vì từ chối. Đó là hành vi đã được đo lường, không phải tuyên bố của nhà cung cấp, và đây là kiểu điều quan trọng hơn ở một tác nhân có thể hành động so với một chatbot có thể bị bỏ qua. Trọng số mở cho phép bạn tinh chỉnh để khắc phục nó; chúng không làm nó biến mất tại checkpoint.

Điều thứ hai là nguồn gốc của benchmark. Các con số công bố khi ra mắt — DeepSWE v1.1 đạt 73.7%, Agents' Last Exam đạt 29.6, OSWorld V2 đạt 61.7, CyberGym đạt 82.2, BankerToolBench đạt 76.2 — là các lần chạy của chính MiniMax trên những harness do MiniMax lựa chọn. Không có con số nào được tái lập độc lập. Thẻ mô hình cảnh báo rõ rằng các bản lượng tử hóa của bên thứ ba có thể khác, và đây là một lời thừa nhận hữu ích: các con số mô tả trọng số chính thức trong cấu hình của MiniMax, chứ không phải bất kỳ kết quả nào mà ngăn xếp phục vụ của bạn tạo ra sau khi bạn lượng tử hóa thêm.

Điều thứ ba là kiểm soát. Không thể tắt Thinking: API của MiniMax từ chối thinking: {"type": "disabled"} bằng HTTP 400, và đòn bẩy duy nhất là thang mức nỗ lực năm bậc từ low đến max, với max là mặc định khi bỏ trống trường này. Token thinking được tính phí như token đầu ra và được tính vào max_tokens. Trên Intelligence Index, mô hình đã tiêu thụ khoảng 180 triệu token đầu ra, cao hơn nhiều so với mức trung vị, đó là lý do chi phí $0.22 cho mỗi tác vụ hoàn thành của nó tốt hơn mức mà đơn giá theo token gợi ý, nhưng vẫn bị chi phối bởi độ dài dòng.

Bây giờ gọi nó là gì

MiniMax M3.1 Flash hiện có thể truy cập qua API riêng của MiniMax, M Plan và MiniMax Code, cũng như qua một số nền tảng bên thứ ba. Hiện nay mô hình này chưa có trong danh mục của OrcaRouter, và bài viết này không khẳng định rằng nó có. Điều mà OrcaRouter định tuyến là phần còn lại của dòng mô hình này và những mô hình mà nó thường được đưa vào danh sách so sánh: MiniMax-M3, DeepSeek V4.1 Flash và Gemini 3.8 Flash đều phản hồi trên một khóa duy nhất, với giá niêm yết của nhà cung cấp và mức cộng thêm 0%, cùng tính năng chuyển đổi dự phòng tự động giữa các tuyến. Nếu bạn đang thử nghiệm M3.1 Flash với một mô hình hiện hành, điều đó mang lại cho bạn phía mô hình hiện hành trong phép so sánh mà không cần hợp đồng thứ hai, đồng thời mang lại cho bạn một nơi để chuyển sang dự phòng trong khi mô hình mới tích lũy lịch sử vận hành.

Nếu bạn tự triển khai, container vLLM là con đường nhanh nhất và công thức NVFP4 chính là công thức mà các con số ở trên mô tả. Nếu bạn đang gọi API, bản phát hành này thay đổi rất ít trong tuần này, ngoại trừ các lựa chọn mua sắm của bạn.

Tóm tắt trung thực là: trọng số là thật, câu chuyện serving mạnh hơn mong đợi, và giấy phép hạn chế hơn mức mà cụm từ “open weights” chuẩn bị cho bạn. MiniMax đã phát hành một mô hình 428B thực sự có thể tải xuống với công thức bốn GPU và dung lượng 252 GB. Hãng chưa phát hành mô hình này theo MIT, và sự khác biệt sẽ quan trọng đối với đúng những công ty đủ lớn để quan tâm đến ngưỡng 20 triệu USD.