Tham số MiniMax M3.1 Flash: Tổng 428 tỷ, 23 tỷ hoạt động và con số quyết định hóa đơn của bạn

MiniMax M3.1 Flash

Điều mà MiniMax thực sự đã công bố

MiniMax đã phát hành MiniMax M3.1 Flash vào ngày 19 tháng 10 năm 2026 và đưa các trọng số lên Hugging Face vào ngày 23 tháng 10. Thẻ mô hình trả lời các câu hỏi về thông số kỹ thuật mà bài đăng ra mắt đã để ngỏ, và một số con số trong đó khác với những bản tóm tắt đã lan truyền trong khoảng thời gian ở giữa.

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

• Tải xuống — 252,4 GB trải trên 48 phân đoạn safetensors, cùng với một drafter DSpark 2,3 GB để giải mã suy đoán.

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

• Phương thức — đầu vào là văn bản, hình ảnh và video; đầu ra là văn bản.

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

• Phục vụ — vLLM, SGLang và TokenSpeed là các lựa chọn được khuyến nghị, với các container vLLM sẵn có ngay từ ngày đầu cho NVIDIA và AMD.

• Giá trên API được lưu trữ — $0.15 mỗi triệu token đầu vào, $0.60 đầu ra, $0.015 cho một lượt đọc đầu vào đã lưu trong bộ nhớ đệm.

• Giấy phép — minimax-community, được khai báo trên Hugging Face là code>license: other/code>, không phải MIT và cũng không phải Apache.

Tổng cộng so với đang hoạt động: 23 tỷ đang làm gì

Một mô hình dày đặc 428 tỷ tham số sẽ chạy mọi tham số cho mỗi token. Một mô hình mixture-of-experts định tuyến mỗi token đến một tập con các chuyên gia, nên phần tính toán trên mỗi token được quyết định bởi con số 23 tỷ tham số hoạt động, trong khi dung lượng bộ nhớ được quyết định bởi tổng số 428 tỷ tham số. Sự tách biệt đó là lý do vì sao hai con số này thường được nêu cùng nhau, và vì sao chỉ nêu một trong hai lại gây hiểu lầm theo một hướng có thể dự đoán được: tổng số cho bạn biết bạn cần loại phần cứng nào, còn số tham số hoạt động cho bạn biết đại khái một token tốn bao nhiêu tính toán.

Hệ quả thực tế là việc có 23 tỷ tham số hoạt động không có nghĩa đó là “một mô hình 23 tỷ tham số”. Đó là một mô hình có 428 tỷ tham số tri thức được lưu trữ và 23 tỷ tham số công việc tính theo mỗi token — một cách mô tả hợp lý cho lý do vì sao nó vừa có thể khởi động nhanh vừa tương đối nặng khi lưu trữ và vận hành.

Con số 252,4 GB là hình hài của điều đó trong một tài liệu mua sắm: không phải số lượng tham số lý thuyết nhân với hai byte, mà là hiện vật bạn phải đưa qua một cuộc đánh giá bảo mật. Lựa chọn huấn luyện NVFP4 chính là thứ giữ nó ở mức đó. Trong cách tính của vLLM, checkpoint NVFP4 là 250,1 GB so với 451,5 GB của MiniMax-M3 ở MXFP8 — mức giảm 44,6% — và KV cache giảm từ 61.440 byte mỗi token xuống 34.560, tức cắt giảm 43,75%, vì cả bộ lập chỉ mục attention thưa lẫn đường xử lý attention đều chạy trong NVFP4.

Các tham số tốn bao nhiêu chi phí tại thời điểm phục vụ

Con số mà số lượng tham số không thể cho bạn biết là khả năng đồng thời, và chính nó quyết định việc tự lưu trữ có khả thi hay không. Trên bốn GPU NVIDIA B300 với chuỗi 256.000 token, vLLM báo cáo 76 chuỗi đồng thời đối với MiniMax M3.1 Flash, trong khi MiniMax-M3 với bộ nhớ đệm KV FP8 chỉ 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 153,8K token tổng cộng mỗi giây trên mỗi GPU ở mức khoảng 127 token mỗi giây trên mỗi người dùng. Trên Rubin, cùng cấu hình đó báo cáo 724,9 token mỗi giây trên mỗi người dùng, và trên AMD MI355X là 331.

Đó là các benchmark của framework trên phần cứng cụ thể, do chính framework công bố, không phải các phép đo độc lập trong môi trường sản xuất. Chúng vẫn liên quan đến việc ra quyết định hơn bất kỳ dòng benchmark nào, vì 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 chỉ chứa được tám chuỗi.

Chi phí của 23 tỷ không phải là giá của một token.

Đây là chỗ câu chuyện về tham số và hóa đơn tách rời nhau. MiniMax M3.1 Flash có giá $0,15 và $0,60, tức bằng một nửa giá đầu vào và khoảng một phần tư giá đầu ra của Gemini 3.5 Flash-Lite. Trên thước đo chi phí cho mỗi tác vụ hoàn thành của Artificial Analysis, nó vẫn thua: $0,22 so với $0,19.

Lý do có thể thấy trong cùng bộ dữ liệu. Trên Chỉ số Trí tuệ, mô hình đã tiêu thụ khoảng 180 triệu token đầu ra, so với mức trung vị gần 100 triệu của các mô hình mà Artificial Analysis theo dõi. Không thể tắt tính năng suy nghĩ — API của MiniMax từ chối code>thinking: {"type": "disabled"}/code> với lỗi 400, và đòn bẩy duy nhất là thang nỗ lực năm bậc từ thấp đến tối đa, với tối đa là mặc định khi trường này bị bỏ trống. Token suy nghĩ được tính phí như đầu ra và được tính vào code>max_tokens/code>.

Vậy bản tóm tắt chính xác về kinh tế học tham số là thế này: số lượng tham số hoạt động đủ nhỏ để giữ mô hình nhanh, mức độ rườm rà đủ cao để khiến hóa đơn không nhỏ như bảng giá gợi ý, và hai sự thật này không liên quan đến nhau. Trong công việc tác nhân và lập trình, sự cân nhắc thường xứng đáng với số token bỏ ra. Trong trích xuất hoặc phân loại thì không.

Kết quả về trí tuệ là đáng nể chứ không phải ở mức tiên phong: 43 điểm trên Artificial Analysis Intelligence Index, đứng thứ năm trong số 173 mô hình, với Terminal-Bench 4.0 đạt 26%, AutomationBench-AA đạt 73%, GDPval-AA đạt 1.458 và SciCode đạt 53%. Kết quả về khả năng từ chối trả lời mới là điểm cần lấy làm trọng tâm thiết kế — AA-Omniscience chấm nó 16 điểm, với tỷ lệ ảo giác 93%, nghĩa là khi không biết câu trả lời, gần như lần nào nó cũng vẫn trả lời thay vì từ chối.

Tốc độ, được đo theo hai cách

Các số liệu tốc độ được công bố không khớp nhau, và sự không khớp này mang tính thông tin chứ không đáng báo động. Artificial Analysis đo được 1,48 giây đến token đầu tiên ở mức 95,6 token đầu ra mỗi giây; tài liệu của chính MiniMax tuyên bố trung vị trên 170 token mỗi giây với các đỉnh trên 200. Đường phục vụ và điều kiện đo lường làm thay đổi con số này rất nhiều, đó là lý do tuyến của riêng chúng tôi đáng được trích dẫn riêng: p50 là 1,29 giây đến token đầu tiên và p95 là 4,40 giây trong bảy ngày lưu lượng gần nhất trên code>minimax/minimax-m3.1-flash/code>.

Đó là hình dạng mà một mô hình được định tuyến có. Cách trung thực để so sánh nó với một mô hình hiện hữu là đo tuyến của chính bạn thay vì tin vào một con số duy nhất từ một trong hai nhà cung cấp.

Dòng giấy phép là một phần của đặc tả.

Hai nghĩa vụ đi kèm với bộ trọng số, và cả hai đều không xuất hiện trong số lượng tham số. Các triển khai thương mại phải hiển thị chuỗi "Built with MiniMax M3" một cách nổi bật trên một trang web, giao diện, bài đăng blog, trang giới thiệu hoặc tài liệu sản phẩm có liên quan — mô hình là M3.1 Flash và phần ghi công bắt buộc vẫn ghi là M3, đúng kiểu chi tiết mà bộ phận pháp chế chỉ phát hiện muộn. Và ở mức doanh thu hằng năm từ 20 triệu USD trở xuống, một công ty phải gửi cho MiniMax một thông báo một lần qua email; trên ngưỡng đó, cần có sự cho phép trước bằng văn bản trước khi sử dụng thương mại.

Giấy phép định nghĩa việc sử dụng thương mại đủ rộng để bao trùm một sản phẩm được xây dựng trên mô hình, một API thương mại chạy trên nền mô hình đó và một triển khai đã được tinh chỉnh. Đối với một startup dưới ngưỡng, chi phí chỉ là một email và một dòng ghi công. Đối với một công ty lớn hơn, đó là một cuộc trao đổi về cấp phép theo tiến độ do MiniMax kiểm soát. DeepSeek V4.1 Flash được phát hành theo giấy phép MIT và không cần thông báo gì cả, đó là lý do vì sao "open weights" không phải là một hạng mục duy nhất ngay cả khi cả hai checkpoint đều có thể tải xuống.

Gọi nó hoặc tải xuống.

Điểm hòa vốn đối với trọng số mở là một câu hỏi về mức độ sử dụng. Với 0,60 USD mỗi triệu token đầu ra, một tỷ token đầu ra mỗi tháng tốn 600 USD qua API được lưu trữ; bốn GPU B300 đã tốn nhiều hơn con số đó trước cả điện, mạng và kỹ sư duy trì ngăn xếp phục vụ luôn hiện hành. Việc tải xuống thắng thế đối với dữ liệu không thể rời khỏi môi trường được kiểm soát, đối với các lần chạy tinh chỉnh cần quyền truy cập trọng số — vLLM báo cáo RL đầu-cuối với veRL, FSDP2 và LoRA hạng 32 trên checkpoint NVFP4, và một lần chạy GRPO 200 bước đã nâng độ chính xác AIME-2024 từ 36,3% lên 67,5% trên 16 GB300 — và đối với các công việc theo lô đủ lớn để một cụm cố định đánh bại hóa đơn tính theo mức sử dụng.

Đối với mọi người khác, tuyến được lưu trữ là lựa chọn mặc định hợp lý, và MiniMax M3.1 Flash nằm trong danh mục OrcaRouter dưới dạng code>minimax/minimax-m3.1-flash/code> theo giá niêm yết của nhà cung cấp với mức cộng thêm 0%: $0.15 đầu vào, $0.60 đầu ra, $0.015 được lưu trong bộ nhớ đệm, một khóa bên cạnh MiniMax-M3 và các mô hình mà nó thường được đưa vào danh sách rút gọn. Chuyển đổi dự phòng tự động xử lý trường hợp nhà cung cấp gặp sự cố tạm thời, và DSL định tuyến có thể gửi bước khó của một pipeline đến một mô hình mạnh hơn trong khi phần lớn vẫn ở đây.

Nếu câu hỏi về tham số đã đưa bạn đến đây, câu trả lời ngắn là tổng cộng 428 tỷ và 23 tỷ đang hoạt động. Câu trả lời dài là cả hai con số đó đều không xuất hiện trên hóa đơn của bạn, và hai con số có xuất hiện là số token đầu ra mà mô hình chọn dùng và ngưỡng giấy phép mà một ngày nào đó bạn có thể vượt qua.

Ghi chú nguồn: số lượng tham số, kho lưu trữ 252,4 GB, lược đồ độ chính xác, điều khoản giấy phép và các hàng benchmark của nhà cung cấp là từ model card và tài liệu ra mắt của MiniMax, được đọc vào ngày 26 tháng 10 năm 2026. Kích thước checkpoint NVFP4, số byte KV-cache trên mỗi token, các con số đồng thời, số liệu thông lượng và kết quả GRPO là từ bài đăng ngày-0 của vLLM và là các benchmark framework trên phần cứng được nêu tên. Điểm Intelligence Index, chi phí mỗi tác vụ, ước tính mức tiêu thụ token và các số liệu AA-Omniscience là của Artificial Analysis. Giá, ngữ cảnh và p50 1,29 giây là từ danh mục của OrcaRouter và lưu lượng bảy ngày của chúng tôi.