MiniMax-M3.1-Flash vs MiniMax-M3: Nửa giá, không có trọng số nào

MiniMax-M3.1-Flash có giá đúng bằng một nửa so với MiniMax-M3 trên mỗi token, đạt điểm cao hơn mười ba điểm trên Chỉ số Trí tuệ Artificial Analysis, và là mô hình mà M​iniMax hiện đang chuyển các thuê bao cũ của mình sang dùng. Đây cũng là mô hình đầu tiên trong dòng này mà bạn không thể tải xuống. MiniMax-M3, phát hành ngày 1 tháng 6 năm 2026, là một mô hình mixture-of-experts 428 tỷ tham số với 23 tỷ tham số hoạt động, trọng số được công bố trên Hugging Face, cùng một bảng giá bạn có thể đọc thẳng từ bảng; MiniMax-M3.1-Flash, phát hành ngày 19 tháng 10 năm 2026, là một mô hình đóng với điểm benchmark tốt hơn, đường phục vụ nhanh hơn, và một lời hứa rằng trọng số sẽ xuất hiện "sau này". Câu đó chính là toàn bộ quyết định, còn khoảng cách giá chỉ là thứ khiến bạn xao nhãng khỏi nó — dù mức xao nhãng đủ lớn để đáng bỏ công tính toán trước khi bạn quyết định. Những sự cố AI và sự cố tác nhân đã được ghi nhận đằng sau các bản phát hành như bản này được tập hợp trong Kho lưu trữ Sự cố AI OrcaRouter nơi mỗi mục đều đi kèm nguồn riêng, mức độ nghiêm trọng, xếp hạng độ tin cậy và cờ tranh chấp.

Hai bảng giá thực sự ghi gì

Hãy bắt đầu với tiền, vì tiền là nơi lời quảng cáo và hóa đơn lệch nhau.

• Đầu vào tiêu chuẩn — MiniMax-M3.1-Flash $0.15 mỗi 1M so với MiniMax-M3 $0.30 mỗi 1M, lên đến 512.000 token đầu vào

• Đầu ra tiêu chuẩn — $0.60 mỗi 1M so với $1.20 mỗi 1M, cùng ngưỡng 512,000 token

• Trên 512.000 token đầu vào — MiniMax-M3 tăng gấp đôi lên 0,60 USD cho đầu vào và 2,40 USD cho đầu ra; MiniMax-M3.1-Flash không công bố phụ phí ngữ cảnh dài

• Đọc từ bộ nhớ đệm — $0.015 mỗi 1M so với $0.06 mỗi 1M

• Ưu tiên truy cập — không được cung cấp trên MiniMax-M3.1-Flash; MiniMax-M3 bán dịch vụ này với mức 1,5× giá tiêu chuẩn, tức $0.45/$1.80 dưới ngưỡng và $0.90/$3.60 trên ngưỡng

• Chỉ số Trí tuệ — 42 so với 29, theo Artificial Analysis

• Chi phí mỗi tác vụ Index — $0.22 so với $0.51, mức giảm 57% thay vì 50% như bảng giá ngụ ý

• Cửa sổ ngữ cảnh — 1.000.000 token ở cả hai, mặc dù danh mục của chúng tôi ghi MiniMax-M3 là 1.048.576

• Tốc độ đầu ra — 125,5 token mỗi giây so với 106,4, cả hai đều được đo độc lập

• Trọng số — được hứa công bố sau so với được công bố công khai trên Hugging Face

• Tham số — không được tiết lộ, chỉ được mô tả là "độ thưa thớt mạnh hơn" so với 428B tổng và 23B hoạt động

Hai dòng trong danh sách đó có sức nặng lớn hơn độ dài của chúng gợi ý. Dòng đầu tiên là phụ phí ngữ cảnh dài. Nếu khối lượng công việc của bạn thường xuyên vượt quá 512.000 token đầu vào — một lượt lập trình trên toàn bộ kho mã, một bản ghi dài, một tập tài liệu — thì khoảng cách thực tế không phải 2× mà là 4× ở đầu vào và 4× ở đầu ra, vì MiniMax-M3.1-Flash hoàn toàn không phân bậc giá. Dòng thứ hai là ưu tiên tiếp nhận. MiniMax-M3 có thể mua một làn phục vụ nhanh hơn với giá 1.5×; MiniMax-M3.1-Flash không thể mua làn đó với bất kỳ mức giá nào. Tài liệu tham chiếu API của nó ghi service_tier là không được hỗ trợ. Nếu độ trễ khi chịu tải là lý do bạn trả tiền cho M3, mô hình mới hơn không bán cho bạn cần gạt đó — nó bán cho bạn một đường phục vụ nền tảng nhanh hơn rồi lấy cần gạt đó đi.

Đạt được một nửa chi phí thì dễ hơn đạt được một nửa hóa đơn.

Việc giảm một nửa bảng giá không làm hóa đơn giảm một nửa, và đây là lỗi phổ biến nhất trong lập kế hoạch di chuyển cho cặp mô hình này. MiniMax-M3.1-Flash suy nghĩ ở mọi yêu cầu với mức nỗ lực mặc định là tối đa, không thể bảo nó dừng lại, và rõ ràng là dài dòng: nó đã tiêu thụ 180 triệu token đầu ra trên Intelligence Index, trong khi mô hình trung vị tiêu thụ 99 triệu. MiniMax-M3 cho phép bạn tắt hoàn toàn tính năng suy nghĩ và mặc định tắt tính năng này trên endpoint tương thích với Anthropic.

Hãy gắn con số cụ thể vào. Lấy một công việc gắn thẻ tài liệu: mỗi lần gọi gửi 2.000 token đầu vào gồm schema và hướng dẫn, rồi trả về 80 token JSON. Trên MiniMax-M3 với tính năng suy luận bị tắt, bạn trả 2.000 × $0,30 mỗi triệu cộng 80 × $1,20 mỗi triệu — khoảng $0,0007 mỗi lần gọi. Trên MiniMax-M3.1-Flash, cùng công việc đó, không có cách nào tắt suy luận, tiêu tốn phần đầu vào ở mức $0,15 mỗi triệu nhưng sau đó phát ra một khối suy luận dài đến vài trăm token trước khi đưa ra câu trả lời. Với 500 token suy luận cộng 80 token trả lời, hóa đơn đầu ra là 580 × $0,60 mỗi triệu — xấp xỉ $0,00065. Chỉ rẻ hơn chút xíu, và đó là với một ước lượng suy luận thận trọng. Với 1.500 token suy luận, mô hình mới hơn tốn kém hơn mô hình cũ hơn cho cùng một đầu ra, bởi vì khả năng tắt suy luận của mô hình cũ hơn đáng giá hơn mức giá rẻ hơn của mô hình mới hơn.

Bây giờ hãy thay đổi khối lượng công việc. Một lượt chạy agent đa bước đã dùng 40.000 token đầu ra trên M3 cho các lệnh gọi công cụ và suy luận, với tính năng thinking được bật vì nó cần suy nghĩ. M3 tính phí 40.000 × $1,20 mỗi triệu, tức $0,048. M3.1-Flash với cùng khối lượng tính phí $0,024 — và trên thực tế chi ít hơn, vì các quỹ đạo ngắn hơn, đó là lý do con số chi phí độc lập trên mỗi tác vụ giảm 57% thay vì 50%. Đó là nơi khoản tiết kiệm nằm: công việc dài nặng về suy luận, không phải các lệnh gọi ngắn mang tính xác định.

Quy tắc rút ra từ điều này: nếu bạn có thể mô tả khối lượng công việc của mình là “nhiều câu trả lời nhỏ,” thì MiniMax-M3.1-Flash có thể là mô hình đắt hơn. Nếu bạn có thể mô tả nó là “ít câu trả lời dài,” thì rõ ràng đây là mô hình rẻ hơn.

Trọng số là phần mà bạn không thể đi vòng qua.

Mọi con số ở trên đều có thể đảo ngược. MiniMax có thể giảm giá MiniMax-M3 vào ngày mai; họ cũng có thể tăng giá M3.1-Flash. Điều không thể đảo ngược là giấy phép. MiniMax-M3 có thể tải xuống — tổng cộng 428 tỷ tham số, 23 tỷ tham số hoạt động, trên Hugging Face và được nhân bản trong bản dựng MXFP8 — nghĩa là bạn có thể lượng tử hóa nó, tinh chỉnh nó, chạy nó trên phần cứng của riêng bạn, tiếp tục phục vụ nó sau khi nhà cung cấp chuyển sang hướng khác, và kiểm tra những gì bên trong nó. MiniMax-M3.1-Flash là một endpoint được lưu trữ mà MiniMax cho biết sẽ nhận trọng số sau, không có ngày cụ thể, không có giấy phép và không có số lượng tham số.

Sự bất đối xứng đó thể hiện ở ba điểm mà một so sánh chi phí sẽ không nắm bắt được. Tuân thủ: một nhóm chịu quản lý cần chạy suy luận bên trong vành đai của chính mình, hoặc ghi tài liệu về artefact mô hình mà họ phụ thuộc, không thể dùng MiniMax-M3.1-Flash hôm nay với bất kỳ mức giá nào. Tính liên tục: lịch ngừng hỗ trợ của chính MiniMax đã gộp hai họ mô hình trọn vẹn — M2.5 và M2.7 — vào MiniMax-M3.1-Flash vào ngày 19 tháng 10, với việc ngừng hỗ trợ hoàn toàn vào ngày 18 tháng 11. Các mô hình thực sự có thể bị tắt, và cách duy nhất được bảo đảm để tồn tại qua việc đó là sở hữu một bản sao. Khả năng tái lập: một điểm chuẩn mà bạn không thể chạy lại trên một checkpoint đóng băng là một điểm bạn phải tin tưởng, và mọi con số MiniMax-M3.1-Flash trong bài viết này đều thuộc loại đó.

Nếu M​iniMax phát hành trọng số, phần này sẽ trở nên lỗi thời và ký ức về một mô hình 428B có thể tải xuống với giá 0,30 USD mỗi triệu token sẽ trở thành chú thích thú vị hơn. Cho đến khi điều đó xảy ra, “sau này” chỉ là một lời hứa, và mô hình cũ hơn là thứ bạn có thể nắm giữ.

Khoảng cách về năng lực là có thật và hẹp hơn so với hàm ý của chỉ số.

Mười ba điểm trên Chỉ số Trí tuệ là một bước nhảy lớn — đại khái là một thế hệ mô hình ở mức giá này. Nhưng một phần của khoảng cách đó phản ánh sự thay đổi về cách các mô hình được phép chạy, chứ không phải những gì chúng biết. MiniMax-M3.1-Flash được chấm điểm với suy luận bị buộc bật ở mức nỗ lực tối đa; kết quả chỉ số của MiniMax-M3 được tạo ra theo mặc định của chính nó, mà trên một giao thức nghĩa là tắt suy nghĩ. Một số điểm trong mười ba điểm đó đến từ thang bậc, không phải từ trọng số.

Bằng chứng từ phía nhà cung cấp cũng cho thấy điều tương tự. Các con số công bố khi ra mắt của chính MiniMax cho MiniMax-M3.1-Flash — BankerToolBench 76.2, DeepSWE v1.1 đạt 73.7%, OSWorld V2 đạt 61.7, Agents' Last Exam đạt 29.6, CyberGym đạt 82% — đều là các đánh giá dạng tác tử, mỗi phép đánh giá đều là một bối cảnh mà việc buộc mô hình suy luận tối đa tỏ ra có lợi. Không có so sánh công bố nào với MiniMax-M3 trên cùng các bộ khung đánh giá, vì vậy phát biểu trung thực là mô hình mới hơn làm tốt hơn ở các công việc dạng tác tử với một khoảng cách mà chưa ai bên ngoài MiniMax đo được so với mô hình tiền nhiệm, và rằng chỉ số này gợi ý một sự cải thiện thực sự ở mức dưới mười ba điểm khi giữ nguyên chính sách suy luận.

Điểm không còn gây tranh cãi của sự khác biệt nằm ở khía cạnh vận hành. 125.5 token mỗi giây so với 106.4 là con đường phục vụ nhanh hơn 18%, được đo bởi bên thứ ba và vẫn đúng bất kể khối lượng công việc. Với một công cụ lập trình tương tác, đó chính là sự khác biệt mà người dùng cảm nhận được.

Trường hợp MiniMax-M3.1-Flash là câu trả lời sai

Ba khối lượng công việc nên tiếp tục ở lại trên MiniMax-M3 ngay cả sau lần ra mắt này, và đáng để nêu tên chúng bởi vì các bài đưa tin về ra mắt không làm vậy.

Đầu tiên là bất cứ thứ gì bên trong mạng của chính bạn. Không có phiên bản nào của mô hình mới hơn mà bạn có thể chạy, và không có dấu hiệu nào cho thấy khi nào sẽ có.

Loại thứ hai là công việc khối lượng lớn, ít token, mang tính xác định — phân loại, trích xuất, định tuyến, định dạng — trong đó khả năng tắt chế độ suy nghĩ là tính năng chi phí mang tính quyết định và MiniMax-M3 có tính năng đó.

Điều thứ ba là bất kỳ thứ gì phụ thuộc vào việc được ưu tiên tiếp nhận. Nếu ứng dụng của bạn đã mua gói 1,5× của MiniMax-M3 để giữ độ trễ p99 trong SLA, thì MiniMax-M3.1-Flash loại bỏ lựa chọn đó; bạn sẽ đánh đổi một đòn điều chỉnh có thể kiểm soát lấy một đường cơ sở nhanh hơn mà bạn không thể tinh chỉnh.

Tất cả những ai còn lại — các pipeline tác tử, vòng lặp sử dụng máy tính, phiên lập trình ngữ cảnh dài, những đội có khối lượng công việc kéo dài thay vì nhiều — đều nên chuyển mình. Mô hình mới hơn nhanh hơn, rẻ hơn trên mỗi tác vụ hoàn thành và tốt hơn ở đúng những đánh giá mô tả loại công việc đó.

Vận hành cả hai mà không cần chạy hai tích hợp

Câu trả lời thực tế cho hầu hết các nhóm không phải là chuyển hẳn sang một lựa chọn mà là tách ra: MiniMax-M3 cho các lệnh gọi ngắn mang tính xác định và mọi thứ phải duy trì tại chỗ, MiniMax-M3.1-Flash cho các lượt chạy tác tử dài. Cả hai đều cùng một nhà cung cấp, cùng một họ giao thức, và trong trường hợp endpoint tương thích Anthropic thì cùng dạng yêu cầu — vì vậy việc tách này là một quy tắc định tuyến chứ không phải hai tích hợp SDK.

Đó chính là mục đích của OrcaRouter: một API key dùng chung cho hơn 200 mô hình, với giá niêm yết của nhà cung cấp được chuyển nguyên và không cộng thêm 0%, vì vậy mức $0.30/$1.20 của MiniMax-M3 chính là giá bạn trả, và bản cập nhật từ nhà cung cấp sẽ xuất hiện trên hoá đơn của bạn ngay ngày nó xuất hiện trên hoá đơn của họ. MiniMax-M3 đã có trong danh mục của chúng tôi hôm nay. MiniMax-M3.1-Flash thì chưa — hãy gọi nó qua API riêng của MiniMax, M Plan hoặc MiniMax Code — nên cách tách trên vận hành như một quy tắc định tuyến với một nhánh nằm ngoài hệ thống của chúng tôi cho đến khi chúng tôi hỗ trợ mô hình đó. Tính năng chuyển đổi dự phòng tự động vẫn thực sự hữu ích trong cấu trúc đó: nếu endpoint mới hơn bị giới hạn tần suất hoặc một id thay đổi dưới chân bạn, yêu cầu sẽ chuyển dự phòng sang MiniMax-M3 thay vì trả về trang lỗi.

Điều khiến việc tách này đáng để xây dựng thay vì chỉ lý thuyết suông là hai mô hình thực sự khác nhau về cấu trúc, không chỉ về điểm số. Một router gửi các cuộc gọi ngắn đến mô hình có thể ngừng suy nghĩ, và các cuộc gọi dài đến mô hình không thể, đang làm điều mà các benchmark đã chứng minh là hợp lý.

Phiên bản ngắn

MiniMax-M3.1-Flash là mô hình tốt hơn nhưng lại là tài sản kém hơn. Nó đạt 42 so với 29, chạy nhanh hơn 18% và tốn ít chi phí hơn trên mỗi tác vụ hoàn thành — ít hơn 57% trên một chỉ số được xây dựng từ những công việc dài, nặng về suy luận. MiniMax-M3 có thể tải xuống, rẻ hơn cho các lệnh gọi ngắn và là thứ bạn sở hữu. Trong vài tháng tới, cách tiếp cận hợp lý là chạy cả hai, dồn công việc dài cho mô hình mới và theo dõi việc phát hành trọng số, vì ngày MiniMax công bố checkpoint, lập luận duy nhất còn lại dành cho mô hình cũ là làn ưu tiên.