MiniMax M3.1 Flash vs Qwen 3.8 Flash: Cùng giá đầu vào, kiến trúc đối lập

MiniMax-M3.1-Flash và Qwen3.8-Flash có cùng mức giá mười lăm cent cho mỗi triệu token đầu vào và được xây dựng trên những lý thuyết không tương thích về việc tiền đi đâu. MiniMax-M3.1-Flash, được cung cấp rộng rãi kể từ ngày 19 tháng 10 năm 2026, là một mô hình đóng có khả năng suy luận ở mọi lần gọi dù bạn có muốn hay không và tạo ra 125,5 token mỗi giây. Qwen3.8-Flash là một hỗn hợp chuyên gia 125 tỷ tham số, kích hoạt khoảng sáu tỷ tham số trong số đó cho mỗi token, tạo ra khoảng 51,6 token mỗi giây trên checkpoint được đo độc lập và bán token đầu ra rẻ hơn mười ba cent. Một bên nhanh và dài dòng; bên kia chậm và ngắn gọn. Bên nào rẻ hơn trên lưu lượng của bạn phụ thuộc vào một tỷ lệ mà hầu hết các nhóm chưa từng đo, và đó là câu hỏi thực sự duy nhất trong so sánh này. Những thất bại AI và sự cố tác nhân được ghi nhận đằng sau các bản phát hành như bản này được tập hợp trong OrcaRouter AI Incident Archive trong đó mỗi mục có nguồn, mức độ nghiêm trọng, cấp độ tin cậy và cờ tranh chấp riêng.

Một điều cần sửa trước khi bàn đến các con số, vì nó ảnh hưởng đến từng hàng bên dưới. Qwen3.8-Flash là một sản phẩm được cung cấp dưới dạng dịch vụ. Thứ bạn có thể tải xuống là Qwen3.8-Flash-Next, vốn dùng chung kiến trúc nhưng không dùng chung tên gọi, giấy phép hay nhất thiết là hành vi — và những con số đánh giá độc lập hiện có là dành cho Flash-Next, không phải cho Flash bản dịch vụ. Điểm số duy nhất được đo độc lập của MiniMax-M3.1-Flash là dành cho chính mô hình đó, vì không có thứ gì khác để đo. Chỗ nào một con số bên dưới là số của nhà cung cấp thì ghi rõ như vậy; chỗ nào là của Artificial Analysis thì ghi rõ như vậy; chỗ nào hàng đó không thể so sánh một cách trung thực thì hàng đó nói đúng như thế.

Hai kiến trúc này không phải là hai cấu hình của cùng một thiết kế.

Mô hình của Qwen là mô hình dễ hiểu hơn trong hai mô hình, và các con số của nó được công bố đủ chi tiết để có thể suy luận. Qwen3.8-Flash có 48 lớp với 512 chuyên gia mỗi lớp, mười chuyên gia được định tuyến cộng với một chuyên gia dùng chung, sử dụng tổng cộng 125 tỷ tham số với khoảng 6 tỷ tham số hoạt động cho mỗi token — độ thưa khoảng 95%. Bên cạnh chồng chuyên gia, nó còn mang một bảng nhúng n-gram 51 tỷ tham số và một đầu dự đoán đa token 4 tỷ tham số, nên sản phẩm lưu trữ gần với 180 tỷ tham số hơn là 125 tỷ. Dự đoán đa token là phần quan trọng đối với tốc độ: nó cho phép mô hình đề xuất nhiều token trong mỗi lượt truyền xuôi và xác minh chúng, đó là cách một mô hình thưa đến vậy vẫn có thể sử dụng được.

MiniMax chưa công bố số lượng tham số tương đương cho MiniMax-M3.1-Flash. Bài đăng ra mắt nói về kết quả — các benchmark tác tử, tuyên bố giảm 70% chi phí sử dụng, suy luận “nhanh gần gấp ba lần” so với bản xem trước — chứ không nói về cấu trúc của mạng. Sự bất đối xứng đó tự nó là một dữ kiện về hai sản phẩm: Qwen đang bán một kiến trúc mà về nguyên tắc bạn có thể tự triển khai, MiniMax đang bán một dịch vụ. Đối với một trang so sánh, điều đó có nghĩa lập luận về kiến trúc chỉ chạy theo một chiều. Bạn có thể nói chắc chắn vì sao Qwen3.8-Flash nhanh trên mỗi tham số hoạt động. Bạn không thể nói gì về lý do MiniMax-M3.1-Flash nhanh, vì nhà cung cấp không cho bạn biết.

Mỗi chiều một dòng, cả hai bên trên mỗi dòng

• Giá đầu vào — $0.15 mỗi triệu token ở cả hai, và đó chính là nguồn gốc của sự trùng hợp tạo nên khung cho trang này

• Giá đầu ra — MiniMax-M3.1-Flash ở mức 0,60 USD mỗi triệu, so với Qwen3.8-Flash ở mức 0,47 USD, khoảng cách 28% bất lợi cho MiniMax

• Bộ nhớ đệm — M​iniMax tính $0,015 cho mỗi triệu token đầu vào được lưu trong bộ nhớ đệm; QwenCloud niêm yết $0,016 cho mỗi triệu lượt đọc bộ nhớ đệm và $0,20 cho mỗi triệu lượt tạo bộ nhớ đệm tường minh, vì vậy bộ nhớ đệm của M​iniMax là lựa chọn đơn giản hơn và rẻ hơn một chút trong hai lựa chọn.

• Ngữ cảnh — MiniMax-M3.1-Flash ở 1.000.000 token; Qwen3.8-Flash mặc định ở 1.000.000 token với đầu vào tối đa 991.000 token và đầu ra tối đa 131.000 token

• Năng lực độc lập — Artificial Analysis chấm MiniMax-M3.1-Flash 42 điểm trên Chỉ số Trí tuệ của mình, xếp thứ 41 trong số 173 mô hình; cùng công cụ theo dõi đó chấm Qwen3.8-Flash-Next 40 điểm, và không có điểm chỉ số nào được công bố cho phiên bản Qwen3.8-Flash được lưu trữ

• Tốc độ đầu ra — 125,5 token mỗi giây và thời gian đến token đầu tiên là 1,04 giây đối với MiniMax-M3.1-Flash; 51,6 token mỗi giây đối với Qwen3.8-Flash-Next trên cùng trình theo dõi, đây là con số so sánh tương đương gần nhất hiện có

• Chi phí cho mỗi tác vụ đã hoàn thành — $0.22 đối với MiniMax-M3.1-Flash trên bộ khung riêng của tracker; không có số liệu tương đương nào được công bố cho một trong hai sản phẩm Q​wen

• Độ rườm rà — 180 triệu token đầu ra được tiêu thụ trong lần chạy Intelligence Index của MiniMax-M3.1-Flash, so với mức trung vị 99 triệu của các mô hình trên bảng theo dõi; Qwen không công bố con số tương đương

• Kiểm soát suy luận — M​iniMax trả về HTTP 400 nếu bạn gửi thinking: {"type": "disabled"} và từ chối reasoning_effort: "none", để lại một thang năm bậc với giá trị mặc định là max; A​libaba ghi nhận cả chế độ thinking và non-thinking cho dòng Qwen3.8, nên đây là dòng duy nhất mà tài liệu của hai nhà cung cấp không thể so sánh trực tiếp và bạn nên kiểm tra nút bật/tắt trên endpoint của mình thay vì tin vào một trong hai trang

• Trọng số — MiniMax cho biết trọng số của MiniMax-M3.1-Flash "sẽ được phát hành sau" mà không có ngày cụ thể; trọng số của Qwen3.8-Flash hoàn toàn không được công bố, và bản có thể tải xuống Qwen3.8-Flash-Next được phát hành theo Q​wen Community License 1.0 thay vì Apache 2.0

• Phương thức đầu vào — văn bản và hình ảnh trên cả hai, trong đó Qwen3.8-Flash cũng nhận video và cả hai chỉ trả về văn bản

Mức chênh lệch về giá đầu ra nhỏ hơn so với sản lượng đầu ra

Mười ba xu trên một triệu token đầu ra nghe như một sai số làm tròn bên cạnh con số tiêu đề 28%. Nhưng trên một khối lượng công việc thực tế, nó có thể là toàn bộ quyết định, theo hướng ngược lại với bảng giá niêm yết, bởi vì hai mô hình không tạo ra cùng một số lượng token cho cùng một công việc.

MiniMax-M3.1-Flash không thể ngừng suy nghĩ. Tài liệu tham chiếu API của nó trả về lỗi 400 cho yêu cầu hiển nhiên là vô hiệu hóa tính năng này, và thông số điều chỉnh duy nhất là mức độ nó suy nghĩ kỹ đến đâu — từ thấp đến tối đa, mặc định là tối đa. Artificial Analysis đã đo được hệ quả: 180 triệu token đầu ra trong lượt chạy chỉ mục của nó, trong khi mô hình trung vị trên cùng trình theo dõi đó chỉ tiêu tốn 99 triệu. Đó là 1,8× khối lượng đầu ra của một mô hình điển hình, và token suy nghĩ được tính phí như token đầu ra và bị tính vào mức trần max_tokens của bạn.

Hãy tính toán trên một trường hợp cố tình đơn giản. Một khối lượng công việc tốn một đô-la token đầu ra trên một mô hình trung vị sẽ tốn 1,82 đô-la trên MiniMax-M3.1-Flash nếu tỷ lệ dài dòng giữ nguyên. Cùng khối lượng công việc đó trên Qwen3.8-Flash với giá 0,47 đô-la thay vì 0,60 đô-la sẽ tốn 0,78 đô-la trước mọi điều chỉnh theo lưu lượng — và nếu chế độ không suy nghĩ của Qwen khả dụng và bạn dùng nó, thì không có khối lượng suy nghĩ nào phải trả tiền cả. Trên lưu lượng chủ yếu là đầu ra, khoảng cách mười ba xu và mức dài dòng 1,8× nhân lên thành chênh lệch tổng thể gần 2,3×. Đó là lý lẽ chống lại MiniMax-M3.1-Flash được nói thẳng thắn đúng như mức nó xứng đáng.

Lý do để chọn nó là tốc độ, và tốc độ không phải là một lợi ích mềm khi khối lượng công việc mang tính agent. Ở mức 125,5 token mỗi giây so với 51,6, MiniMax-M3.1-Flash tạo ra đầu ra nhanh hơn khoảng 2,4 lần, nghĩa là một vòng lặp sử dụng công cụ nhiều bước mà Qwen cần hai mươi giây để sinh ra thì MiniMax chỉ mất tám giây. Nếu agent của bạn thực hiện bốn mươi lần gọi mô hình để hoàn thành một tác vụ, thì đó là khác biệt giữa một tác vụ mười ba phút và một tác vụ năm phút, và độ trễ như vậy thay đổi những gì bạn có thể xây dựng chứ không chỉ là bạn phải trả bao nhiêu. Điều đó cũng có nghĩa là số token thừa của MiniMax đến trong ít thời gian thực hơn so với số token ít hơn của Qwen, và đây chính là câu khiến lập luận về độ dài đầu ra trở nên phức tạp thay vì mang tính quyết định.

Hai bảng benchmark của nhà cung cấp mà bạn không thể đặt cạnh nhau

Cả hai công ty đều đã công bố đánh giá, và cả hai bộ đều không thể dùng để so sánh trực tiếp, vì một lý do đáng nói thẳng ra thay vì né tránh.

Bảng của MiniMax cho MiniMax-M3.1-Flash bao gồm BankerToolBench ở mức 76,2; DeepSWE v1.1 ở mức 73,7%; OSWorld V2 ở mức 61,7; Agents' Last Exam ở mức 29,6 và CyberGym ở mức 82%, đồng thời mô tả kết quả AutomationBench-AA của mình là thuộc nhóm đạt thành tích hàng đầu mà không công bố điểm số. Bảng của Alibaba cho Qwen3.8-Flash-Next bao gồm SWE-bench Pro ở mức 62,5; DeepSWE 1.1 ở mức 58,7; CoWorkBench ở mức 73,9; AndroidWorld ở mức 84,5; MathVision ở mức 95,7 và JobBench ở mức 55,7. Hai danh sách chỉ có chung đúng một tên benchmark — DeepSWE v1.1 — và ở đó các con số của nhà cung cấp là 73,7% so với 58,7%, một khoảng cách mười lăm điểm trông có vẻ quyết định nhưng không thể so sánh được, bởi vì hai con số đó dành cho những mô hình khác với những mô hình trên trang này (một là Flash-Next được host, còn lại là M3.1-Flash) và bởi vì không công ty nào công bố harness, scaffold hay tiêu chí đạt.

Các bảng này hữu ích ở chỗ giúp đọc ý định. M​iniMax đo lường việc sử dụng máy tính, các tác vụ chuyên môn dài hạn và phát hiện lỗ hổng — hồ sơ của một mô hình được thiết kế để vận hành phần mềm. A​libaba đo lường lập trình, toán đa phương thức và điều khiển thiết bị di động — hồ sơ của một mô hình được thiết kế để nhúng vào ứng dụng trên nhiều phương thức. Không bảng nào chứa số của đối thủ cạnh tranh, và không bảng nào nên được dùng như thể có.

Giấy phép thực sự cho phép những gì

Câu chuyện về trọng số mở là dòng mà hầu hết người mua đều hiểu sai, theo cả hai hướng.

Qwen3.8-Flash không phải là mô hình mở. Thứ thực sự mở là Qwen3.8-Flash-Next, và sự khác biệt không chỉ là bề ngoài: đây là một sản phẩm riêng biệt, được công bố vào ngày 26 tháng 8 năm 2026, được phòng thí nghiệm của chính Alibaba mô tả là bản xem trước của kiến trúc sẽ làm nền tảng cho Qwen4, được phát hành dưới dạng 131 shard với tổng dung lượng khoảng 360 GB ở bf16 và FP8, không kèm bản lượng tử hóa GGUF nào do nhà cung cấp phát hành. Mô hình đi kèm Qwen Community License 1.0, đây không phải Apache 2.0 và cũng không phải loại giấy phép mà nhiều nhóm vẫn tưởng khi nghe đến "trọng số Qwen". Bất kỳ ai dự định tải Flash và chạy cục bộ nên đọc giấy phép đó trước khi tính toán phần cứng, vì 360 GB trọng số không vừa trên một accelerator duy nhất và các bản lượng tử hóa từ cộng đồng là cách duy nhất để giảm dung lượng.

MiniMax-M3.1-Flash là mô hình đóng đi kèm một lời hứa. Bài đăng ra mắt nói rằng trọng số "{{1}}sẽ được phát hành sau này{{/1}}" và không đưa ra ngày, giấy phép hay kích thước. Đó là một vị thế yếu hơn hẳn so với Q​wen — một thứ bạn có thể tải xuống ngay hôm nay theo một giấy phép hạn chế vẫn hơn một thứ mà có thể bạn sẽ tải được vào một lúc nào đó theo những điều khoản chưa rõ — nhưng nó không phải là không có gì, và đây là điều duy nhất có khả năng cao nhất làm thay đổi bài toán cân nhắc trên trang này. Nếu M​iniMax phát hành trọng số, việc so sánh giá sẽ không còn quan trọng với bất kỳ ai có GPU, và lợi thế về độ thưa mà Q​wen đạt được với 6 tỷ tham số hoạt động sẽ phải đối mặt với một đối thủ cũng có thể được phục vụ trên phần cứng của chính bạn.

Hôm nay nên gọi cái nào?

Cả hai đều có thể truy cập qua OrcaRouter, tuy không ngang nhau. Qwen3.8-Flash có trong danh mục với mã qwen/qwen3.8-flash, một trong hơn 200 mô hình đứng sau một khóa API duy nhất với giá niêm yết của nhà cung cấp được chuyển nguyên mức 0% phụ phí. MiniMax-M3.1-Flash không có trong danh mục; nó có thể được gọi qua API riêng của M​iniMax, M Plan và M​iniMax Code của hãng, và qua đối tác cung cấp dịch vụ mà M​iniMax nêu tên ngày 21 tháng 10. Thứ có thể định tuyến từ phía M​iniMax là phần còn lại của dòng sản phẩm — trong đó có MiniMax-M3 — vì vậy một nhóm muốn thử so sánh trên lưu lượng của chính mình có thể đặt qwen/qwen3.8-flash và minimax/minimax-m3 sau một khóa và đo lường, thay vì đọc hai bảng của nhà cung cấp rồi đoán.

Phép đo đó đáng để thực hiện trước khi cam kết, vì hai mô hình thất bại theo những cách trái ngược nhau trên một benchmark. MiniMax-M3.1-Flash sẽ trông đắt đỏ tính theo token và rẻ tính theo tác vụ hoàn thành nếu công việc của bạn mang tính tác tử, với những quỹ đạo dài mà mô hình hoàn tất trong ít lượt đi về hơn vì mỗi lượt đều nhanh. Qwen3.8-Flash sẽ trông rẻ hơn trên mọi dòng của hóa đơn và sẽ trông kém hơn trong bất kỳ vòng lặp nào nhạy cảm với độ trễ, vì 51,6 token mỗi giây là một ràng buộc thực sự khi một tác tử cần bốn mươi phản hồi tuần tự. Cả hai điều đó đều không phải là khiếm khuyết. Chúng là hai thiết kế đang vận hành đúng như dự định.

Kết luận ngắn gọn: nếu bạn đang xây dựng một agent vận hành phần mềm và trả tiền theo tác vụ hoàn thành thay vì theo token, tốc độ của MiniMax-M3.1-Flash đáng giá so với mức độ dài dòng của nó, và trọng số đóng của nó là cái giá phải trả để tham gia cho đến khi MiniMax phát hành chúng. Nếu bạn đang chạy trích xuất, phân loại hoặc tạo sinh khối lượng lớn, nơi độ dài đầu ra bị giới hạn và độ trễ không phải là ràng buộc, Qwen3.8-Flash rẻ hơn trên bảng giá và càng rẻ hơn khi bạn ngừng trả tiền cho các token suy luận mà bạn không yêu cầu — và nếu bạn cần sở hữu mô hình thay vì thuê nó, Qwen3.8-Flash-Next là lựa chọn duy nhất trong hai mô hình mà bạn thực sự có thể nắm giữ, theo một giấy phép mà bạn nên đọc trước.