MiniMax 指定 Inferact 为 M3.1 Flash 的 API 发布合作伙伴。模型未变——变的是服务层。

2026年10月21日，在 MiniMax-M3.1-Flash 正式全面可用两天后，MiniMax 在 X 上的账号将 Inferact 列为该模型的 API 发布合作伙伴，称赞其在 vLLM 方面的专长，并将此次合作描述为共同构建“面向复杂智能体工作负载的服务基础设施”。这就是全部的公开声明：一条帖子，没有博客文章，没有技术细节。但这仍然值得认真对待，因为这是任何人首次公开谈及这个模型实际上将如何被提供服务——而对于一个主打卖点是三倍速提升的模型来说，服务层绝非脚注。它就是那个卖点本身。像此次发布这类模型背后，有据可查的 AI 故障与智能体事件都被收录在OrcaRouter AI 事件档案中，其中每条记录都附带各自的来源、严重程度、置信度评级以及争议标记。

发布帖不包含的内容

MiniMax 于 2026 年 10 月 19 日为 MiniMax-M3.1-Flash 发布了一篇正式的发布文章：智能体基准测试、成本降低 70%、推理“快了近三倍”。这是一项分量很重的工作，而文中没有出现 Inferact 这个词。文中也没有出现 vLLM。无论这项合作究竟意味着什么，在发布叙事被讲述的那一天，公司并未将其视为发布叙事的一部分。

那个缺口是公告中最能说明问题的地方。一个在两天后才被点名、只出现在一条社交帖子中、没有配套技术说明的发布合作伙伴，其工作仍在进行中。如果 M​iniMax 在正式可用时就已经让 M3.1-Flash 在调优过的第三方技术栈上运行，发布帖本会说明这一点——在具名引擎上首日提供服务，正是厂商会写进正文的那种佐证。相反，这一说法是单独出现的，没有数据，这说明该合作是在它即将成为承诺的时刻被宣布的，而不是在它已经成为成果的时刻被宣布的。

还有第二个较小的空白。10月22日查看时，Inferact 自己的网站合作伙伴列表中带有 MiniMax 标志，并有一条署名 MiniMax 创始人兼 CEO 闫俊杰博士的推荐语。该网站也完全没有提及 MiniMax-M3.1-Flash。其案例研究完全关于其他模型。因此，两家公司已宣布合作，但两家公司的营销网站都尚未从产品层面描述这一合作。应将其视为时效性的证据，而非疑虑的证据：那条 X 帖子才发布两天，而合作伙伴页面更新缓慢。

Inferact 是什么，以及为什么 vLLM 这一细节很重要

Inferact 自称是“由 vLLM 的创造者和维护者创立的公司”。其团队主导 vLLM 的路线图，而引擎本身保持开源、采用 Apache 2.0 许可证，并在 PyTorch Foundation 下由社区治理。正是这种结构，使得这项合作比大多数发布合作伙伴公告更清晰可解：vLLM 不是黑箱，因此 Inferact 为 MiniMax-M3.1-Flash 所做的任何改进，都有相当的机会出现在其他人都在运行的开放引擎中。

这家公司出售的是同一事物的两种形态。Inferact Platform 安装在客户自己的云或数据中心中——网站上的说法是“在你的算力上运行推理”——其控制平面涵盖监控、发布验证、成本跟踪、自动扩缩容、端点管理、计量和可观测性。Inferact Cloud 是同一平台，运行在 Inferact 提供的 GPU 上：“在我们的算力上运行推理。”对于任何把 M​iniMax 公告解读为可用性声明的人来说，这一区别很重要。该模型上的 API 发布合作伙伴，可能意味着由他人运营的托管端点，也可能意味着你安装在自己权重旁边的软件栈。对于闭源模型，只有第一种可能，这就缩小了该合作可能是什么的范围。

为什么这个特定模型首先是一个服务问题，然后才是定价问题

MiniMax-M3.1-Flash 作为一款廉价模型，其形态颇为不同寻常，而正是这种形态，让“如何部署服务”这一问题变得至关重要。

• 思考始终开启 — M​iniMax 的 API 参考文档会针对以下内容返回 HTTP 400：thinking: {"type": "disabled"}，并以相同方式拒绝 reasoning_effort: "none"，因此唯一的控制项是一个从 low 到 max 的五档阶梯；省略该字段即表示 max

• 因此，它受解码瓶颈制约——Artificial Analysis 在其 Intelligence Index 运行中记录到消耗了 1.8 亿个输出 token，而同一追踪器上模型的中位数为 9900 万个。

• 上下文窗口为 1,000,000 个 token，因此 KV 缓存内存成为限制节点可承载并发 agent 会话数量的硬性约束

• 智能体循环会复用一大段前缀——相同的系统提示、工具 schema 和文件上下文会在每一步中重复出现——因此前缀缓存可直接转化为延迟和成本上的收益

输出速度实测为每秒 125.5 个 token，首 token 时间为 1.04 秒；这在同类中算快的，但一旦出现并发长文本生成的排队，这个数字也是最先被拉低的。

把这些结合起来，你就会得到一种工作负载特征，它恰好有利于 vLLM 天生擅长的那些能力：分页注意力让百万 token 的上下文不必连续存放，前缀缓存让智能体步骤不必重复预填充相同的工具定义，连续批处理让上百条未完成的推理轨迹共享硬件，而不是彼此排队。MiniMax 自己宣称的峰值每秒 200+ token、中位数每秒 170+ token，既是关于内核的主张，也同样是对调度的主张。发布文章中的 3× 加速并不是单靠更好的矩阵乘法就能产生的。

存在的数，以及不存在的数

Inferact 发布了性能数据，而这些数据值得仔细阅读，留意它们各自对应的是什么。其网站宣称，在发布当天，Kimi-K3 上批大小为 1 时达到每秒 464 个 token；在 TPU 上使用其首个 megakernel 时，每用户每秒 709 个 token；在同一模型上，SemiAnalysis AgentX 中每美元 1830 万个 token；以及在 2026 年 5 月于 Artificial Analysis 排名第一。上述每一项都是关于 Inferact 在不同模型上的工程能力的说法，由 Inferact 自己发布，本文没有将其中任何一项作为关于 MiniMax-M3.1-Flash 的事实来复述。

截至10月22日，根本不存在任何关于 M3.1-Flash 在 Inferact 技术栈上的数据：没有每秒 token 数，没有首 token 时间，没有每百万 token 成本，也没有并发曲线。这项公告是一个没有测量数据支撑的承诺。发布两天后，这很正常，而这也是唯一值得关注的理由——合作对买家的价值将完全取决于这些数字最终是否会超过 M​iniMax 自家提供的水平，而眼下，两家公司之外的任何人都不知道 M​iniMax 自家提供的水平究竟如何。

这就是证据的实际情况。该模型唯一独立测得的吞吐量来自 Artificial Analysis，为每秒 125.5 个 token；而且这是来自单一测试框架的单流数据，并非服务基准测试。它只能说明该模型可以快速生成。它完全无法说明一美元能换来多少并发用户。

合作伙伴公告的实际价值究竟有多大

单看它自己，算不上什么，却又不止于虚无。有三样东西让它不止于虚无。

第一点在于，它是第二家实现方。一个只由一家公司提供的模型，意味着只有一种运维意见；而当这种意见经历糟糕的一周时，你的产品也会经历糟糕的一周。而一个具名的合作伙伴，意味着有第二个团队读过这套架构，找到了真正关键的 kernel，并且以足够公开的方式做出承诺，以至于一旦交付失败就会颜面尽失。这是一个微弱的信号，但它是真实的，而且这与让第二个云区域值得付费的逻辑如出一辙。

第二点是围绕智能体工作负载的定位框架。M​iniMax 并没有把这次合作描述为“更快的推理”，而是将其描述为面向“复杂智能体工作负载”的服务基础设施——这是一个比聊天吞吐量更具体、也更困难的问题：长生命周期的会话、与生成交织进行的工具调用、必须跨多个步骤持续存在的前缀，以及随轨迹长度而非提示数量增长的成本。为这一问题而选择的合作伙伴，就是为 M​iniMax 在市场推广中让该模型所针对的那种工作负载而选择的合作伙伴。这一选择是否正确，目前尚无法验证。

第三点是，它给运营层面的说法标定了时间。MiniMax-M3.1-Flash 已全面可用三天。权重尚未发布——公司表示“将在之后发布”，但没有给出日期——因此既没有自托管的退路，独立第三方也无法在自己的硬件上对该模型进行基准测试。目前，关于该模型在生产环境中表现如何的一切，都要经由提供服务的一方来传递。一个发布合作伙伴只是未来需要列出的一份名单中的第一项。

如果你正在选择在哪里运行它，这意味着什么

MiniMax-M3.1-Flash 不在 OrcaRouter 目录中。目前可通过 MiniMax 自己的 API、其 M Plan 和 MiniMax Code，以及——根据 10 月 21 日的公告——通过 Inferact 调用它。这就是我们能担保的完整清单，而其中没有一个是路由器：上述每一项都只是获取该模型的一个渠道，各有自己的速率限制、自己的可用性，而且一旦它宕机，背后没有第二个选项。

单供应商问题正是路由器要解决的，这也是为什么这里值得关注的问题不是“哪个合作伙伴”，而是“多少个”。OrcaRouter 将200+ 个模型置于一个 API 密钥之后，以 0% 加价透传供应商的标价，并且可以在路由表中保留一个后备项，这样当某个只有一个端点的模型所对应的端点出现短暂故障时，对该模型的请求就不会演变成服务中断。路由 DSL 正是表达这一点的地方：一个需要 MiniMax-M3.1-Flash 的智能体步骤可以先指定它，再回落到一个你已经信任的模型，而调用代码无需知道发生了替换。

目前我们目录中可路由的是 M​iniMax 系列的其余部分——MiniMax-M3 等——它也是在成本上需要对比的模型。MiniMax-M3.1-Flash 的价目表恰好是 MiniMax-M3 的一半：每百万输入和输出 token 分别为 0.15 美元和 0.60 美元，而后者为 0.30 美元和 1.20 美元；Artificial Analysis 给出的数据是，较新的模型每项基准任务 0.22 美元，而后者为 0.51 美元。对于智能体流量来说，这一差距是真实存在的。对于大批量的短分类调用任务，关闭思考的旧模型仍可能更便宜，因为 M3.1-Flash 根本无法关闭思考。

站得住脚的总结很有限。MiniMax 将 Inferact 列为 API 发布合作伙伴，这一表态说明的是谁将运营 MiniMax-M3.1-Flash；它是在该模型发布两天后作出的，而这家公司认为没必要把它写进发布文章。这证明该模型的推理服务层正在被主动重建，而不是沿用旧有基础；对于一个整个卖点就是吞吐量的模型来说，这正是你会预料的。这并不是关于吞吐量的证据。要判断吞吐量，请等待 Inferact 专门针对该模型发布的第一批数据——与此同时，把它放在有后备方案兜底的地方运行，因为一个只有一个端点且没有可下载权重的模型，是你无法通过路由绕开的模型。