Ulasan MiniMax M3.1 Flash: benchmark, kecepatan, dan bedanya dengan M3

MiniMax merilis M3.1 Flash pada 19 Oktober 2026 dengan harga $0.15 per satu juta token input dan $0.60 per satu juta token output, setengah tarif M3, dan Artificial Analysis memberinya 29 pada Intelligence Index sementara M3 mendapat 19 (diperiksa 30 Oktober 2026). Dalam lima panggilan berdampingan, model inilah yang lebih cermat: ia menulis merge_intervals yang benar di tempat uji milik M3 sendiri gagal. Ia juga selalu berpikir: ia menulis sekitar 2.4 kali lipat token output dan butuh waktu lebih lama pada 4 dari 5 tugas.

Seperti M3, ini model mixture-of-experts 428B parameter dengan 23B aktif per token, jendela konteks 1M token, dan bobot terbuka (kartu model Hugging Face, diperiksa 30 Oktober 2026).

Jawaban singkat

• Setengah harga per token. $0.15 masuk dan $0.60 keluar per juta token, dibanding $0.30 dan $1.20 di M3, dengan input cache $0.015 dibanding $0.06 (halaman harga MiniMax, diperiksa 30 Oktober 2026).
• Indeks lebih tinggi, skor agen lebih kuat. Artificial Analysis memberinya 29 lawan 19 milik M3, dan di tabel kartu model MiniMax ia memimpin Automation-Bench pada 62.8 serta menyamai Opus 5 pada 76.2 di BankerToolBench.
• Setiap panggilan berpikir lebih dulu. Berpikir tidak bisa dimatikan, effort default ke max, dan dalam jalankan kami ia menulis 3,420 token output lawan 1,408 milik M3.
• Biaya per tugas bergantung pada panjangnya. Pada lima panggilan pendek kami biayanya $0.00220 lawan $0.00195 milik M3; pada tugas indeks panjang Artificial Analysis biayanya $0.49 lawan $1.29.
• Penilaian kami: Flash adalah default yang lebih baik untuk coding dan pekerjaan agen. M3 masih menang pada panggilan pendek yang sensitif latensi, tempat token lebih sedikit lebih penting daripada harga yang lebih murah.

Apa itu MiniMax M3.1 Flash?

Ini M3 dengan tiga perubahan yang menurut MiniMax meningkatkan efisiensi inferensi. MiniMax M3.1 Flash hadir pada 19 Oktober 2026 (catatan rilis MiniMax, diperiksa 30 Oktober 2026), dengan 428B parameter total dan 23B aktif per token, bentuk yang sama dengan MiniMax M3. Perubahannya: perhatian sparse menggantikan tiga lapisan perhatian penuh pertama, pelatihan sadar kuantisasi, dan decoding spekulatif DSpark (kartu model Hugging Face, diperiksa 30 Oktober 2026).

Tanggal berasal dari catatan rilis MiniMax, ukuran dari kartu model Hugging Face, harga dari halaman harga MiniMax, semuanya diperiksa 30 Oktober 2026. Kedua model menerima konteks 1M token dan merekomendasikan 131,072 token output, dengan 524,288 sebagai maksimum (referensi API chat MiniMax, diperiksa 30 Oktober 2026).

Sebelum peluncuran, MiniMax menjalankannya secara anonim sebagai Space Bunny, dan model itu memproses lebih dari 200 triliun token (postingan peluncuran MiniMax, 19 Oktober 2026). Mulai 19 Oktober, permintaan ke M2.5 dan M2.7 di bawah M Plan dan Token Plan otomatis dialihkan ke M3.1 Flash, dan kedua model itu tidak lagi tersedia mulai 18 November 2026 (FAQ model MiniMax, diperiksa 30 Oktober 2026).

Postingan peluncuran yang sama menyebut M3.1 Flash membuat inferensi daring "nearly three times faster" (hampir tiga kali lebih cepat) dan memangkas biaya penggunaan sebesar 70%.

Bobot tersedia publik di repo Hugging Face MiniMaxAI/MiniMax-M3.1-Flash di bawah MiniMax Community License (diperiksa 30 Oktober 2026).

Benchmark apa yang dipublikasikan MiniMax?

MiniMax mempublikasikan dua set angka yang terpisah. Yang lebih lengkap ada di kartu model M3.1 Flash, yang membandingkannya dengan Opus 5, GPT-5.6 Sol, dan empat model lain, tetapi tidak dengan M3 (Hugging Face, diperiksa 30 Oktober 2026).

Ia memimpin Automation-Bench v1.0.6 dengan 62.8, tempat Opus 5 mencetak 50.3 dan GPT-5.6 Sol 45.8. Ia menyamai Opus 5 di BankerToolBench pada 76.2. Satu model di tabel yang sama, DeepSeek V4.1 Flash-1017, mengunggulinya pada tiga baris coding: 42.3 di Terminal Bench 4.0 lawan 38.1, 77.0 di DeepSWE lawan 73.7, dan 68.2 di NL2Repo-Bench lawan 61.2.

Postingan peluncuran MiniMax menyebutnya "ranks first among Chinese models" (peringkat pertama di antara model China) pada OSWorld V2 dan Agents' Last Exam. Di tabel kartu model, Opus 5 mencetak 70.6 dan GPT-5.6 Sol 65.7 pada OSWorld 2.0 sementara Flash 61.7, dan Opus 5 (32.2) serta GPT-5.6 Sol (30.6) juga berada di atas 29.6 milik Flash pada Agents' Last Exam.

Untuk M3, angkanya berasal dari peluncurannya sendiri pada 1 Juni 2026:

• SWE-Bench Pro: 59.0%
• Terminal-Bench 2.1: 66.0%
• MCP Atlas: 74.2%

Itu pengujian yang berbeda dari baris di atas, jadi kedua set tidak bisa dibandingkan baris per baris.

Salah satu komentator Hacker News, DCKing, menulis bahwa model itu "seems to be pretty benchmaxed" (tampaknya cukup banyak disetel untuk benchmark) dan bahwa "in actual use, it doesn't survive the comparison to models in the benchmark" (dalam pemakaian nyata ia tidak bertahan dibandingkan model di benchmark itu) (19 Oktober 2026).

Seberapa cepat?

Per token ia cepat; per jawaban ia sering lebih lambat. MiniMax menyebut output mencapai 200+ token per detik, dengan median 170+, dan mengaitkannya dengan sparsitas yang lebih agresif. Artificial Analysis, mengukur API MiniMax sendiri, mencatat 118.9 token per detik lawan 101.0 milik M3, dan token pertama pada 1.36 s lawan 1.11 s (diperiksa 30 Oktober 2026).

Jalankan kami menunjukkan ke mana waktunya pergi. Setiap sel adalah total waktu, lalu waktu ke token pertama, dalam detik; prompt penjelasan dijalankan dua kali per model, dan panggilan alat tidak dialirkan.

Kami mengukur ini pada 30 Oktober 2026. Setelah token pertama, Flash mengalirkan sekitar 76 sampai 239 token per detik lawan 67 sampai 107 milik M3, jadi laju token mentah bukan masalahnya. Penyebabnya berpikir: setiap panggilan Flash yang dialirkan mengembalikan reasoning_content, dan token itu ikut dihitung. M3 tidak mengembalikan teks berpikir pada panggilan mana pun.

Komentator Hacker News chriddyp, yang menjalankan model itu pada benchmark analitik data miliknya, menulis bahwa model itu "seems to use A LOT of tokens and it's the slowest model that we've tested for the exam; it's slow because of the number of tokens it uses, not the inference speed" (memakai token yang sangat banyak dan menjadi model paling lambat yang kami uji untuk ujian itu; lambatnya karena jumlah token yang dipakai, bukan kecepatan inferensi) (20 Oktober 2026).

Bagaimana hasilnya dibanding M3 pada prompt yang sama?

Flash benar pada satu tugas lebih banyak, dan tetap lebih lambat. Kedua model menjawab soal aritmetika dengan benar, 401, keduanya mencakup kesepuluh butir cache HTTP yang diminta, dan keduanya melakukan dua panggilan alat untuk Paris dan Tokyo. Bedanya ada pada tugas coding.

Token output, termasuk berpikir:

Flash menulis 3,420 token output pada lima tugas lawan 1,408 milik M3. Jawaban yang terlihat mirip: 377 dan 425 kata untuk dua penjelasan Flash, 364 dan 381 untuk M3, sementara teks berpikir Flash sebelum keduanya 394 dan 496 kata lagi.

Tugas coding yang menentukan. Flash mengembalikan merge_intervals yang benar dengan sembilan assert, termasuk pemeriksaan bahwa daftar input tidak berubah, dan file itu berjalan bersih. Logika penggabungan M3 juga benar, tetapi ia mengurutkan interval menjadi tuple dan baru mengubahnya kembali ke list saat menggabungkan satu interval, sehingga merge_intervals([[5, 10]]) mengembalikan [(5, 10)]. Assert keduanya sendiri, assert merge_intervals([[5, 10]]) == [[5, 10]], gagal.

Menurunkan effort mempersingkat tunggu. Dengan reasoning_effort: "low", satu jalankan Flash tambahan memakan 5.5 s, bukan 25.2 s, mencapai token pertama pada 2.4 s, bukan 16.1 s, dan menulis 429 token, bukan 838. Fungsinya benar, tetapi salah satu assert-nya mengharapkan dua interval yang tidak tumpang tindih bergabung, jadi file itu berhenti dengan AssertionError.

Teks berpikir Flash terbaca seperti bahasa Inggris yang terpotong dan telegrafis. Berpikir pada tugas hitung dimulai, persis: "We need answer. Need parse subtle: divisible by 3 or by 5, but not by 15." (Perlu jawaban. Perlu uraikan yang halus: habis dibagi 3 atau 5, tetapi tidak oleh 15.) Komentator Hacker News simonw melaporkan gaya yang sama dan menyebutnya "Reasoning traces use truncated English" (jejak penalaran memakai bahasa Inggris terpotong) (19 Oktober 2026).

Kami menguji teks saja: input gambar dan video, prompt konteks panjang, jalankan agen yang lebih panjang, dan tingkat effort selain default dan low belum diuji, dan kami memanggil kedua model lewat satu endpoint kompatibel OpenAI, bukan API MiniMax sendiri.

Berapa biaya per tugas?

Setengah harga per token tidak membuatnya lebih murah pada prompt pendek. Pada lima panggilan kami, Flash memakan $0.00220 lawan $0.00195 milik M3, karena ia menulis sekitar 2.4 kali lipat token output. M3 lebih murah pada empat dari lima tugas; Flash lebih murah pada panggilan alat.

Harga memakai tarif daftar MiniMax, dengan input cache pada tarif cache.

Pada tugas panjang gambarannya berbalik. Harga campuran Artificial Analysis adalah $0.10 per juta token lawan $0.22 untuk M3, pada campuran cache hit, input, dan output 7:2:1, dan biaya rata-rata untuk menyelesaikan satu tugas Intelligence Index adalah $0.49 lawan $1.29 (diperiksa 30 Oktober 2026). Lembaga itu juga menyebut Flash sangat bertele-tele: 160M token output di seluruh indeks, dengan median 100M, sementara M3 di 100M.

Satu perbedaan lagi: Flash datar pada $0.15 input, $0.60 output, dan $0.015 untuk input cache per juta token. M3 memakai $0.30, $1.20, dan $0.06 setelah diskon permanen 50% dari MiniMax, untuk prompt sampai 512K token input; di atas itu $0.60, $2.40, dan $0.12. M3 juga menjual tier Priority pada 1.5 kali tarif tersebut, diaktifkan dengan service_tier: "priority", dan Flash tidak punya tier Priority (halaman harga MiniMax, diperiksa 30 Oktober 2026).

Sebaiknya pakai M3.1 Flash atau M3?

Flash adalah default yang lebih baik untuk prompt coding dan agen.

Pada prompt pendek kami, M3 lebih cepat pada empat dari lima panggilan dan lebih murah pada empat dari lima, dan penjelasannya sama lengkapnya. Alasan memilih Flash adalah akurasi pada pekerjaan yang kalau salah harus Anda ulang: file kodenya lolos sembilan assert, file M3 tidak.

Dalam uji pendamping di batch yang sama, M3.1 Flash berjalan sebagai model kustom di Factory Droid dan memperbaiki bug median dalam 30.7 detik.

Kalau Anda memilih model untuk Claude Code, model terbaik untuk Claude Code membandingkan opsi Claude. GLM-5.3, yang juga ada di tabel MiniMax, punya perbandingan GLM-5.3 vs GLM-5.2 sendiri, dan penerus Kimi K3 ada di ulasan Kimi K3.1 Pro kami.

Bagaimana cara memanggil M3.1 Flash?

OmniaKey menyajikan kedua id dari satu endpoint kompatibel OpenAI, jadi satu key dan satu bentuk permintaan mencakup kedua model. Tarif terbaru ada di halaman model M3.1 Flash dan halaman model M3.

curl https://api.omniakey.com/v1/chat/completions \
  -H "Authorization: Bearer $OMNIAKEY_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "minimax-m3.1-flash",
    "max_tokens": 8000,
    "reasoning_effort": "low",
    "messages": [{"role": "user", "content": "Explain HTTP caching in two paragraphs."}]
  }'

Jawaban tiba di choices[0].message.content dan teks berpikir di reasoning_content. Ubah model menjadi minimax-m3 untuk memanggil M3.

1. reasoning_effort menerima low, medium, high, xhigh, dan max, dan default ke max kalau dibiarkan kosong, yaitu pengaturan yang paling banyak berpikir (panduan pembuatan teks MiniMax, diperiksa 30 Oktober 2026).
2. Berpikir tidak bisa dimatikan di Flash: permintaan yang menonaktifkan berpikir mengembalikan 400 dengan model "MiniMax-M3.1-Flash" requires adaptive thinking. M3 bisa berjalan dengan berpikir aktif, adaptif, atau nonaktif.
3. temperature dan top_p diabaikan; kedua model selalu memakai 1 dan 0.95.

FAQ

Apakah MiniMax M3.1 Flash open source?

Bobotnya tersedia publik di repo Hugging Face MiniMaxAI/MiniMax-M3.1-Flash, dan kartu modelnya menyatakan MiniMax Community License (diperiksa 30 Oktober 2026). Itu bobot terbuka dengan syarat.

Bisakah berpikir dimatikan di M3.1 Flash?

Tidak. Panduan MiniMax menyebut berpikir aktif secara default dan tidak bisa dimatikan, dan permintaan yang menonaktifkannya mengembalikan error 400. Atur reasoning_effort ke low untuk mempersingkat berpikirnya.

Apakah M3.1 Flash menerima gambar?

Panduan dan kartu model MiniMax menyebut input teks, gambar, dan video, dengan output teks (diperiksa 30 Oktober 2026); Artificial Analysis hanya mencantumkan teks dan gambar untuk Flash. Di OmniaKey, halaman model tidak mencantumkan input gambar untuk minimax-m3.1-flash, jadi kirim teks saja. Jalankan kami hanya memakai teks.

Apa itu Space Bunny?

Space Bunny adalah model anonim yang berjalan sebelum peluncuran, dan MiniMax menyebutnya memproses lebih dari 200 triliun token serta merupakan versi awal M3.1 Flash (postingan peluncuran, 19 Oktober 2026).

Seberapa besar M3.1 Flash?

428B parameter total dan 23B aktif per token, dengan jendela konteks 1M token, bentuk yang sama dengan M3. Ini bukan model yang lebih kecil: MiniMax mengaitkan efisiensi inferensinya dengan perhatian sparse, pelatihan sadar kuantisasi, dan decoding spekulatif.

Apakah M3.1 Flash bagus untuk coding?

Pada satu tugas coding kami, ia mengalahkan M3: merge_intervals miliknya lolos kesembilan assert-nya, dan file M3 gagal pada ujinya sendiri. Di kartu model MiniMax ia mencetak 73.7 pada DeepSWE v1.1, di bawah DeepSeek V4.1 Flash-1017 dengan 77.0 di tabel yang sama.

Sumber yang diperiksa

• MiniMax: MiniMax M3.1 Flash — diperiksa 30 Oktober 2026
• MiniMax: MiniMax M3 — diperiksa 30 Oktober 2026
• MiniMax platform: ringkasan harga — diperiksa 30 Oktober 2026
• MiniMax platform: panduan pembuatan teks — diperiksa 30 Oktober 2026
• MiniMax platform: catatan rilis model — diperiksa 30 Oktober 2026
• MiniMax platform: FAQ model — diperiksa 30 Oktober 2026
• MiniMax platform: referensi API chat — diperiksa 30 Oktober 2026
• Hugging Face: MiniMax-M3.1-Flash — diperiksa 30 Oktober 2026
• Hugging Face: MiniMax-M3 — diperiksa 30 Oktober 2026
• Artificial Analysis: MiniMax-M3.1-Flash — diperiksa 30 Oktober 2026
• Artificial Analysis: MiniMax-M3 — diperiksa 30 Oktober 2026
• Hacker News: utas peluncuran MiniMax M3.1 Flash — diperiksa 30 Oktober 2026
• Hacker News: DCKing soal benchmark, chriddyp soal kecepatan, dan simonw soal jejak penalaran — diperiksa 30 Oktober 2026