MiniMax-M3.1-Flash

MiniMax-M3.1-Flash — это флагманская открытая языковая модель в линейке M-3, построенная на архитектуре смеси экспертов c нативной мультимодальностью. Модель демонстрирует сильные способности в программировании, агентных задачах и кибербезопасности. Общее количество параметров модели составляет около 428 млрд, но благодаря разреженной активации на каждый токен задействуется лишь около 23 млрд параметров, что обеспечивает высокую производительность при экономичном использовании вычислительных ресурсов. Модель поддерживает контекстное окно до 1 000 000 токенов, что позволяет ей работать с объемными репозиториями кода, длинными документами и многошаговыми агентными сессиями.

Ключевым архитектурным нововведением, унаследованным от линейки M3 и усиленным в версии 3.1, является MiniMax Sparse Attention (MSA). MSA — это блочно-разреженный механизм внимания, построенный на основе Grouped Query Attention (GQA). Он состоит из двух ветвей: лёгкая Index Branch оценивает все блоки ключей-значений и для каждой группы GQA независимо выбирает наиболее релевантные блоки (Top-k), а основная Main Branch выполняет точное внимание только по отобранным блокам, всегда сохраняя локальный (ближайший) блок для стабильности. Такой подход позволяет сократить вычисления на внимание тем самым существенно ускорить стадии префилла и декодирования, не жертвуя при этом качеством.

По сравнению с предыдущей версией MiniMax-M3, модель 3.1-Flash получила три важных изменения, повышающих эффективность и производительность. Во-первых, разреженное внимание MSA теперь используется во всех слоях модели — в M3 первые три слоя не использовали разряженное внимание, что дополнительно снижает вычислительную нагрузку. Во-вторых, обучение с quantization-aware training - модель официально поставляется в формате mxfp8, а эксперты в nvfp4, что снижает нагрузку на VRAM при сохранении качества. В-третьих, возможность применения спекулятивного декодирование DSpark. Эти архитектурные решения делают M3.1-Flash не просто более быстрой версией M3, а качественно более эффективной моделью для промышленного развёртывания.

Среди ключевых бенчмарков разработчики сравнивают свою модель не только с открытыми, но и с проприетарными решениями.В BankerToolBench (агентное использование инструментов и API) — 76,2, лучший результат среди приведённых, выше GLM-5.3 (74,5) и проприетарной GPT-5.6 Sol (74,6). В DeepSWE v1.1 (решение реальных задач в кодовых репозиториях) — 73,7%, выше Kimi K3 (67,5%) и GLM-5.3 (66,9%). В LOCA-Bench 256K (работа с длинным контекстом) — 60,3, также первое место среди указанных в сравнении. При этом в CyberGym (кибербезопасность) 82,2 — сильный, но не первый показатель: проприетарная GPT-5.6 Sol набирает чуть больше - 83,6. То же самое наблюдается и в Automation-Bench v1.0.6 (автоматизация многошаговых задач) — 62,8, в OSWorld 2.0 (агентное управление средой) — 61,7, в HLE без инструментов (сложные интеллектуальные задачи) — 43,4. В целом эти результаты позволяют позиционировать M3.1-Flash как модель передового уровня качества.

Сценарии использования MiniMax-M3.1-Flash логически вытекают из её архитектурных особенностей и результатов тестирования. В разработке программного обеспечения модель может выступать в роли автономного AI-ассистента: анализировать репозитории, выполнять длительный рефакторинг, отладку и документирование, а также самостоятельно развёртывать и тестировать код. В агентных рабочих процессах она способна планировать и выполнять многошаговые задачи, управлять инструментами и API, автономно проводить исследования и принимать решения без вмешательства человека. Благодаря 1-миллионному контексту модель идеально подходит для анализа длинных документов — научных статей с формулами и графиками, юридических договоров, финансовых отчётов и полных лог-файлов систем. В мультимодальных приложениях она поможет проанализировать видео, извлекать информацию из сложных визуальных материалов и создавать интерактивные системы, работающие с текстом, изображениями и видео одновременно. Наконец, в кибербезопасности модель демонстрирует высокие результаты в CyberGym, что делает её пригодной для анализа угроз, поиска уязвимостей и автоматизации задач безопасности. Гибкая настройка глубины рассуждений (параметр `effort` от `low` до `max`) позволяет адаптировать модель под задачи с разными требованиями к задержке и качеству.

Дата анонса: 17.10.2026
Параметров: 428B
Экспертов: 128
Активно параметров при инференсе: 23B
Контекст: 1049K
Слоев: 60
Тип внимания: MiniMax Sparse Attention (MSA)
Разработчик: MiniMax-AI
Версия Transformers: 4.52.4
Версия vLLM: >=0.33.0
Лицензия: MINIMAX COMMUNITY LICENSE

Воспользуйтесь нашими готовыми публичными эндпоинтами бесплатно для теста инференса и знакомства с MiniMax-M3.1-Flash. Получить токен для доступа к API вы можете на странице управления токенами после регистрации и верификации.

Эндпоинт — это сервер с предустановленным программным обеспечением, с помощью которого автоматически скачиваются веса нейросети и запускается OpenAI-совместимый API для обращений к серверу.

Частный эндпоинт создается в проекте пользователя, принадлежит пользователю монопольно и тарифицируется за каждую конфигурацию сервера в соответствии с нашими инфраструктурными тарифами.

Мы рекомендуем создание частных эндпоинтов в случаях, если необходимо:

• получить максимальную производительность эндпоинта,
• получить полный контекст для обработки больших запросов и диалогов,
• обеспечить максимальную безопасность, для обработки данных в выделенном изолированном пространстве.

Свяжитесь с нашей специализированной группой поддержки по нейросетям support@immers.cloud или отправьте ваш запрос в отдел продаж sale@immers.cloud.