MiniMax M3.1 Flash 深度解析：重新定義 Agent 效能與成本的新一代多模態混合專家模型
MiniMax M3.1 Flash 是由 MiniMax 推出的新一代原生多模態混合專家（Mixture-of-Experts, MoE）模型，並已於 Hugging Face 開放模型權重。該模型的早期版本曾以匿名代號「Space Bunny 🐰」在社群與平台上處理超過 200 兆（200T）個 Token，正式發布後在 Agentic 任務、軟體工程（Coding）、電腦操作（Computer Use）及網路安全（Cybersecurity）四大領域實現了代際躍升，同時將線上推論速度提升近 3 倍，並將 Agentic 任務的綜合使用成本降低 70%。
核心亮點與模型規格
根據 Hugging Face 模型卡 與 MiniMax 官方技術部落格，MiniMax M3.1 Flash 在延續 MiniMax M3 核心架構的基礎上，針對推論效率與長序列處理進行了深度最佳化：
| 規格專案 | 詳細參數與設計 |
|---|---|
| 模型架構 | 原生多模態混合專家模型（Native Multimodal MoE） |
| 參數規模 | 總參數約 428B，每個 Token 激活約 23B 參數（Hugging Face） |
| 支援模態 | 支援文字、影像、影片輸入；文字輸出（Hugging Face） |
| 上下文視窗 | 最高支援 1,000,000（1M）Tokens（MiniMax API Docs） |
| 注意力機制 | 全模型採用 MiniMax Sparse Attention (MSA) 稀疏注意力機制 |
| 投機解碼 | 內建 DSpark 投機解碼草稿頭（Draft Head）（Hugging Face） |
| 推論吞吐量 | 日常輸出速度達 200+ TPS，中位數（P50）穩定超過 170+ TPS（MiniMax 官方部落格） |
| 思考深度控制 | 預設開啟思考模式，支援五段 reasoning_effort 調節：low、medium、high、xhigh、max（MiniMax Code） |
| 開源授權 | minimax-community 授權（Hugging Face） |
三大架構升級：從 M3 到 M3.1 Flash 的效率突破
相較於前代 MiniMax M3，MiniMax M3.1 Flash 保留了核心 MoE 主幹，並導入三項關鍵架構改進以降低記憶體佔用並大幅提升服務吞吐量：
- 全模型稀疏注意力機制（Sparse Attention Throughout）：將原本前 3 層的完整注意力層（Full-Attention Layers）全面替換為 MiniMax Sparse Attention (MSA)，透過輕量級索引分支（Index Branch）對鍵值區塊（Key-Value Blocks）進行評分並為每個 GQA 群組獨立篩選 Top-k 子集，顯著降低百萬級長上下文的運算成本。
- 量化感知訓練（Quantization-Aware Training, QAT）：在訓練過程中直接對路由 MoE 專家（Routed Experts）與注意力路徑進行量化，在不犧牲複雜任務精度的前提下減少模型權重與推論時的顯存佔用。
- DSpark 投機解碼（DSpark Speculative Decoding）：以全新的 DSpark 機制取代早期類似 EAGLE 的多 Token 預測（MTP）方案，並在開源權重中直接附帶 Draft Head，方便與主流推論引擎無縫整合。
四大核心能力與基準評測表現
根據 MiniMax 官方部落格 與 Hugging Face 評測資料，MiniMax M3.1 Flash 在多項貼近真實生產環境的基準測試中展現出媲美甚至超越旗艦級模型的表現：
- 複雜任務與企業自動化（Complex Tasks & Automation）：在跨 SaaS 系統的企業自動化基準測試 Automation-Bench v1.0.6 中取得 62.8 分（位列所有對比模型第一），能完整處理銷售、行銷、營運、客服、財務與人資等真實業務工作流；在考驗多步驟規劃、跨文件一致性與金融合規工具呼叫的 BankerToolBench 中獲得 76.2 分，與 Opus 5 並列榜首。
- 程式設計與軟體工程（Coding & Software Engineering）：在聚焦複雜軟體工程任務（涵蓋程式碼理解、功能開發、問題修復與測試驗證）的 DeepSWE v1.1（512K 上下文）評測中取得 73.7% 的成績，並在 NL2Repo-Bench 取得 61.2 分、Terminal Bench 4.0 取得 38.1 分。
- 電腦操作能力（Computer Use）：在評估 AI 跨應用程式操作能力的 OSWorld 2.0 中獲得 61.7 分，並在衡量具真實經濟價值場景下電腦操作能力的 Agents’ Last Exam（ALE）中取得 29.6 分，展現從理解指令走向實際環境互動與交付的能力。
- 網路安全能力（Cybersecurity）：在 CyberGym（1M 上下文）基準測試中取得 82.2 分的高分，經安全專家評測，在程式碼稽核、漏洞修補、滲透測試、惡意程式碼分析與逆向工程等場景均具備高效率、低成本的實戰價值。
主流模型基準測試完整對比
以下資料整理自 MiniMax-M3.1-Flash Hugging Face 模型卡：
| 基準測試專案 | MiniMax M3.1 Flash | DeepSeek V4.1 Flash-1017 | DeepSeek V4.1 Flash | Kimi K3 | GLM-5.3 | GPT-5.6 Sol | Opus 5 |
|---|---|---|---|---|---|---|---|
| Automation-Bench v1.0.6 | 62.8 | 60.5 | 54.8 | 46.7 | 48.8 | 45.8 | 50.3 |
| BankerToolBench | 76.2 | — | 73.7 | 69.1 | 74.5 | 74.6 | 76.2 |
| GDP.pdf AA | 20.8 | — | 12.8 | 22.0 | 11.2 | 27.2 | 21.6 |
| Terminal Bench 4.0 | 38.1 | 42.3 | 31.2 | 12.6 | 37.9 | 39.9 | 51.8 |
| LOCA-Bench 256K | 60.3 | — | — | 49.7 | 50.3 | 60.0 | 53.7 |
| Agents’ Last Exam | 29.6 | — | — | 28.3 | — | 30.6 | 32.2 |
| OSWorld 2.0 | 61.7 | — | 54.3 | 58.3 | — | 65.7 | 70.6 |
| PostTrain Bench v1.1 | 39.3 | — | 30.5 | 36.6 | 37.5 | 36.2 | 40.4 |
| DeepSWE v1.1 | 73.7 | 77.0 | 74.2 | 67.5 | 66.9 | 73.0 | 74.0 |
| NL2Repo-Bench | 61.2 | 68.2 | 65.4 | 58.0 | 58.0 | 56.8 | 75.3 |
| SWE Refactor Bench | 23.0 | — | 11.8 | 19.5 | 10.4 | 28.5 | 31.0 |
| CyberGym | 82.2 | — | — | 80.0 | 84.5 | 83.6 | — |
| BabyVision (with tools) | 91.0 | 92.5 | 89.6 | 85.7 | — | 88.9 | 94.1 |
| HLE (without tools) | 43.4 | 42.6 | 39.2 | 43.5 | 42.3 | 49.5 | 55.6 |
| CharXiv RQ | 82.5 | — | 69.0 | 84.8 | — | 85.2 | 83.7 |
API 定價與成本優勢
MiniMax M3.1 Flash 採用全上下文視窗（1M Tokens）單一費率計價，不設尖峰／離峰差價或長文本加價，使長鏈路 Agent 任務的综合成本較前代降低 70%（MiniMax 定價文件）：
| 計費類型 | 國際站定價（USD / 每百萬 Tokens） | 中國站定價（RMB / 每百萬 Tokens） |
|---|---|---|
| 輸入（Input） | $0.15 | ¥1.00 |
| 輸出（Output） | $0.60 | ¥4.00 |
| 快取讀取（Cached Input） | $0.015 | ¥0.10 |
對於需要頻繁重複讀取長上下文與工具回傳結果的 交錯思考（Interleaved Thinking） 工作流，低至 $0.015 / 1M Tokens 的快取讀取價格能大幅壓低多輪 Agent 執行的整體開銷。
本地部署與推論實戰指南
開發者除了透過 MiniMax API、M Plan 訂閱方案 或 MiniMax Code 桌面端 直接使用外，也可從 Hugging Face 下載模型權重進行本地或多晶片部署。官方建議採樣參數設定為 temperature=1.0 與 top_p=0.95。
1. 下載模型權重
hf download MiniMaxAI/MiniMax-M3.1-Flash --local-dir MiniMax-M3.1-Flash
2. 使用 vLLM 部署 OpenAI 相容 API 服務
# 安裝 vLLM 並啟動服務
pip install vllm
vllm serve "MiniMaxAI/MiniMax-M3.1-Flash"
3. 使用 SGLang 啟動推論服務
# 安裝 SGLang 並啟動服務
pip install sglang
python3 -m sglang.launch_server \
--model-path "MiniMaxAI/MiniMax-M3.1-Flash" \
--host 0.0.0.0 \
--port 30000
4. 使用 Transformers 直接進行多模態推論
from transformers import AutoProcessor, AutoModelForMultimodalLM
processor = AutoProcessor.from_pretrained("MiniMaxAI/MiniMax-M3.1-Flash", trust_remote_code=True)
model = AutoModelForMultimodalLM.from_pretrained(
"MiniMaxAI/MiniMax-M3.1-Flash",
trust_remote_code=True,
device_map="auto"
)
messages = [
{
"role": "user",
"content": [
{"type": "image", "url": "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/p-blog/candy.JPG"},
{"type": "text", "text": "What animal is on the candy?"}
]
}
]
inputs = processor.apply_chat_template(
messages,
add_generation_prompt=True,
tokenize=True,
return_dict=True,
return_tensors="pt"
).to(model.device)
outputs = model.generate(**inputs, max_new_tokens=256)
print(processor.decode(outputs[0][inputs["input_ids"].shape[-1]:]))
相關連結與參考資源
- 官方發布文章（英文）：MiniMax M3.1 Flash: Redefining Agent Performance and Cost
- 官方發布文章（中文）：MiniMax M3.1 Flash：重新定義 Agent 的性能與成本
- Hugging Face 模型主頁與權重下載：MiniMaxAI/MiniMax-M3.1-Flash
- 核心技術論文（arXiv）：MiniMax Sparse Attention (arXiv:2606.13392)
- MiniMax Code 與實戰案例指南：MiniMax M3.1 Flash is Now Generally Available
- API 開發文件與工具呼叫指南：MiniMax API Docs - Text Generation｜Tool Use & Interleaved Thinking
- API 定價與 M Plan 訂閱：MiniMax Pricing Overview｜M Plan 訂閱方案