从预览版到开源权重：M3.1 Flash 一个月内走完了两段路

【免费下载链接】MiniMax-M3.1-FlashMiniMax-M3.1-Flash 是一款原生多模态混合专家（MoE）模型，面向编程、智能体工作流、计算机使用和网络安全等场景。它支持文本、图像和视频输入，上下文窗口最高可达 100 万 tokens。 在 MiniMax-M3 的基础上，M3.1-Flash 通过全模型稀疏注意力、量化感知训练和 DSpark 投机解码，进一步提升了任务表现与推理效率。项目地址: https://ai.gitcode.com/MiniMax-AI/MiniMax-M3.1-Flash

过去一个月，MiniMax-M3.1-Flash 走了一条在大模型行业里并不多见的路：9 月底以"零跑分、零价格"的姿态上线预览版，没有一张评测表，也没有一份定价页；10 月 19 日正式版带着完整成绩单与按量价格发布；10 月 23 日，428B 总参数、23B 激活的量化感知训练（QAT）权重连同 DSpark 投机解码 draft head 一并开源。本文基于官方开源权重仓库与预览期、开源期的社区情报，把三件事讲清楚：预览版与开源版在能力和接口上有哪些已知差异，计费从订阅制转向按量制之后团队的预算模型该怎么重画，以及已经在用预览版的团队迁移时应该先改哪几处。

一个月时间线：从"太空兔"到开源权重

先对齐事实底座，这条时间线在社区情报中有多处互相印证：

• 2026-09-27：M3.1-Flash-Preview 上线。先进入 MiniMax Code 编程智能体，随后挂到 Token Plan 订阅下供 API 调用。没有官方基准分，没有公开价格表。
• 2026-09-30：M Plan 推出，在 Token Plan 基础上将多模态额度纳入统一池。
• 2026-10-19：M3.1 Flash 正式发布。官方确认此前在第三方平台上匿名出现的 Space Bunny 就是 M3.1 Flash 的早期版本；完整评测表、200+ Token/s 的输出速度、按量定价（每百万 Token：输入 1 元、输出 4 元、缓存读取 0.1 元）同日落定，并预告权重放出时间。
• 2026-10-23：权重开源。本仓库即对应产物，含 48 个主模型分片、DSpark draft head 与多芯片部署说明。

亮身份之前，这只"兔子"已经跑了很远。据掘金社区对 OpenCode 公开历史数据的回溯：9 月 24 日至 10 月 5 日，Space Bunny 按每日 Token 用量连续 12 天排名第一——9 月 24 日单日用量 6.8T（同一天 DeepSeek V4.1 Flash 为 6.2T），9 月 25 日 9.0T，9 月 30 日峰值 10T，10 月 5 日仍保持 9.9T；9 月 28 日 OpenCode 官方发帖称其已连霸 5 天、累计处理 40T Token。MiniMax 官方披露，揭晓身份前累计处理量已超过 200T Token；10 月 19 日正式发布后，媒体又有"上线三天处理超 100 万亿 Token"的报道。

能力侧在匿名期也有独立记录：开发者 Povilas Korop 的 AI Coding Daily 榜单中，Space Bunny（Max 档、OpenCode 环境）得分 57.19/80（评测日期 9 月 30 日），与 Gemini 4 Argon High 的 57.09、Kimi K3 High 的 56.89 处于相邻位置。换言之，在 MiniMax 把名字贴上去之前，开发者已经先把它当生产力在用了。这也是这次发布最有意思的顺序：先用量，再亮牌，最后开源。

预览版与开源版：能力和接口的已知差异

能力面：评测表与成本曲线第一次摆上台面

预览期的最大争议是"零跑分发布"——不贴榜单、不标价格，把验证权直接交给社区。正式版把这张表补上了。以下节选自 README.md 的基准表（其余对比模型数据同表）：

这张表要连着成本曲线一起读。官方公布的编程成本曲线显示，DeepSWE Pass@1 随推理强度从 high 到 xhigh 再到 max 分别达到 68.1%、72.1%、73.7%——能力第一次被显式做成了"档位"。在 Agents' Last Exam 的 152 项任务全集上，M3.1 Flash 的整套评测预计成本约 739 元（人民币）。官方口径是：相对前代，线上推理速度提升近 3 倍（日常输出 200+ Token/s，P50 稳定在 170+），Agent 任务综合使用成本下降 70%。

同时要正视表里留下的短板：SWE Refactor Bench 23.0（Opus 5 为 31.0）、NL2Repo-Bench 61.2（Opus 5 为 75.3）、Terminal Bench 4.0 为 38.1，低于 DeepSeek V4.1 Flash-1017 的 42.3。社区实测也指出其在"超长文本一次性处理、高精度多步推理"上存在边界。所以开源版的正确读法是：在部分 Agent 与 Computer Use 任务上进入了第一梯队，在长链路工程任务上仍有差距——这正是选型时要自己算账的地方。

接口面：调用方式上有什么变化

按对迁移影响的大小排序：

1. 模型名：API 侧标识从MiniMax-M3.1-Flash-Preview变为MiniMax-M3.1-Flash，这是迁移时唯一"必改"的一处。
2. 推理强度参数：预览期通过effort参数调节深度（low/medium/high/xhigh/max），部分渠道默认max，社区反馈"深度思考默认启用且不可关闭"。开源版 chat template 中，该参数落入系统消息的<effort>标签，reasoning_effort或effort均可传入（见 chat_template.jinja 第 85-89 行）；思考模式默认为 adaptive，由模型自行决定每轮是否思考。
3. 采样参数：官方推荐temperature=1.0、top_p=0.95，与 generation_config.json 一致，预览期如果自行调过采样参数，建议对齐回默认。
4. 多模态输入链路：文本/图像/视频三模态输入、文本输出不变，API 兼容 OpenAI 格式；开源 chat template 中 image/video 使用独立 token，工具调用走 XML 风格结构。

权重面：开源仓库里装了什么

config.json 给出了完整架构画像：60 层、hidden 6144、每层 128 个路由专家 + 1 个共享专家、每 token 激活 4 个、sigmoid 打分 + routing bias，前 3 层为 dense（moe_layer_freq前三项为 0）。相对 M3 的三项变化，都能在仓库里一一对上：

• 全模型稀疏注意力。M3 的前三个全注意力层被替换为 MSA 稀疏注意力：sparse_attention_freq60 层全为 1，sparse_topk_blocks=16、sparse_block_size=128，KV 按 128 token 分块做 top-16 精确选择。1M 上下文的计算复杂度因此从平方级压向近线性。
• 量化感知训练。quantization_config显示主体为 mxfp8（weight_block_size [1,32]、动态激活），路由 MoE 专家进一步采用 NVFP4（moe_quant_algo: "NVFP4"，nvfp4-pack-quantized）；gate、lm_head、视觉塔、多模态投影等位于ignored_layers列表。README 特意提示"第三方量化版本可能有所不同"，原因就是官方权重本身已是 QAT 产物，而不是 BF16 权重的后量化。
• DSpark 投机解码。取代了此前的类 EAGLE MTP 方案。dspark/ 目录随权重附带 5 层 draft 模型（DSparkMiniMaxDraftModel）：dspark_block_size=7、Markov head 秩 256、带 confidence head、dense FFN（hidden 12288）、4096 滑动窗口，上下文取自目标模型的 5 个层（dspark_target_layer_ids: [3, 17, 31, 45, 59]），draft 权重总量约 2.3GB。在支持投机解码的 serving 框架中可直接挂载。

最后是许可证：本仓库采用minimax-community（见 LICENSE），并非 Apache-2.0 一类宽松协议。非商业用途免费；商业用途须在产品/文档中显著标注 "Built with MiniMax M3.1-Flash"；若相关服务年营收超过 2000 万美元，须提前取得 MiniMax 书面授权，否则做一次一次性告知即可。自托管做生产服务的团队必须先看这一条。

计费从订阅制转向按量制：团队预算模型怎么变

M3.1 的上线窗口，正好是 MiniMax 计费模式的切换点。链条大致是：沿用已久的 Coding Plan（订阅、按次口径）被 Token Plan（按 token 消耗分层计费）取代，第三方整理的档位约为 Plus 49 元/月、Max 119 元/月、Ultra 469 元/月；9 月 30 日 M Plan 又在新购场景取代 Token Plan，把文本、图像、视频、语音额度统一折算进同一个额度池（已有自动续费的 Token Plan 用户可保留原计划，升级可能放弃部分历史权益）。同期，按量 API 价格成为开源期最直接的预算锚：

（M3 锚点价来自社区 9 月中旬整理的官方定价，M3.1 Flash 降幅与官方对比口径一致。）

对团队预算模型，变化有四个具体后果：

1. 从"固定月费"变成"用量估算"。Coding Plan 时代账单是一个固定的数；现在无论按量还是订阅档位，第一步都是估 token 吞吐——输入/输出比、推理强度、上下文长度。推理强度直接决定输出量，而 high/xhigh/max 对应 68.1%/72.1%/73.7% 的不同分数，意味着"能力从此是个可以拧的旋钮，账单随之联动"。预算要按任务难度分档设，而不是全局一刀切。
2. 缓存价格是 Agent 任务的命门。Agent 多轮调用前缀重复比例高，缓存命中率直接决定实际单价。M3.1 Flash 缓存读取 0.1 元/百万 Token（M3 为 0.42 元）——"综合成本降 70%"的说法，本质就是单价下降、推理更快（少走轮次）、缓存更便宜三者的合力，而不是任何一项单价降 70%。
3. 订阅档位 vs 按量变成"用量曲线"问题。低频用户走按量最灵活；重度 Agent 用户要拿自己的月用量曲线去比对订阅档位上限；如果业务混合使用文本、图像、视频，M Plan 的统一池省去了分模态做预算的核算成本。
4. 本地自托管成为第三选项。权重开源后，有 GPU 资源的团队可以把"自有卡时成本 vs API 单价"摆到同一张表里算——这是预览期根本不存在的新选项，当然前提是接受 minimax-community 许可条款。

已在用预览版的团队，迁移要先改哪几处

1. 改模型名（唯一必改项）。API 兼容 OpenAI 格式，客户端只改model字段：

client = OpenAI(api_key="***", base_url="https://api.minimax.io/v1") resp = client.chat.completions.create( model="MiniMax-M3.1-Flash", # 原 MiniMax-M3.1-Flash-Preview messages=[...], )

2. 显式钉住推理强度，避免默认行为漂移。预览期部分渠道默认max，开源 chat template 默认为 adaptive。检查现有代码是否隐式依赖"总是深度思考"，需要稳定行为就显式传reasoning_effort（low/medium/high/xhigh/max），并把预算口径按分档重算。
3. 重算预算基线。拉出预览期用量记录，按新单价（输入 1 / 输出 4 / 缓存 0.1 元每百万 Token）重算；再决定留在 Token Plan、转 M Plan 还是切按量。多模态业务（文本+图+视频）建议并入统一额度池核算。
4. 多模态输入走样例验证。预览期主力是文本+工具链路；如果现在要启用图像/视频输入（视觉塔、patch_merge、视频 temporal 压缩均已随权重开源），先用小样例把调用方式、token 消耗验证一遍再批量上线。
5. 规划自托管的执行路径：

hf download MiniMaxAI/MiniMax-M3.1-Flash --local-dir MiniMax-M3.1-Flash

官方推荐 SGLang、vLLM 与 TokenSpeed 的对应 recipe；多芯片场景参考仓库内 docs/FlagOS-Multi-Chip-Support-and-Downloads.md 的 W8A8 版本（覆盖平头哥、NVIDIA、MetaX、海光、华为 Ascend、摩尔线程、天数智芯、昆仑芯、清微智能九家平台）。两条纪律：QAT 权重不要再做二次量化（精度行为以官方权重为准）；要开投机解码就挂载dspark/下的 draft head。 6.过一遍许可证合规。商用自托管要标注 "Built with MiniMax M3.1-Flash"，年营收超 2000 万美元的产品需提前书面授权——这一条在预览期（只有 API）不存在，是自托管团队的新增检查项。

结尾

回头看这一个月：预览版用真实流量回答了"它到底能不能用"——12 天调用量第一、200T Token 的处理量、开发者匿名期就给出的 57.19/80；开源版则回答了"它为什么快、有多便宜、能不能自己扛"——全模型 MSA 稀疏注意力、mxfp8/NVFP4 的 QAT 权重、2.3GB 的 DSpark draft head、一页透明的价格表和一份写明边界的许可证。Flash 系模型的意义从来不是弱化旗舰，而是把一部分旗舰能力压进更便宜、更快的日常调用档位。对团队来说，接下来的动作已经很清楚：改一个模型名，重算一次账单，把推理强度拧到任务该在的位置上。

【免费下载链接】MiniMax-M3.1-FlashMiniMax-M3.1-Flash 是一款原生多模态混合专家（MoE）模型，面向编程、智能体工作流、计算机使用和网络安全等场景。它支持文本、图像和视频输入，上下文窗口最高可达 100 万 tokens。 在 MiniMax-M3 的基础上，M3.1-Flash 通过全模型稀疏注意力、量化感知训练和 DSpark 投机解码，进一步提升了任务表现与推理效率。项目地址: https://ai.gitcode.com/MiniMax-AI/MiniMax-M3.1-Flash