MiniMax lanceert M3.1 Flash, een MoE-model met 428 miljard parameters voor agentische taken

De Chinese AI-ontwikkelaar MiniMax heeft zijn nieuwe taalmodel, M3.1 Flash, op 19 oktober 2026 beschikbaar gesteld. Het model is gebaseerd op een mixture-of-experts (MoE)-ontwerp, heeft in totaal 428 miljard parameters en is bedoeld voor agentische workloads.

Volgens de vrijgegeven details activeert M3.1 Flash bij elke stap ongeveer 23 miljard van die parameters. Daarnaast ondersteunt het model een contextvenster van 1 miljoen tokens, genoeg om lange documenten, grote codebases of uitgebreide geschiedenissen van taken in meerdere stappen in één keer te verwerken.

Prijs en open gewichten

MiniMax rekent via zijn API $0,15 per miljoen invoertokens en $0,60 per miljoen uitvoertokens. Het bedrijf zegt dat de gewichten van het model op 23 oktober 2026 worden gepubliceerd. De licentie waaronder ze worden vrijgegeven, is in de beschikbare informatie niet vermeld.

Een MoE-model is opgedeeld in veel gespecialiseerde subnetwerken, waarvan er voor elke invoer maar een deel actief is. Het doel is de kennis van een zeer groot model te behouden en tegelijk de kosten en de latentie van inferentie dichter bij die van een veel kleiner model te brengen, wat past bij de lage prijs die MiniMax heeft gekozen.

Waarom het ertoe doet

Agentische systemen roepen tools aan, schrijven code en voeren namens de gebruiker taken in meerdere stappen uit, en ze verbruiken doorgaans grote hoeveelheden tokens. Daardoor is de prijs per token een doorslaggevende factor voor ontwikkelaars die op zulke modellen bouwen.

Het in Shanghai gevestigde MiniMax is een van de vele Chinese bedrijven die aandacht hebben getrokken met modellen voor zowel taal als videogeneratie. Grote modellen van Chinese labs met openbaar vrijgegeven gewichten zorgen wereldwijd voor merkbare prijsdruk.

Benchmarkresultaten en vergelijkingen met concurrerende modellen waren niet opgenomen in de beschikbare informatie. Onafhankelijke tests nadat de gewichten openbaar zijn, zouden een duidelijker beeld moeten geven van hoe het model in de praktijk presteert.