MiniMax prezentuje M3.1 Flash, model MoE o 428 mld parametrów do zadań agentowych

Chiński deweloper sztucznej inteligencji MiniMax udostępnił 19 października 2026 roku swój nowy model językowy M3.1 Flash. Model, zbudowany w architekturze mieszanki ekspertów (MoE), ma łącznie 428 miliardów parametrów i jest przeznaczony do zadań agentowych.

Według opublikowanych informacji M3.1 Flash aktywuje przy każdym kroku około 23 miliardów z tych parametrów. Model obsługuje też okno kontekstowe wynoszące 1 milion tokenów, co wystarcza do przetworzenia w jednym przebiegu długich dokumentów, dużych baz kodu lub rozbudowanych historii wieloetapowych zadań.

Cennik i otwarte wagi

MiniMax pobiera za swoje API 0,15 dolara za milion tokenów wejściowych i 0,60 dolara za milion tokenów wyjściowych. Firma poinformowała, że wagi modelu zostaną opublikowane 23 października 2026 roku. Licencja, na jakiej zostaną udostępnione, nie została w dostępnych informacjach określona.

Model MoE dzieli się na wiele wyspecjalizowanych podsieci, z których dla każdego wejścia działa tylko część. Celem jest zachowanie zdolności wiedzy bardzo dużego modelu przy jednoczesnym zbliżeniu kosztu i opóźnienia wnioskowania do poziomu znacznie mniejszego modelu, co dobrze pasuje do niskiej ceny ustalonej przez MiniMax.

Dlaczego to ważne

Systemy agentowe wywołują narzędzia, piszą kod i wykonują wieloetapowe zadania w imieniu użytkownika, a przy tym zwykle zużywają ogromne ilości tokenów. Dlatego cena za token staje się czynnikiem decydującym dla deweloperów budujących na takich modelach.

Działająca w Szanghaju firma MiniMax należy do grona kilku chińskich przedsiębiorstw, które zwróciły uwagę zarówno modelami językowymi, jak i modelami do generowania wideo. Duże modele chińskich laboratoriów z publicznie udostępnionymi wagami stały się istotnym źródłem presji cenowej na światowym rynku.

Wyniki testów benchmarkowych i porównania z konkurencyjnymi modelami nie zostały uwzględnione w dostępnych informacjach. Niezależne testy po publikacji wag powinny dać jaśniejszy obraz tego, jak model sprawdza się w praktyce.