MiniMax lança o M3.1 Flash, modelo MoE de 428B para tarefas agênticas

A desenvolvedora chinesa de IA MiniMax disponibilizou seu novo modelo de linguagem, o M3.1 Flash, em 19 de outubro de 2026. Baseado em um design de mistura de especialistas (MoE), o modelo tem 428 bilhões de parâmetros no total e é voltado para cargas de trabalho agênticas.

Segundo os detalhes divulgados, o M3.1 Flash ativa cerca de 23 bilhões desses parâmetros em cada etapa. O modelo também oferece uma janela de contexto de 1 milhão de tokens, suficiente para processar longos documentos, grandes bases de código ou históricos extensos de tarefas em várias etapas em uma única passagem.

Preços e pesos abertos

A MiniMax cobra US$ 0,15 por milhão de tokens de entrada e US$ 0,60 por milhão de tokens de saída por meio de sua API. A empresa afirmou que os pesos do modelo serão publicados em 23 de outubro de 2026. A licença sob a qual serão liberados não foi especificada nas informações disponíveis.

Um modelo MoE é dividido em muitas sub-redes especializadas, e apenas uma fração delas é executada para cada entrada. O objetivo é manter a capacidade de conhecimento de um modelo muito grande, aproximando o custo e a latência de inferência de um modelo bem menor, o que combina com o preço baixo definido pela MiniMax.

Por que importa

Sistemas agênticos chamam ferramentas, escrevem código e executam tarefas em várias etapas em nome do usuário, e tendem a consumir grandes volumes de tokens. Isso torna o preço por token um fator decisivo para desenvolvedores que criam soluções sobre esses modelos.

Sediada em Xangai, a MiniMax é uma das várias empresas chinesas que chamaram atenção por seus modelos de geração de linguagem e de vídeo. Grandes modelos de laboratórios chineses com pesos abertos se tornaram uma fonte notável de pressão sobre os preços no mercado global.

Resultados de benchmarks e comparações com modelos concorrentes não constavam nas informações disponíveis. Testes independentes após a publicação dos pesos devem oferecer uma visão mais clara do desempenho do modelo na prática.