Двести триллионов токенов модель обработала анонимно. Люди гоняли её в личных бенчмарках, строили на ней пайплайны, спорили, чья это разработка, и не знали главного. Девятнадцатого октября MiniMax выложила пост MiniMax M3.1 Flash: Redefining Agent Performance and Cost и призналась: Space Bunny, бесплатная модель, неделями висевшая в топах, была ранней версией новой Flash.

Цифры в этом посте выглядят почти неприлично. 73,7% на DeepSWE v1.1, 82% на CyberGym, 76,2 на BankerToolBench, 61,7 на OSWorld V2. И цена: 15 центов за миллион входных токенов, 60 центов за миллион выходных, полтора цента за кэшированный вход. Для модели, которую сама компания ставит в одну лигу с фронтиром, это в десятки раз дешевле того, к чему привыкли команды, платящие за Opus.

Что такое MiniMax M3.1 Flash

M3.1 Flash это лёгкая модель MiniMax для агентных задач с упором на цену и скорость. Компания ставит её на место прошлой M3 в роли рабочей лошадки: та же ниша, но почти втрое быстрее и примерно на 70% дешевле по стоимости типовой задачи, плюс заметный шаг вперёд в компьютерном управлении и кибербезопасности.

Ключевая оговорка, без которой весь дальнейший разговор теряет смысл: все числа ниже опубликовала сама MiniMax. Независимых прогонов на момент публикации не было, веса не выложены, а часть замеров сделана внутренними экспертами компании.

Space Bunny: как модель набрала 200 триллионов токенов вслепую

История началась раньше официального релиза. В сентябре по лидербордам пошла модель со странным именем Space Bunny. Она была бесплатной, показывала результаты выше многих платных и не имела публичного владельца. Знакомые паттерны: щедрый бесплатный доступ, аккуратно собранные победы в агентных тестах, слухи о том, что за ней стоит кто-то из китайских лабораторий.

Оказалось, что Space Bunny это ранний чекпоинт M3.1 Flash, который выкатили в люди как тест. За время анонимной жизни она обработала больше 200 триллионов токенов. Это не маркетинговое число: такой объём означает миллионы реальных сессий, включая длинные агентные прогоны с десятками шагов, где модель либо держит план, либо разваливается на третьем инструменте. Именно на таких прогонах обычно и видно, годится модель для автоматизации или только для чата.

MiniMax утверждает, что финальная версия получилась лучше той, что гуляла по лидербордам. Логично: собранные на бесплатном трафике данные о поведении и сбоях стоят дороже любого закрытого бенчмарка.

Что показывают бенчмарки

Разбирать шесть разных тестов по отдельности смысла мало, важнее, что каждый из них проверяет.

AutomationBench-AA измеряет сквозные рабочие процессы в SaaS-системах: продажи, маркетинг, операционка, поддержка, финансы, HR. MiniMax не приводит абсолютный балл, только место в верхней группе. В обзоре World of AI называют 62,2% против 50,3% у Claude Opus 5 и 45,8% у GPT-5.6, но это пересказ слайда, а не независимый замер.

BankerToolBench даёт 76,2. Тест про многошаговое планирование, согласованность между документами и файлами, финансовый комплаенс и цепочки вызовов инструментов. Согласованность это самое неприятное в агентах: модель помнит условие в начале задачи, но теряет его к пятому файлу.

DeepSWE v1.1 даёт 73,7%, и это самая говорящая цифра. Здесь модель должна сама разобраться в чужом коде, добавить функцию, починить баг и проверить себя тестами. Не «допиши функцию по описанию», а полный цикл в длинной последовательности шагов.

OSWorld V2 и Agents' Last Exam показывают 61,7 и 29,6 балла, и MiniMax отдельно подчёркивает: первое место среди китайских моделей на обоих. ALE вообще сложный тест про реальную профессиональную работу с экономической ценностью, и 29,6 там не провал, а нормальная цифра для текущего поколения.

CyberGym даёт 82%, и это самая спорная строка. Внутренние эксперты компании гоняли модель на аудите кода, патчинге уязвимостей, пентесте, разборе малвари и реверс-инжиниринге. 82% на задачах поиска и валидации уязвимостей это уровень, при котором модель уже имеет смысл ставить в CI, но ровно там же начинается зона, где ошибка стоит дорого.

Откуда берётся скорость

Заявленные 200+ токенов в секунду на выходе и медианные 170+ TPS в повседневном использовании получены не новым железом. MiniMax пишет прямо: скорость выросла за счёт более агрессивной разреженности, то есть модель активирует меньшую часть параметров на каждом токене. Вместе с этим заявлено примерно трёхкратное ускорение инференса относительно M3 и снижение стоимости использования на 70%.

Это тот же сдвиг, который видно по всей индустрии. В том же обзоре World of AI упоминается работа команды Nvidia: 423 токена в секунду на пользователя на модели с 2,8 триллиона параметров, ускорение в 1,68 раза строго на той же архитектуре и том же железе. Достигается это оптимизацией декодирующих ядер в vLLM: около 12 тысяч строк кода ядер и приём под названием mega kernel fusion, который снижает накладные расходы на переключениях. Никакой новой GPU для этого не понадобилось.

Смысл простой. Последние два года прирост производительности в основном приходил из масштабирования обучения. Сейчас заметная часть прироста приходит из софта: разреженность, слияние ядер, аккуратная работа с кэшем. Для пользователя это означает, что цена за токен падает быстрее, чем растут счета за электричество.

Арифметика агентной задачи

Разница в цене между Flash и фронтиром выглядит как ошибка в прайсе, и её стоит перевести в понятные единицы.

Миллион входных токенов и двести тысяч выходных на M3.1 Flash стоят 15 центов плюс 12 центов, итого 27 центов. Те же объёмы на модели с прайсом $5 за вход и $25 за выход обойдутся в 5 долларов плюс 5 долларов, то есть в 10 долларов. Разница примерно в 37 раз. Для агентного пайплайна, где один прогон читает репозиторий и пишет патчи, счёт идёт уже не на центы, а на десятки долларов в день.

Обзорщик из World of AI прогнал несколько практических тестов и получил такие числа: лендинг для запуска устройства обошёлся в 1 цент против $1,22 у Opus 5.5 при четырёхкратной скорости. Сцена с подводной лодкой в затопленном городе, собранная в один HTML-файл за четыре итерации, стоила 21 цент и заняла 29 минут, тогда как DeepSeek 4.1 Flash потратил 38 центов, Gemini 3.8 Flash $1,43, а Claude Haiku 5.5 17 центов. Про воссоздание ролика про Tesla Roadster: $2,34 против $3,07 у DeepSeek.

Он же честно признаёт, что качество картинки у Opus и Haiku выше. Отсюда рабочая схема: Flash делает черновик, массовые прогоны и рутину, фронтир подключается на финальной правке. При разнице в 37 раз это не компромисс, а нормальная экономика конвейера.

Что не так с этими цифрами

Первое и главное: бенчмарки самоотчётные. Ни одной независимой репликации на момент публикации нет, а методики внутренних замеров MiniMax не раскрывает. История интерпретируемости за последний месяц показала, как быстро рушатся красивые числа, когда кто-то пересчитывает их своей линейкой.

Второе: тесты меряют разные вещи, и «вровень с фронтиром» это не одно утверждение, а пять разных. Согласованность в документах, качество кода, работа с интерфейсами и поиск уязвимостей деградируют с разной скоростью, и слабое место обычно вылезает не на бенчмарке, а на третьей неделе продакшена.

Третье: весов пока нет. В официальном посте сказано, что они выйдут позже; доступ идёт через API, подписку M Plan и MiniMax Code. Для команд, которым нужен on-prem или контроль над версией модели, это стоп-фактор до момента выкладки. Заодно анонсирована Pro-версия серии, и по данным The Information и Reuters она может тянуть на 2,7 триллиона параметров, но это слухи, а не спецификация.

Четвёртое: 82% на CyberGym не повод отключать ревью. Модель, которая находит уязвимости, находит и ложные срабатывания, а цена ошибки в безопасности выше, чем экономия на аудите.

Кому это выгодно, а кому нет

Формулировка «достаточно хороша» на практике означает конкретный список задач. Массовая разметка и извлечение данных из документов, генерация черновиков кода, прогоны агентов по рутинным сценариям в браузере, первичный аудит зависимостей, сборка прототипов интерфейсов. Везде, где ошибка дешево исправляется повтором, а итераций нужно много, дешёвая модель выигрывает не качеством, а количеством попыток.

Обратная сторона тоже конкретна. Длинные цепочки с ветвлением и откатом, юридически значимые тексты, миграции в проде, всё, где цена одной ошибки выше стоимости сотни прогонов. И отдельно сценарии, где нужна стабильная версия модели на своём железе: пока весов нет, таких вариантов просто не существует.

Ещё один фактор: сам темп релизов. В том же обзоре упоминают, что DeepSeek 4.1 Flash в OpenCode стал бесплатным, что Kimi K3.1 засветилась в пул-реквесте с четырьмя уровнями reasoning (low, medium, high, max при дефолтном max) и поддержкой картинок на входе, а Z.AI готовит GLM 5.4 и 5.5. Китайские лаборатории соревнуются не во фронтирной строчке, а в цене агентного прогона, и Flash попала точно в этот зазор.

Часто задаваемые вопросы

Можно ли запустить M3.1 Flash локально? Пока нет. MiniMax обещает выложить веса позже, а сейчас модель доступна через API, подписку M Plan и приложение MiniMax Code. Следить за выкладкой стоит на странице модели: предыдущая M3 открытые веса получила.

M3.1 Flash действительно лучше Claude Opus 5.5? По агентным и кодовым бенчмаркам она в одной лиге, но при цене в десятки раз ниже. По визуальному качеству и сложному рефакторингу фронтир всё ещё впереди, что признают даже обзорщики, продвигающие Flash. Корректная формулировка: не лучше, а достаточно хороша для большинства массовых прогонов.

Сколько стоит перевести агентный пайплайн на Flash? Считайте по своим объёмам: 27 центов за миллион входных и двести тысяч выходных токенов против примерно 10 долларов на фронтирной модели. Для среднего агента с 30 тысячами токенов на задачу экономия составит около 30 центов на прогон, а на тысяче прогонов в день это уже 300 долларов ежедневно.

Итог

MiniMax M3.1 Flash интересна не строчкой в лидерборде, а тем, что она делает с экономикой агентов. Модель, которая проходит 73,7% DeepSWE и 82% CyberGym за 15 центов за миллион входных токенов, меняет не качество отдельного ответа, а то, сколько попыток вы можете себе позволить. Агентные системы всегда упирались в бюджет прогонов: чем дешевле ошибка, тем больше итераций, тем выше шанс довести задачу до результата.

Проверить это на своём сценарии просто: возьмите один типовой прогон, прогоните его через Flash и через модель, которой пользуетесь сейчас, и сравните не только ответ, но и счёт. Если разница в цене окажется близка к заявленной, вопрос «стоит ли переключать рутину на дешёвую модель» закроется сам. А если хотите разобраться, как такие модели вообще ускоряют на уровне ядер, у нас есть разбор Helion в vLLM.