AREX Feed Article
MiniMax M3.1 Flash 开放权重上架 Hugging Face 与 ModelScope：428B 总参数、23B 激活，vLLM 等首日跟进
北京时间 10 月 23 日上午，MiniMax 官方账号宣布 M3.1 Flash 的开放权重上架 与 ，并随模型卡确认架构数字：原生多模态 MoE（mixture-of-experts，混合专家）架构，总参数约 428B、每 token 激活 23B，支持文本、图像与视频输入，上下文窗口最长 100 万 token。四天前（10 月 19 日）模型以 API 形式上线时，MiniMax 曾预告 10 月 23 日放出开放权重；承诺当天兑现，vLLM、Together AI、Inferact、SGLang、NVIDIA NeMo 与 TokenSpeed 也在同一天以不同形式跟进。
M3.1 Flash 于 10 月 19 日上线，定价为每百万 token 输入 0.15 美元、输出 0.60 美元、缓存输入 0.015 美元；上线当天，Artificial Analysis 的独立评测给出智能指数（Intelligence Index）42 分、前代 M3 为 29 分，每任务成本约 0.22 美元（ 转述）。开发者 Israfil 在 10 月 20 日的帖子中称，他此前匿名测试的免费隐身模型「Space Bunny」就是 M3.1 Flash 的早期版本（）。
权重如约上架：架构改动与自托管路径随模型卡公开
MiniMax 在当天上午 9 时刚过发帖宣布权重公开，列出 Hugging Face 与 ModelScope 两条获取渠道，并保留 API、M Plan 与桌面端 MiniMax Code 入口（）；约一小时后公司再发一帖，宣布权重正式开放，并感谢 Together AI 作为 launch partner（上线合作方）在发布首日即把模型带上其 AI Native Cloud 生产环境（）。ModelScope 仓库同步上线，页面标注为 MiniMax 在该平台开源的模型。
相比 M3 的三处改动写在模型卡里：MiniMax Sparse Attention（MSA，稀疏注意力）贯穿全模型，前三层全注意力层被替换为稀疏注意力；路由 MoE 专家与注意力路径在训练中即被量化（quantization-aware training，QAT）；DSpark 投机解码取代此前的 EAGLE 式 MTP（multi-token prediction，多 token 预测）方案，发布内容包含配套 draft head（草稿头）。
自托管路径也已给出：模型卡提供 hf download MiniMaxAI/MiniMax-M3.1-Flash 下载命令，推荐 SGLang、vLLM 与 TokenSpeed 三个推理框架，Transformers、KTransformers、unsloth、ATOM 的集成标注为进行中，另附 FlagOS 多芯片部署文档。推荐采样参数为 temperature=1.0、top_p=0.95，推理深度提供 low 至 max 五档。
基准数字仍属 MiniMax 自报：BankerToolBench 76.2、DeepSWE v1.1 73.7%、OSWorld 2.0 61.7、Agents' Last Exam 29.6、CyberGym 82.2。模型卡注明 DeepSWE 由 mini-SWE-agent 2.4.5 在 512K 上下文测得，BankerToolBench 由 OpenCode 1.17.18 配 MiniMax-M2.7 评审。同一张对比表也保留了对手领先的项目：DeepSeek V4.1 Flash-1017 在 DeepSWE v1.1 得 77.0、Terminal Bench 4.0 得 42.3（M3.1 Flash 为 38.1）、NL2Repo-Bench 得 68.2（M3.1 Flash 为 61.2）。卡内提示，结果对应官方权重，第三方量化版本可能不同。
vLLM 首日支持：NVFP4 原生权重进入服务栈
在发布首日宣布支持，列出了服务端实现细节。服务栈包含三件：覆盖 indexer（索引器）与注意力路径的 NVFP4 原生 KV cache（KV 缓存）、NVFP4 量化的 MoE 权重，以及 DSpark 投机解码草稿模型；支持范围覆盖 NVIDIA Blackwell、配备专用内核的 NVIDIA Rubin，以及 AMD MI350 系列 GPU。
vLLM 团队发布的服务端数字：在 NVIDIA Vera Rubin NVL72 上，单用户解码速度达 724.9 tok/s（每秒 token 数），每 GPU 吞吐 191.5k tok/s。NVFP4 让 checkpoint（权重检查点）体积从 M3-MXFP8 的 451.5 GB 降到 250.1 GB，缩小 44.6%；每 token 的 KV 内存较 FP8 少 43.75%；在 4× B300、256K 上下文、DEP4 配置下可容纳 76 个并发序列，而 M3 为 28 个，约 2.7 倍。AMD 一侧，MI350X 在 TP4（4 卡张量并行）下 mono decode（单流解码）至多快 2.3 倍，8K 输入/1K 输出的低并发场景吞吐翻倍；DSpark 草稿注意力采用 FlashInfer PrimiTS 后端，在所测配置下比 FlashAttention 4 快 1.3～2 倍；博客另给出 MI355X 在 SemiAnalysis AgentX 基准上每 1 美元 TCO（总拥有成本）至多产出 1.333 亿 token 的成本口径。帖文注明，上述结果分别测量自不同负载与阶段。
训练侧同样首日就绪：veRL + FSDP2 + LoRA（低秩适配）组合可直接对 NVFP4 checkpoint 训练适配器。部署入口包括 CUDA 与 ROCm 两套 Docker 镜像（vllm/vllm-openai:minimax-m31-flash 与 vllm/vllm-openai-rocm:minimax-m31-flash）及完整 recipe（部署配方）；博客注明，待代码经评审合并进上游约一周后，模型才会进入 PyPI 的 nightly（每夜构建）wheel 包。
vLLM 官方账号另发一帖称，M3.1 Flash 正由 Inferact 以带保障的 SLA（服务等级协议）在生产环境大规模运行，其工程改进回流 vLLM 上游（）。
首日跟进：生产服务、微调与推理框架支持同日宣布
同一天里，MiniMax 陆续致谢多家合作方。MiniMax 宣布与 Inferact 合作推进 MiniMax 模型的生产推理，工程改进回馈 vLLM 项目（）；前述 vLLM 帖文为这一合作提供了第二方佐证。NVIDIA NeMo 团队的首日微调支持、SGLang 与 NVIDIA、AMD 的支持，以及 lightseekorg 的 TokenSpeed 首日支持，目前均为 MiniMax 单方口径（、、），帖文未附合作细节或数据；其中 SGLang 的接入与模型卡内的推荐框架条目及 cookbook（示例教程）链接对应，TokenSpeed 也有卡内 recipe 链接。
更早的 10 月 21 日，MiniMax 还与 SGLang Omni 团队发布了语音 agent 方向的教程，把 M3.1 Flash 的快速简洁响应与 SGLang Omni 的流式输出、对话状态与打断处理组合到一起，面向可被用户随时打断、纠正和转向的对话场景（）。
权重之外未变的数字：93% 幻觉率待复测
Artificial Analysis 的测试显示，M3.1 Flash 在 AA-Omniscience 上正确率 56%，但幻觉率达 93%——模型在不确定时倾向作答而非拒答（ 转述）；vLLM 帖文列出的 AA-Omniscience 56% 与该口径一致。MiniMax 的模型卡基准表收录了 HLE（无工具）43.4 等指标，但未包含 AA-Omniscience 与幻觉率两项。
复测所需的材料现已齐备：权重、recipe 与推理配置均已公开，任何团队都可以下载权重复测这些数字。模型卡同时提示，官方权重与第三方量化的结果可能不同。