MiniMax M3.1 Flash: 62,8% на Automation-Bench, 73,7% на DeepSWE и $0,15 за миллион токенов

MiniMax выпустила MiniMax M3.1 Flash — быструю модель, рассчитанную в первую очередь на агентные задачи: работа с кодом, управление компьютером, автоматизация бизнес-процессов и безопасность. По качеству ответов это не новый класс интеллекта, а новый класс цены. На главном агентном бенчмарке модель обгоняет Opus 5, а на графике «результат против стоимости задачи» стоит в десять-двадцать раз дешевле.

Главные числа релиза: 62,8% на Automation-Bench, 73,7% на DeepSWE v1.1, 76,2 на BankerToolBench, 61,7 на OSWorld 2.0, 82,2% на CyberGym. Скорость вывода — 200+ токенов в секунду, медиана — 170+. Цена — $0,15 за миллион входных токенов, $0,60 за выходные и $0,015 за кэшированный ввод.

Разберём, что за этим стоит.

Что выпустили

M3.1 Flash — это продолжение линейки Flash, где MiniMax делает ставку на баланс между умом и стоимостью вызова. Компания описывает модель как «следующее поколение Flash»: поколение, в котором агентные сценарии, кодинг, работа с компьютером и кибербезопасность поднялись до уровня ведущих моделей — при заметно более низкой цене.

Отдельная деталь, которую MiniMax выносит на первый план: Space Bunny — агент, который работал анонимно и обработал больше 200 триллионов токенов, — оказался ранней версией M3.1 Flash. То есть сначала модель годами проверяли в продакшене на настоящей нагрузке, и только потом выпустили.

Дополнительно компания сообщила, что модель уже доступна через MiniMax API, подписку M Plan и приложение MiniMax Code. Веса откроют позже. Более «умную» версию — MiniMax Pro — тоже обещают выпустить позже.

Бенчмарки: полная таблица

MiniMax опубликовала сравнение с DeepSeek-V4.1-Flash-1017, DeepSeek-V4.1-Flash, Kimi K3, GLM-5.3, GPT-5.6 Sol и Opus 5. Вот как это выглядит.

Читать таблицу нужно аккуратно, и вот почему.

Где M3.1 Flash действительно впереди. На Automation-Bench — 62,8 против 50,3 у Opus 5 и 48,8 у GLM-5.3. Это бенчмарк из 600 публично доступных задач, имитирующих рабочие процессы в SaaS-системах: продажи, маркетинг, операции, поддержка клиентов, финансы, HR. На BankerToolBench модель делит первое место с Opus 5 (76,2), но обходит DeepSeek-V4.1-Flash, Kimi K3, GLM-5.3 и GPT-5.6 Sol. На LOCA-Bench с окном контекста 256K — 60,3, лучший результат в таблице.

Где она честно уступает. На DeepSWE v1.1 MiniMax набирает 73,7%, а DeepSeek-V4.1-Flash-1017 — 77,0%. На NL2Repo-Bench разрыв заметнее: 61,2 против 75,3 у Opus 5. На Terminal Bench 4.0 — 38,1 против 51,8 у Opus 5. На общих знаниях (HLE без инструментов) — 43,4 против 55,6. То есть в «широких знаниях» и в задачах уровня целого репозитория флагманские модели от Anthropic и OpenAI по-прежнему лучше.

Про кибербезопасность. 82,2% на CyberGym — сильный результат, но GLM-5.3 показывает 84,5, а GPT-5.6 Sol — 83,6. Собственные оценки MiniMax это подтверждают: модель хорошо справлялась с аудитом кода, исправлением уязвимостей, тестированием на проникновение, анализом вредоносного кода и обратной разработкой.

Главный аргумент — цена задачи

Бенчмарки показывают, на что модель способна. Но для агентных сценариев важнее другое: сколько денег стоит одна выполненная задача. MiniMax опубликовала три графика «результат против стоимости», и именно они — настоящая новость релиза.

Agents' Last Exam (152 профессиональные задачи, данные на 18 октября 2026). M3.1 Flash на максимальном уровне усилий решает 29,6% задач примерно за $111 на весь прогон. Для сравнения: GPT-5.6 Sol — около 30,6% за ~$800, Opus 5 — 32,2% за ~$1000, Opus 5.5 — около 38% за ~$1400, Gemini 3.1 Pro — примерно 16% за $2000. Разница в стоимости — от семи до двадцати раз.

DeepSWE v1.1 (кодинг, стоимость одной задачи). MiniMax показывает 73,7% примерно за $0,23 за задачу, а на сниженных уровнях усилий — 72,1% за $0,20 и 68,1% за $0,18. DeepSeek-V4.1-Flash-1017 даёт больше качества (около 77%) за сопоставимые $0,18. А вот Claude Opus 5 дотягивает до примерно 74,5% — но уже за $13 на задачу. GPT-6 Astra показывает около 75,6% за ~$3,6.

Automation-Bench (стоимость одной задачи). Здесь разрыв самый наглядный: M3.1 Flash выдаёт 62,8% примерно за $0,05 за задачу, тогда как Opus 5.5 показывает 56% за ~$0,5, а GPT-5.6 Sol — 47,8% за ~$0,85. Модель не только дешевле — она ещё и заметно точнее в этом сценарии.

Практический вывод простой: если задача решается в 62–73% случаев, платить за Opus 5 не нужно. Разница в цене между M3.1 Flash и флагманскими моделями — в десятки раз, а разница в качестве — единицы процентных пунктов. В агентном цикле одна ошибка оборачивается десятками повторов, поэтому такой размен считается на калькуляторе.

Скорость: 200+ токенов в секунду

Скорость выросла за счёт более агрессивного прореживания модели. В обычных сценариях вывод достигает 200+ токенов в секунду, медиана (P50) стабильно держится на 170+.

Для агента это значит не «красивая цифра в тесте», а практические вещи. Меньше ожидания между шагами — короче цикл «правка → запуск → чтение вывода». Быстрее идёт работа с терминалом, где модель читает вывод команды и решает, что делать дальше. И главное — агент, который управляет интерфейсом, меньше простаивает в ожидании.

Цены

Цены плоские, без ступеней. Компания заявляет, что для агентных задач общая стоимость использования упала на 70% по сравнению с предшественником.

Отдельно стоит отметить цену кэшированного ввода — $0,015, это в десять раз дешевле обычного входа. Для агента, который гоняет один и тот же большой контекст по десятку итераций, это не мелочь: повторные проходы по неизменившейся части контекста становятся почти бесплатными.

Как это всё мерили

Эту часть релиза обычно прячут, а здесь она расписана подробно — и она многое говорит о том, насколько цифрам можно верить.

• Automation-Bench v1.0.6 — 600 публично выпущенных задач, репозиторий на GitHub.
• BankerToolBench — прогон через харнесс OpenCode 1.17.18, в качестве судьи — модель MiniMax-M2.7.
• Terminal Bench 4.0 — харнесс Codex 0.149.1.
• LOCA-bench 256K — официальная реализация, hkust-nlp/LOCA-bench.
• Agents' Last Exam — только полные прогоны из официальной таблицы результатов, пустые ячейки в таблице означают «не оценивали», а не «ноль».
• OSWorld 2.0 — релиз 0808 Full; для DeepSeek-V4.1 результат взят из внутреннего воспроизведения.
• PostTrain Bench v1.1 — харнесс Claude Code 2.1.251, окно контекста до 512K.
• DeepSWE v1.1 — харнесс mini-SWE-agent 2.4.5, контекст до 512K.
• NL2Repo-Bench — харнесс Claude Code 2.1.233, контекст до 512K.
• SWE Refactor Bench — харнесс Claude Code 2.1.220, контекст до 200K, набор от Einsia.
• CyberGym — харнесс Claude Code 2.1.263, контекст до 1M.
• BabyVision — харнесс Claude Code 2.1.285, минимальная сторона изображения 1500 пикселей.
• HLE без инструментов — только 2158 текстовых вопросов из Humanity's Last Exam.
• CharXiv RQ — в качестве судьи GPT-5.5.

Приятная деталь: значительная часть замеров сделана на харнессах с открытым кодом, а в роли судьи стояли другие модели. Это лучше, чем когда модель оценивает сама себя.

Space Bunny и стоимость одного часа работы

История про 200 триллионов токенов — это не маркетинговая байка, а аргумент. Агент, который анонимно работал с таким объёмом, должен был выдерживать самые разные типы задач: от отладки кода до многошаговых расследований. И если этот агент уже был ранней версией M3.1 Flash, то модель проверяли в продакшене не на синтетических тестах, а на настоящей нагрузке с настоящими сбоями.

Для разработчика это переводится в простой вопрос: сколько стоит один час работы агента. При цене $0,15 за миллион входных токенов и $0,60 за выходные длинный агентный цикл на несколько сотен тысяч токенов обходится в копейки. Модель, которая делает 73,7% реальных задач по кодингу, становится дешёвым рабочим инструментом, а не дорогим экспериментом.

Где взять

• MiniMax API — platform.minimax.io
• MiniMax Code (десктоп) — agent.minimax.io/download
• Подписка M Plan — minimax.io/m-plan

Веса модели обещаны позже, версия Pro — тоже. Так что прямо сейчас релиз доступен только через API и приложения, без локального запуска.

Что из этого следует

Две оговорки, без которых картина будет неполной.

Первая: все цифры принадлежат самой MiniMax. Независимых перепроверок на момент релиза нет. А агентные бенчмарки — исторически самая скользкая метрика: там многое решает харнесс, а он у каждой команды свой.

Вторая: M3.1 Flash — не универсальная замена. Там, где нужны широкие знания (HLE) или сборка целого репозитория с нуля (NL2Repo-Bench), Opus 5 и DeepSeek-V4.1-Flash-1017 по-прежнему лучше. Разумная стратегия — использовать дешёвую модель как основную рабочую, а переключаться на флагманскую только там, где задача не зашла.

Но сам вектор релиза важнее любой отдельной цифры. Модель, которая на агентных задачах обгоняет Opus 5 и стоит в десять-двадцать раз дешевле за задачу, снимает главный барьер, который годами мешал агентам работать в продакшене: каждый дополнительный шаг цикла стоит денег. Когда шаг стоит почти ничего, агента можно запускать чаще, проверять больше гипотез и пробовать на старых задачах, которые раньше было жалко отдавать дорогой модели.

Расширить границу «умно» MiniMax обещает в следующем релизе, Pro. Но текущий Flash уже сдвинул другую границу — границу «доступно по цене».