读见

魔搭ModelScope社区文章中文

MiniMax-M3.1-Flash 开源：428B 参数 / 23B 激活，推理速度提升近 3 倍！

约 7 分钟约 1,544 字

推荐理由MiniMax 本次开放权重并提供两类推理引擎的部署路径，让模型团队能把性能与成本判断推进到自主部署评估，而非只比较排行榜。

读前速览

3 个要点

MiniMax 正式开源 MiniMax M3.1 Flash 模型权重，总参数量 428B，激活参数量 23B，相较 MiniMax M3，在智能体任务、编程、计算机操作及网络安全能力上进一步提升，推理速度提升近 3 倍，使用成本降低 70%。

  1. 能力提升

    MiniMax M3.1 Flash 在智能体任务、编程、计算机操作及网络安全能力上相较前代产品有显著提升，重点从'理解任务'推进到'调用工具、连续操作并完成交付'。

  2. 技术优化

    模型通过将前三个全注意力层替换为稀疏注意力、采用量化感知训练降低精度，以及使用功耗感知调度优化计算分配，实现了近 3 倍的推理速度提升和 70% 的成本降低。

  3. 部署支持

    MiniMax M3.1 Flash 支持通过 SGLang 和 vLLM 进行本地部署，并提供了详细的安装和调用指南，方便用户在多 GPU 服务器上运行。

完整摘要

MiniMax M3.1 Flash 是基于 MiniMax M3 的优化版本，通过稀疏注意力、量化感知训练和功耗感知调度，实现了显著的性能和成本优化。该模型在复杂 Agent 任务、软件工程、Computer Use 和网络安全等领域表现突出，并支持通过 SGLang 和 vLLM 进行本地部署。

目录 · 9 节

魔搭ModelScope社区 2026-10-23 17:46 浙江

MiniMax 正式开源 MiniMax M3.1 Flash 模型权重，总参数量 428B，激活参数量 23

MiniMax 正式开源MiniMax M3.1 Flash模型权重，总参数量 428B，激活参数量 23B。 Space Bunny 是 MiniMax M3.1 Flash 的早期版本。
相较 MiniMax M3，MiniMax M3.1 Flash 在智能体任务、编程、计算机操作及网络安全能力上进一步提升。技术上，MiniMax M3.1 Flash 将前三个全注意力层替换为稀疏注意力，采用量化感知训练降低专家计算和 KV 缓存精度，并通过功耗感知调度精细分配计算卡功耗。线上推理速度提升近 3 倍，使用成本降低 70%。

开源地址：

01

Agent、编程与 Computer Use 能力表现

MiniMax M3.1 Flash 的能力提升集中在复杂 Agent 任务、软件工程、Computer Use 和网络安全四类场景，重点从“理解任务”推进到“调用工具、连续操作并完成交付”。
完整评测结果如下：

复杂任务与自动化

MiniMax M3.1 Flash 在 AutomationBench 和 BankerToolBench 中表现突出。前者由跨 SaaS 系统的真实企业任务组成，覆盖销售、营销、运营、客服、财务和人力资源等工作流；后者重点考察多步骤规划、跨文档与跨文件一致性、金融合规以及工具链式调用。

编程与软件工程

DeepSWE 要求模型独立完成代码理解、功能开发、问题修复和测试验证，重点考察贯穿完整开发流程的长链路执行能力。MiniMax M3.1 Flash 在 DeepSWE v1.1 中达到顶尖模型水平，在自然语言到代码仓库操作和代码重构任务中也取得了稳定表现。

Computer Use

OSWorld 2.0 衡量跨应用电脑操作能力，Agents’ Last Exam（ALE）则聚焦真实且具有经济价值的专业任务。按照 MiniMax 公布的对比结果，MiniMax M3.1 Flash 在两项评测中均位列国产模型第一，体现了真实环境交互、工具使用和连续任务执行能力。

网络安全

MiniMax M3.1 Flash 在 CyberGym 中表现突出，覆盖漏洞发现与验证任务。据 MiniMax 内部安全专家评测，MiniMax M3.1 Flash 还可用于代码审计、漏洞修补、渗透测试、恶意代码分析和逆向工程；这部分场景表现来自内部评测，与公开基准结果分开看待。
在推理效率方面，MiniMax 通过更激进的稀疏化策略提升了 MiniMax M3.1 Flash 的输出速度。官方 Blog 未进一步披露具体注意力结构；日常使用场景下，输出速度可达 200+ TPS，中位数（P50）稳定达到 170+ TPS。

02

Agent 任务的性能与成本

在 Automation-Bench、DeepSWE 和 Agents’ Last Exam 三项评测中，MiniMax M3.1 Flash 都处在较靠前的性能—成本区间：以较低的任务开销，获得接近高分模型的任务表现。 这里比较的是完成整项任务的实际开销。
在 Automation-Bench 中，MiniMax M3.1 Flash 从 low 到 max 的不同推理配置形成了连续的性能—成本曲线；随着推理强度提高，任务得分持续提升，单任务成本仍保持在较低区间：

在 DeepSWE v1.1 中，MiniMax M3.1 Flash 的不同配置覆盖从低成本到高性能的多个档位。最高配置进入高分模型区间，同时维持较低的单任务开销：

在 DeepSWE v1.1 中，MiniMax M3.1 Flash 的不同配置覆盖从低成本到高性能的多个档位。最高配置进入高分模型区间，同时维持较低的单任务开销：

03

本地部署与推理

MiniMax M3.1 Flash 支持通过 SGLang、vLLM 部署推理服务，需要 Linux 多 GPU 服务器。以下采用官方单节点 4 张 B300 的部署配置，通过 Docker 启动，需提前安装 NVIDIA Container Toolkit。

模型下载

pip install modelscope

modelscope download --model MiniMax/MiniMax-M3.1-Flash \

  --local_dir MiniMax/MiniMax-M3.1-Flash

SGLang 部署

在执行模型下载命令的目录中，启动官方镜像并挂载模型：

docker pull lmsysorg/sglang:dev-minimax-m31-flash

docker run -it --gpus all --ipc=host --network=host \

  --volume "$PWD/MiniMax:/models:ro" \

  --entrypoint /bin/bash \

  lmsysorg/sglang:dev-minimax-m31-flash

在容器内启动服务：

FMHA_SM100_ALLOW_JIT=1 \

sglang serve \

  --trust-remote-code \

  --model-path /models/MiniMax-M3.1-Flash \

  --served-model-name minimax-m31-flash \

  --reasoning-parser minimax-m3 \

  --tool-call-parser minimax-m3 \

  --tp 4 \

  --moe-runner-backend flashinfer_trtllm_routed \

  --speculative-algorithm DSPARK \

  --speculative-use-block-verification \

  --cuda-graph-backend-prefill breakable \

  --chunked-prefill-size 32768 \

  --max-running-requests 128 \

  --cuda-graph-max-bs-decode 128 \

  --mem-fraction-static 0.8 \

  --tokenizer-worker-num 8 \

  --host 0.0.0.0 --port 30000

vLLM 部署

在执行模型下载命令的目录中，启动官方镜像并挂载模型：

docker pull vllm/vllm-openai:minimax-m31-flash

docker run -it --gpus all --ipc=host --network=host \

  --volume "$PWD/MiniMax:/models:ro" \

  --entrypoint /bin/bash \

  vllm/vllm-openai:minimax-m31-flash

在容器内启动服务：

VLLM_FLOAT32_MATMUL_PRECISION=high \

vllm serve /models/MiniMax-M3.1-Flash \

  --served-model-name minimax-m31-flash \

  --tensor-parallel-size 4 \

  --reasoning-parser minimax_m3 \

  --enable-auto-tool-choice \

  --tool-call-parser minimax_m3 \

  --block-size 128 \

  --kv-cache-dtype nvfp4 \

  --attention-config \

    '{"indexer_kv_dtype":"nvfp4","use_prefill_query_quantization":true}' \

  --compilation-config \

    '{"cudagraph_mode":"FULL_AND_PIECEWISE"}' \

  --speculative-config \ 

    '{"method":"dspark","num_speculative_tokens":3,"attention_backend":"FLASH_ATTN","kv_cache_dtype":"fp8","draft_sample_method":"probabilistic","rejection_sample_method":"block"}' \

  --max-num-seqs 256 \

  --disable-hybrid-kv-cache-manager \

  --host 0.0.0.0 --port 8000

调用本地服务

通过 OpenAI 兼容接口调用。以下调用 vLLM，使用 SGLang 时将端口改为 30000：

curl -N http://127.0.0.1:8000/v1/chat/completions \

  -H "Content-Type: application/json" \

  -d '{

    "model": "minimax-m31-flash",

    "messages": [

      {"role": "user", "content": "请介绍一下稀疏注意力的工作原理。"}

    ],

    "temperature": 1.0,

    "top_p": 0.95,

    "max_tokens": 4096,

    "stream": true

  }'

点击阅读原文，即可跳转链接~

👇点击关注ModelScope公众号获取
更多技术信息~

阅读原文

值得记下

MiniMax 正式开源 MiniMax M3.1 Flash 模型权重，总参数量 428B，激活参数量 23B。
线上推理速度提升近 3 倍，使用成本降低 70%。
MiniMax M3.1 Flash 在 AutomationBench 和 BankerToolBench 中表现突出，覆盖销售、营销、运营、客服、财务和人力资源等工作流。
在 魔搭ModelScope社区 查看原文