MiniMax M3.1 Flash: halber Token-Preis, höherer Indexwert, aber 93 Prozent Halluzinationsrate

Halber Token-Preis, Indexsprung von 29 auf 42 bis 43 Punkte

MiniMax hat am 19. Oktober 2026 das Reasoning-Modell M3.1 Flash offiziell veröffentlicht. Es ist eine günstigere Variante von M3, die schneller sein soll und auf Agenten, Coding und Computer Use zielt. Die API kostet 0,15 US-Dollar pro Million Input-Token und 0,60 Dollar pro Million Output-Token. Gecachte Input-Token schlagen mit 0,015 Dollar zu Buche. M3 liegt bei 0,30 und 1,20 Dollar, der Token-Preis halbiert sich also. Das Kontextfenster umfasst eine Million Token. Reasoning läuft bei jeder Anfrage. Entwickler wählen zwischen fünf Stufen, von Low bis Max.

Im Intelligence Index von Artificial Analysis steigt das Modell von 29 Punkten bei M3 auf 42 beziehungsweise 43. Die Quellen nennen beide Werte. Die Seiten von Artificial Analysis führen 43 an, Berichte und die Ankündigung 42. Das Material erklärt die Abweichung nicht. Ein unterschiedlicher Indexstand oder eine andere Version wären denkbar, belegt ist beides nicht. Auch welche Reasoning-Stufe der Messung zugrunde lag, geht aus den Quellen nicht hervor.

Vor dem Start lief das Modell anonym als Testbuild „Space Bunny“ auf OpenRouter. Laut MiniMax verarbeitete diese frühe Version mehr als 200 Billionen Token.

Gleichauf mit GLM-5.3 Flash, hinter DeepSeek V4.1 Flash 1017

Im Flash-Feld gehört M3.1 Flash nicht zur Spitze. Den Berichten über Artificial Analysis zufolge führt DeepSeek V4.1 Flash 1017 mit 45 Punkten. M3.1 Flash folgt mit 42 und liegt damit gleichauf mit GLM-5.3 Flash. Gemini 3.8 Flash kommt auf 41, das reguläre DeepSeek V4.1 Flash auf 40, GPT-6 Luna auf 38. Beim Preis dient Qwen3.8 Flash als Vergleich: 0,15 Dollar für Input, 0,47 Dollar für Output. Dessen Output ist also billiger als der von MiniMax.

Auch MiniMaxs eigene Tests zeigen den Abstand zu DeepSeek. In sechs gemeinsamen Benchmarks liegt M3.1 Flash in fünf Fällen hinter DeepSeek V4.1 Flash 1017. Der Rückstand beträgt bei NL2Repo-Bench 7,0 Punkte, bei Terminal Bench 4.0 4,2, bei DeepSWE v1.1 3,3, bei BabyVision 1,5 und bei Humanity's Last Exam (HLE) 0,6. Vorn liegt das MiniMax-Modell nur bei Automation-Bench, mit 62,8 gegen 60,5.

Beim HLE widersprechen sich die Quellen. The Decoder schreibt unter Berufung auf Artificial Analysis, M3.1 Flash erreiche 48 Prozent und schlage damit DeepSeek und GLM. In MiniMaxs eigener Tabelle liegt das Modell dagegen 0,6 Punkte hinter DeepSeek. Eine Erklärung liefert das Material nicht. Abweichende Testbedingungen, etwa der Einsatz von Werkzeugen oder andere DeepSeek-Einstellungen, sind möglich. Belegt ist das nicht.

Günstig pro Aufgabe, aber ausführlich und langsamer als angekündigt

Artificial Analysis beziffert die Kosten der Index-Evaluation auf durchschnittlich 0,22 Dollar pro Aufgabe. Das ist der niedrigste Wert unter den gemessenen MiniMax-Modellen. Für M3 nennt eine Quelle etwa 0,51 Dollar. Daraus ergibt sich eine Ersparnis von rund 57 Prozent. Diese Rechnung stammt von uns und beruht auf dieser einen Quelle. MiniMax selbst spricht von 70 Prozent weniger Kosten, bezieht sich dabei aber auf eigene Agentenaufgaben. Die Baselines unterscheiden sich, deshalb sind die Werte nicht direkt vergleichbar.

Beim Tempo klaffen Anspruch und Messung auseinander. MiniMax wirbt mit nahezu dreifacher Geschwindigkeit und mehr als 200 Token pro Sekunde zur „alltäglichen Spitzenzeit“. Artificial Analysis misst 105 Token pro Sekunde. Das liegt unter dem Schnitt von 114. Bis zum ersten Antwort-Token vergehen 20,49 Sekunden. Zum Verhältnis zu M3 nennt Artificial Analysis keine Zahl. Anbieter, Reasoning-Stufe und Messbedingungen fehlen in den Angaben. Ein Herstellerwert und ein Messwert lassen sich deshalb nicht gegeneinander aufrechnen.

Auch beim Tokenverbrauch stehen sich zwei Darstellungen gegenüber. Artificial Analysis nennt das Modell „sehr ausführlich“: 180 Millionen Token bei der Index-Evaluation, der Median liegt bei 100 Millionen. The Decoder schreibt dagegen, es brauche deutlich weniger Output-Token als die Konkurrenz aus der Flash-Klasse. Vermutlich unterscheiden sich die Vergleichsgruppen. Das Material klärt es nicht. Dass die Kosten pro Aufgabe trotzdem niedrig ausfallen, liegt dann am niedrigen Token-Preis und nicht an knappen Antworten.

93 Prozent Halluzinationsrate: Das Modell antwortet fast immer, auch bei Unsicherheit

Laut Berichten über Artificial Analysis liegt die Halluzinationsrate von M3.1 Flash bei 93 Prozent. Damit ist kein Anteil falscher Antworten insgesamt gemeint. Das Modell versucht nahezu jede Testfrage zu beantworten und verweigert kaum. Wo es etwas nicht weiß, liefert es trotzdem eine Antwort.

Daneben steht ein gutes Ergebnis. Im AA-Omniscience-Test beantwortet das Modell 56 Prozent der Fragen korrekt. GLM-5.3 Flash kommt auf 28 Prozent, DeepSeek auf 43 Prozent. Beide Werte gehören zusammen. M3.1 Flash weiß vergleichsweise viel, zeigt aber kaum an, wo sein Wissen endet. MiniMax erwähnt das Thema in der Ankündigung nicht.

Für Teams, die belastbare Fakten liefern müssen, etwa in Recherche, Compliance oder Kundenauskunft, ist das ein Risiko. Eine falsche Antwort klingt genauso sicher wie eine richtige. Wer das Modell dort einsetzt, braucht eine Gegenprüfung durch Quellen oder Menschen. Verweigerung sollte man im Prompt oder in der Anwendungslogik ausdrücklich absichern. Bei Coding- und Agentenschritten mit automatisch prüfbarem Ergebnis, etwa Tests, wiegt das Problem weniger.

Herstellerbenchmarks ohne unabhängige Reproduktion

Die übrigen Leistungsangaben stammen von MiniMax selbst. Im vorliegenden Material sind sie nicht unabhängig reproduziert. Nach Herstellerangaben erreicht M3.1 Flash 73,7 Prozent bei DeepSWE v1.1, 61,7 bei OSWorld V2, 76,2 bei BankerToolBench, 82 Prozent bei CyberGym und 62,8 bei Automation-Bench. Demnach liegt es vor Claude Opus 5 (50,3) und GPT-5.6 Sol (45,8), bei Kosten von unter 0,05 Dollar pro Aufgabe.

Auch die Formulierung „generational leap“ und die Aussage, kein chinesisches Modell habe bei OSWorld V2 besser abgeschnitten, sind Herstellerangaben. Die Automation-Werte lassen sich über AutomationBench-AA bei Artificial Analysis prüfen. Die OSWorld-Aussage lässt sich an der öffentlichen OSWorld-V2-Rangliste nachvollziehen. Für DeepSWE und die übrigen Tests fehlen unabhängige Läufe. Am aussagekräftigsten wären solche Läufe mit denselben Einstellungen wie in der MiniMax-Ankündigung.

Gewichte fehlen noch, Zugang läuft über API, OpenRouter und Claude-Code-Endpoint

Zugriff gibt es über OpenRouter, die MiniMax-API, den Abo-Tarif M Plan und MiniMax Code. MiniMax betreibt außerdem einen Anthropic-kompatiblen Endpoint. Eine Anleitung erklärt, wie sich Claude Code auf M3.1 Flash umstellen lässt.

Die Gewichte sind zum Stand 19. Oktober nicht veröffentlicht. MiniMax kündigt eine spätere Freigabe an. Ein Bericht nennt den 23. Oktober. DeepSeek V4.1 Flash liegt dagegen bereits unter MIT-Lizenz offen vor. MiniMaxs Developer Guide nennt 428 Milliarden Parameter. MarkTechPost gibt laut gptunnel rund 23 Milliarden aktive Parameter in einer MoE-Architektur an. Die Architektur gilt im Kern als unverändert. MiniMax führt das Tempo auf aggressivere Sparsity bei der Inferenz zurück. Einen technischen Report gibt es nicht. Für die Zukunft ist ein Pro-Modell angekündigt.

Für Entwickler heißt das: Ein Test über die API oder bestehende Claude-Code-Setups ist sofort möglich und kostet wenig. Wer selbst hosten muss oder Datenhoheit verlangt, sollte bis zur Freigabe der Gewichte warten. Vor einer Migration empfiehlt sich eine eigene Messung von Tempo, Tokenverbrauch und Halluzinationsverhalten anhand der eigenen Aufgaben.