MiniMax 在 Hugging Face 上线了 MiniMax-M3.1-Flash，这是一款原生多模态的混合专家（MoE）模型，总参数约 428B，每个 token 激活约 23B，支持文本、图像和视频输入、文本输出，上下文窗口最高可达 100 万 tokens。模型定位覆盖编程、智能体工作流、电脑操作（computer use）以及网络安全等场景，采用 MiniMax 社区许可协议发布。

从架构看，M3.1-Flash 延续了前代 MiniMax-M3 的 MoE 主干，主要做了三处改动。其一是把模型前几层原本的全注意力替换为稀疏注意力，实现全模型范围的 MiniMax 稀疏注意力（MSA）；其二是引入量化感知训练，在训练阶段就对路由专家和注意力路径做量化，以降低显存占用、提升服务效率；其三是用 DSpark 投机解码替代此前类似 EAGLE 的 MTP 方案，并随模型一同提供 draft head，供兼容的推理框架调用。

官方公布的基准成绩显示，M3.1-Flash 在智能体与编程类任务上较前代有明显提升：BankerToolBench 得 76.2，DeepSWE v1.1 得 73.7%，OSWorld V2 得 61.7，Agents' Last Exam 得 29.6，CyberGym 得 82.2。在与其他模型的横向对比表中，MiniMax 将 M3.1-Flash 与 DeepSeek V4.1 Flash、Kimi K3、GLM-5.3、GPT-5.6 Sol、Opus 5 等并列展示，例如 Automation-Bench v1.0.6 上 M3.1-Flash 为 62.8，Terminal Bench 4.0 为 38.1，LOCA-Bench 256K 为 60.3，HLE（无工具）为 43.4。需要说明的是，这些对比数字来自 MiniMax 自行整理的表格，不同基准的评测环境、工具版本与判分模型并不统一，官方也在脚注中标注了各基准所用的 CLI 工具版本、上下文长度与 judge 模型，因此跨模型比较宜视为参考而非严格同条件对照。

效率是这次更新的另一条主线。稀疏注意力、量化感知训练与 DSpark 投机解码三者叠加，指向的是在保持能力的同时压低单次推理的算力开销——这对以 API 调用为主要成本结构的模型服务商而言，直接关系到单位 token 的毛利空间；对下游开发者而言，则意味着长上下文与多模态输入的组合在成本上更可承受。官方同时提示，实际可用上下文长度与吞吐仍取决于 GPU 显存和服务配置。

部署方面，MiniMax 推荐使用 SGLang、vLLM 与 TokenSpeed 三类推理框架来服务该模型，并给出了对应的配置指引；与 Transformers、KTransformers、unsloth、ATOM 的集成仍在推进中。采样参数建议 temperature=1.0、top_p=0.95，推理强度可通过 chat template 中的 reasoning_effort 在 low 到 max 之间调节。模型权重可直接从 Hugging Face 下载，同时也接入了 MiniMax Agent 与 MiniMax API。

从产业视角看，M3.1-Flash 的发布延续了开源多模态模型向「智能体可用」演进的趋势：编程、电脑操作与网络安全这几类基准，衡量的正是模型能否在真实工具链中多步执行任务，而非单轮问答。这一方向上的竞争，既牵动模型层自身的迭代节奏，也会传导至推理算力需求与云服务成本结构。不过，基准分数与真实生产环境的表现之间通常存在落差，模型的实际落地效果仍需在具体工作流中检验。