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、视频输入并输出文本，上下文窗口最高可达 100 万 token。模型采用 MiniMax 社区许可，权重已开放下载，官方推荐使用 SGLang、vLLM 或 TokenSpeed 进行部署。

从架构看，M3.1-Flash 延续了 M3 的 MoE 主干，但做了三处关键调整。其一是把模型前三个全注意力层替换为稀疏注意力，实现全模型范围的 MiniMax Sparse Attention（MSA）；其二是在训练阶段对路由专家与注意力路径做量化感知训练，以压缩显存占用、提升服务效率；其三是用 DSpark 推测解码替代此前类似 EAGLE 的 MTP 方案，并随模型一并发布 draft head，供兼容的推理框架调用。这三项改动共同指向同一个目标：在保持任务表现的同时压低推理成本。

官方公布的基准测试覆盖智能体、编程、终端操作与网络安全等方向。在 BankerToolBench 上得分为 76.2，DeepSWE v1.1 为 73.7%，OSWorld 2.0 为 61.7，Agents' Last Exam 为 29.6，CyberGym 为 82.2。横向对比中，部分项目领先于 DeepSeek V4.1 Flash、Kimi K3、GLM-5.3 等同期模型，但在 Terminal Bench 4.0（38.1）、NL2Repo-Bench（61.2）等编程与终端类任务上，仍低于 GPT-5.6 Sol 与 Opus 5 的公开成绩。官方在评测说明中标注了各基准所用的工具链版本与上下文长度，并提示空白项代表无官方结果而非零分，第三方量化版本的表现可能与此处官方权重不同。

对产业而言，这条发布延续了近期模型层的一条主线：头部厂商不再只拼参数规模，而是把稀疏化、量化训练与推测解码打包进同一代模型，用工程手段换取单位 token 的成本下降。100 万 token 的上下文与视频输入能力，则直接服务于智能体工作流、计算机操作与长文档处理等场景。对下游应用开发者来说，权重开放与主流推理框架的适配进度，决定了这款模型能否被快速集成进现有管线；对算力侧而言，推理效率的改善意味着同等硬件可承载更多请求，但长上下文与多模态输入也会推高单次调用的显存需求，实际吞吐仍取决于部署配置。

目前 Transformers、KTransformers、unsloth 与 ATOM 等集成仍在推进中，多芯片部署可参考 FlagOS 的支持列表。官方建议的采样参数为 temperature=1.0、top_p=0.95，推理强度可在 low 到 max 之间调节。