MiniMax M3.1 Flash Open Weights: download, execução e custos

Os open weights do MiniMax M3.1 Flash foram liberados em 23 de outubro de 2026. O ponto prático, porém, é bem menos empolgante que o barulho do lançamento: trata-se de um checkpoint baixável de 428B que praticamente nenhum computador com uma única GPU deveria tentar executar. O repositório MiniMaxAI/MiniMax-M3.1-Flash reúne cerca de 252 GB em 48 shards, sem aprovação para download, mas a MiniMax Community License mantém condições para uso comercial: atribuição, um aviso único e autorização prévia para empresas com receita anual acima de $20M.

Veredito rápido sobre o checkpoint de 252 GB

MiniMax M3.1 Flash é um modelo multimodal nativo de mixture-of-experts, com aproximadamente 428 bilhões de parâmetros totais e cerca de 23 bilhões ativados por token. Recebe texto, imagem e vídeo, gera texto e aceita até 1.000.000 de tokens de contexto. Ele usa MiniMax Sparse Attention em toda a arquitetura e inclui uma cabeça de rascunho DSpark para decodificação especulativa. Os pesos já podem ser baixados pelo Hugging Face e por um espelho no ModelScope, mas “Flash” fala da economia de inferência, não de um modelo pequeno. E “open weights” não é sinônimo de código aberto.

Faz sentido para equipes que já têm infraestrutura multi-GPU e para cargas de agentes em que a API a $0.15/$0.60 supera a conta atual. Não serve para laptops nem para máquinas com uma GPU de consumo, tampouco para produtos comerciais que não possam exibir a atribuição obrigatória. Minha leitura é simples: comece pela API e só faça self-hosting quando o volume ou a necessidade de controle dos dados justificar o hardware.

Como baixar e conferir os pesos oficiais

O checkpoint oficial está em MiniMaxAI/MiniMax-M3.1-Flash no Hugging Face. O post de anúncio da MiniMax em 23 de outubro aponta para os downloads no Hugging Face e no ModelScope. A análise de lançamento dos pesos da alfw.ai informa um pacote de aproximadamente 252 GB, sem bloqueio de download: 48 shards de pesos, uma cabeça de rascunho DSpark separada, além dos arquivos de tokenizer e configuração.

hf download MiniMaxAI/MiniMax-M3.1-Flash --local-dir MiniMax-M3.1-Flash

Antes de reservar hardware, confira três pontos diretamente na página do repositório. Primeiro, veja se a lista inclui todos os 48 shards e a cabeça de rascunho, e não um espelho parcial. Segundo, confirme que o campo de licença é minimax-community, não MIT nem Apache, e desconsidere rótulos desatualizados de pré-lançamento em agregadores. Por fim, leve a sério o aviso do próprio card: as pontuações publicadas valem para os pesos oficiais, e quantizações de terceiros podem se comportar de forma diferente. Portanto, trate qualquer EXL3 ou repack que apareça nesta semana como não verificado até que informe o commit de origem.

Self-hosting: faça a conta do hardware antes

Um modelo de 428B não fica menor só porque 23B de parâmetros são ativados por token — e é aqui que a maioria das discussões sobre “rodar localmente” erra. Os parâmetros ativos definem o custo de inferência por token; o total define quanto precisa ser armazenado e mantido em memória. Em BF16, 428 bilhões de parâmetros multiplicados por 2 bytes resultam em cerca de 856 GB apenas para os pesos. Uma representação genérica de 4 bits exigiria aproximadamente 214 GB. Os 252 GB reais do repositório refletem o layout quantizado usado no treinamento, mais tokenizer, configuração e arquivos da cabeça de rascunho, antes de buffers de execução e do cache KV.

"MiniMax-M3.1-Flash open weights are now LIVE 🔥🔥 428B params, 23B active." — @MiaAI_lab, destacando o download de ~252 GB junto de uma receita TensorFold e trabalho de quantização EXL3

Mesmo para equipes, a barreira de hardware é alta. @perry_weijie observa que máquinas pessoais basicamente não conseguem rodá-lo e que instalações próprias fazem sentido para equipes com placas disponíveis. Já uma medição de execução no dia 0 que encontrei, TP4 em 4x DGX Spark, de @majewskizby, relatou cerca de 39.7 tok/s na geração de prosa e 62.2 tok/s em geração estruturada, com contexto de 262K e caminhos NVFP4/MXFP8 usando atenção esparsa Triton. É um dado de dia 0, não um slide do fornecedor, e ainda pressupõe quatro nós de alto desempenho trabalhando em conjunto.

Estas são as rotas viáveis, da menor à maior complexidade:

• SGLang com o cookbook vinculado, incluindo o padrão Docker do model card (--shm-size 32g, porta 30000 e montagem de cache HF).
• vLLM com a receita vinculada (vllm serve na porta 8000, conforme o exemplo do card).
• TokenSpeed com sua receita vinculada para a rota focada em eficiência.
• FlagOS para implantação em múltiplos chips.

Dois problemas de configuração já merecem atenção. O esforço de raciocínio vem configurado por padrão no máximo, o que aumenta custo e latência se você nunca alterar o controle entre low e max. As notas independentes de configuração em minimax-m31flash.org também mencionam falhas clássicas de integração com agentes: sufixo errado do modelo para contexto longo, variáveis de ambiente sobrescrevendo arquivos de configuração, versões mínimas do Codex desatualizadas e nomes de modelos preview aposentados. As integrações com Transformers, KTransformers, unsloth e ATOM estavam listadas como em andamento no card; confirme o status antes de depender delas. A alfw.ai lista compatibilidade anunciada com 10 fabricantes de chips e seis nuvens, mas trate isso como anúncio de compatibilidade até que o catálogo do provedor pelo qual você paga mostre o modelo.

API ou self-hosting: a decisão passa pelo custo por tarefa

Olhar apenas para o preço por token pode enganar, porque tarefas de agentes são dominadas por tokens de raciocínio e pelo comportamento do cache. A API da MiniMax cobra $0.15 por milhão de tokens de entrada, $0.60 por milhão de saída e $0.015 por entrada em cache, sem aumento para contexto longo. Isso contrasta com o MiniMax M3, que dobra o preço acima de 512K tokens de entrada, segundo o minimax-m31flash.org. A Artificial Analysis mediu cerca de $0.22 por tarefa para o M3.1 Flash, contra $0.26 para o DeepSeek V4.1 Flash 1017 na mesma suíte, com 189M contra 224M tokens de saída, respectivamente. A vantagem de aproximadamente 15% no custo por tarefa vem de um raciocínio mais eficiente, não de simples corte de preço.

Faça a conta para a sua carga antes de baixar qualquer coisa: multiplique a divisão mensal entre entrada e saída por $0.15/$0.60, usando sua taxa real de acerto de cache, e compare o resultado ao custo de GPUs reservadas mais o tempo de engenharia. Na maior parte dos casos abaixo de um volume alto e sustentado, a API tende a vencer nessa matemática. O self-hosting pode compensar quando a fatura mensal da API supera o custo amortizado do cluster ou quando os pesos precisam permanecer dentro do seu perímetro.

Benchmarks: separando quem mediu cada resultado

O card da MiniMax documenta os harnesses de cada benchmark — BankerToolBench no OpenCode 1.17.18, com MiniMax-M2.7 como juiz, e CyberGym no Claude Code 2.1.263 com contexto de 1M —, algo mais transparente que a maioria dos posts de lançamento. Ainda assim, são resultados reportados pelo fornecedor. As leituras independentes trazem mais ressalvas: a Vals AI aponta avanço de 26.37 pontos no Vibe Code Bench em relação ao M3, mas identifica fraqueza em horizontes longos, com Terminal-Bench de 25.25% e HLAB-Vals de 7.50% em seu harness. A Artificial Analysis combina uma forte precisão de omniscience de 56% com taxa de alucinação de 93% naquele benchmark, e a VectorWire considera as evidências insuficientes para classificar qualquer capacidade. Trate essa taxa de alucinação como um alerta para adicionar verificação em recuperação de informação, conformidade e respostas voltadas a clientes.

As regras de licença que definem o uso comercial

Os pesos podem ser baixados, mas a MiniMax Community License não é uma licença irrestrita de código aberto. A concessão é voltada ao uso não comercial, e o uso comercial só é permitido sob condições: produtos ou serviços precisam exibir de forma destacada “Built with MiniMax M3.1-Flash”, o usuário deve enviar um aviso único à MiniMax, e qualquer negócio que gere mais de $20M em receita anual precisa de autorização prévia por escrito da empresa. A definição de uso comercial é ampla o bastante para incluir acesso hospedado pago, APIs de modelos, fine-tunes e derivados modificados. Uso militar e geração intencional de informações falsas, enganosas ou prejudiciais são proibidos. A análise de licença da alfw.ai não encontrou restrição territorial para esse modelo, mas essa interpretação vem de uma análise de terceiros, não de um FAQ da MiniMax. Confirme com assessoria jurídica antes de lançar. Classificação: open weights, não código aberto.

Perguntas frequentes

Os pesos do MiniMax M3.1 Flash realmente podem ser baixados?

Sim. O MiniMaxAI/MiniMax-M3.1-Flash apareceu no Hugging Face em 23 de outubro de 2026 com cerca de 252 GB em arquivos e sem aprovação obrigatória, além de um espelho no ModelScope.

Qual é o repositório oficial no Hugging Face?

MiniMaxAI/MiniMax-M3.1-Flash: 48 shards safetensors, cabeça de rascunho DSpark, tokenizer e configuração, com licença marcada como minimax-community. Use hf download MiniMaxAI/MiniMax-M3.1-Flash --local-dir MiniMax-M3.1-Flash.

Posso usar o M3.1 Flash comercialmente?

Sim, sob condições. Exiba “Built with MiniMax M3.1-Flash”, envie o aviso único e obtenha autorização prévia por escrito acima de $20M em receita anual. Fine-tunes e APIs hospedadas contam como uso comercial.

Ele roda em uma GPU de consumo ou em Apple Silicon?

Não há neste artigo uma implantação validada em uma única GPU de consumo ou em Apple Silicon: o checkpoint completo tem ~252 GB, e a conta em BF16 indica ~856 GB só de pesos, o que elimina configurações comuns de memória de GPU. Espere servidores multi-GPU ou um provedor de nuvem; a execução de dia zero citada aqui usou 4x DGX Spark.

Funciona com vLLM, SGLang ou TokenSpeed?

Sim, pelas receitas oficiais vinculadas no model card. SGLang e vLLM são as rotas recomendadas, e TokenSpeed é a terceira receita. FlagOS cobre implantação multi-chip. As integrações da família Transformers ainda estavam em andamento no lançamento.

Como ele se compara ao DeepSeek V4.1 Flash?

É mais barato por tarefa (~$0.22 contra ~$0.26 na suíte da AA) e apresentou HLE e precisão de omniscience mais fortes naquele retrato, mas fica atrás no Intelligence Index agregado (42 contra 45) e no DeepSWE (73.7 contra 77.0 para a build 1017). Para programação agêntica com foco em custo, vale testar um lote de tarefas; quando o índice agregado e o DeepSWE forem decisivos, valide o DeepSeek nas suas próprias tarefas. Próximo passo: execute um lote pago de tarefas pela API com o esforço de raciocínio máximo padrão alterado para sua configuração e só então decida se o download vale a pena.