19.10.2026

MiniMax M3.1-Flash

MiniMax-M3.1-Flash ist ein Sprachmodell von MiniMax mit langem Kontextfenster. Es eignet sich für agentisches Coding und Tool-Nutzung mit langem Kontext.

43Punkte

Median aller Modelle: 26

1,05 Mio.Tokens

Maximaler Output: 1.048.576 Tokens

MiniMax-M3.1-Flash im Überblick

Stand Oktober 2026 steht MiniMax-M3.1-Flash im Artificial Analysis Intelligence Index mit 43 Punkten auf Platz 21 von 135 Modellen.

Hohe Intelligenz bei niedrigem Preis

Artificial Analysis misst 43 Punkte im Intelligence Index v4.3.2 und führt das Modell auf Rang 4 von 173 in seiner Vergleichsklasse; der Vorgänger MiniMax-M3 kommt auf 29. Mit $0,15 pro 1 Mio. Input-Tokens und $0,60 pro 1 Mio. Output-Tokens liegt es unter den Medianwerten der Klasse von $0,24 und $0,87. Die Schwäche dabei ist die Länge der Antworten: Im Index-Lauf entstanden 180 Mio. Output-Tokens, der Median liegt bei 99 Mio.

Agentic Coding
Tool-Nutzung
Lange Dokumente
Office-Agenten
Bildverständnis

Redaktionelle Einordnung auf Basis der Modellbeschreibung und der unten verlinkten Messungen.

Was du abwägen solltest

Gewichte noch nicht verfügbar. MiniMax nennt das Modell „open-weight“, laut handyai.news sind die Gewichte aber noch nicht veröffentlicht. Artificial Analysis führt es als proprietär ohne verfügbare Weights, Selbst-Hosting ist damit derzeit nicht möglich.
Viele Output-Tokens bei max. Der Standard-Effort ist max, und höhere Stufen erzeugen laut Dokumentation mehr Output-Tokens bei höherer Latenz. Wer KI-Agenten mit vielen Schritten betreibt, sollte Effort und Kosten pro Lauf gemeinsam messen.
Benchmarks hängen vom Harness ab. Terminal-Bench 4.0 ergibt 38,1 % laut Anbieter im Codex-Harness, aber 25,8 % im Leaderboard von Artificial Analysis. Viele Werte wie DeepSWE (73,7 %) oder Agents' Last Exam (29,6 %) stammen laut Quellenlage vom Anbieter oder aus Tertiärquellen und sind nicht unabhängig geprüft.
Entwickler sitzt in China. Der Entwickler MiniMax ist laut Stammdaten in Shanghai ansässig. Wer Dokumente mit personenbezogenen Daten verarbeitet, sollte Nutzungs- und Speicherbedingungen der API vorab prüfen.

Ähnliche KI-Modelle ansehen

MiniMax-M3.1-Flash Benchmarks

43Punkte

Der Artificial Analysis Intelligence Index ist ein Meta-Benchmark, der keine eigenen Fragen enthält, sondern die Ergebnisse von zehn unabhängigen Benchmarks aggregiert: GDPval-AA (220 Aufgaben), tau2-Bench Telecom (114 Aufgaben), Terminal-Bench Hard (44 Aufgaben), SciCode (338 Teilprobleme), AA-LCR (100 Fragen), AA-Omniscience (6.000 Fragen), IFBench (294 Aufgaben), Humanity's Last Exam (2.158 Fragen), GPQA Diamond (198 Fragen) und CritPt (70 Aufgaben).

Mehr zum Benchmark

Artificial Analysis Intelligence IndexMedian aller Modelle: 26

Claude Opus 5.5Platz 1, Anthropic
Claude Sonnet 5.5Platz 2, Anthropic
MiMo V2.6 ProXiaomi
MiniMax-M3.1-FlashMiniMax
Claude Haiku 5.5Anthropic
GLM-5.3 FlashZ.ai
MiniMax M3MiniMax
MiniMax M2.7MiniMax
MiniMax-M2.5MiniMax

Daten: Artificial Analysis (artificialanalysis.ai)artificialanalysis.ai

MiniMax-M3.1-Flash Modelldaten

Kontextfenster: 1.048.576 Tokens
Maximaler Output: 1.048.576 Tokens
Eingabe: Text, Bilder
Ausgabe: Text

Anbieter: MiniMax
Veröffentlicht: 19. Oktober 2026
Modellgewichte: Offen

1,05 Mio. Tokens Kontext1,05 Mio. maximaler Output

Die Ausgabelänge ist eine eigene Obergrenze. Der tatsächlich verfügbare Eingaberaum hängt auch vom Output-Budget und der API-Konfiguration ab.

Standardfähigkeiten & Schnittstellen

Prompt-Caching
Reasoning
Tool-Nutzung
Bildverständnis
Strukturierte Ausgaben

Daten aktualisiert am 24. Oktober 2026. Fehler gefunden? kontakt@byte.de

MiniMax-M3.1-Flash API-Provider

Input / 1 Mio. Tokens
$0,10
Output / 1 Mio. Tokens
$0,55
Cache-Lesen / 1 Mio.
$0,01
Kontextfenster
1 Mio.Tokens
Maximaler Output
524,3kTokens
Input / 1 Mio. Tokens
$0,1425
Output / 1 Mio. Tokens
$0,57
Cache-Lesen / 1 Mio.
$0,01425
Kontextfenster
1,05 Mio.Tokens
Maximaler Output
943,7kTokens
Input / 1 Mio. Tokens
$0,15
Output / 1 Mio. Tokens
$0,60
Cache-Lesen / 1 Mio.
$0,015
Kontextfenster
1,05 Mio.Tokens
Maximaler Output
943,7kTokens
Input / 1 Mio. Tokens
$0,15
Output / 1 Mio. Tokens
$0,60
Cache-Lesen / 1 Mio.
$0,015
Kontextfenster
1,05 Mio.Tokens
Maximaler Output
524,3kTokens
ModelRun
Input / 1 Mio. Tokens
$0,15
Output / 1 Mio. Tokens
$0,60
Cache-Lesen / 1 Mio.
$0,015
Kontextfenster
1,05 Mio.Tokens
Maximaler Output
943,7kTokens
Input / 1 Mio. Tokens
$0,15
Output / 1 Mio. Tokens
$0,60
Cache-Lesen / 1 Mio.
$0,015
Kontextfenster
1,05 Mio.Tokens
Maximaler Output
943,7kTokens
Input / 1 Mio. Tokens
$0,15
Output / 1 Mio. Tokens
$0,60
Cache-Lesen / 1 Mio.
$0,015
Kontextfenster
1 Mio.Tokens
Maximaler Output
524,3kTokens
Input / 1 Mio. Tokens
$0,15
Output / 1 Mio. Tokens
$0,60
Cache-Lesen / 1 Mio.
$0,015
Kontextfenster
1,05 Mio.Tokens
Maximaler Output
524,3kTokens
Input / 1 Mio. Tokens
$0,15
Output / 1 Mio. Tokens
$0,60
Cache-Lesen / 1 Mio.
$0,015
Kontextfenster
1,05 Mio.Tokens
Maximaler Output
943,7kTokens
Input / 1 Mio. Tokens
$0,15
Output / 1 Mio. Tokens
$0,60
Cache-Lesen / 1 Mio.
$0,015
Kontextfenster
1,05 Mio.Tokens
Maximaler Output
1,05 Mio.Tokens
Input / 1 Mio. Tokens
$0,15
Output / 1 Mio. Tokens
$0,60
Cache-Lesen / 1 Mio.
$0,015
Kontextfenster
1,05 Mio.Tokens
Maximaler Output
943,7kTokens
Input / 1 Mio. Tokens
$0,30
Output / 1 Mio. Tokens
$1,20
Cache-Lesen / 1 Mio.
$0,03
Kontextfenster
1,05 Mio.Tokens
Maximaler Output
943,7kTokens