---
pipeline_tag: image-text-to-text
license: other
license_name: minimax-community
license_link: LICENSE
library_name: transformers
tags:
- multimodal
- moe
- agent
- coding
- video
---
English
# MiniMax-M3.1-Flash
**MiniMax-M3.1-Flash** 是一款原生多模态混合专家（MoE）模型，面向编程、智能体工作流、计算机使用和网络安全等场景。它支持文本、图像和视频输入，上下文窗口最高可达 **100 万 tokens**。
在 MiniMax-M3 的基础上，M3.1-Flash 通过全模型稀疏注意力、量化感知训练和 DSpark 投机解码，进一步提升了任务表现与推理效率。
**亮点：**
- **智能体能力：** 在智能体任务、编程和网络安全方面实现代际跃升——BankerToolBench 76.2、DeepSWE v1.1 73.7%、OSWorld V2 61.7、Agents' Last Exam 29.6、CyberGym 82.2。
- **高效设计：** 全模型稀疏注意力、量化感知训练和 DSpark 投机解码共同提升推理效率。
## 模型概览
- **架构：** 原生多模态混合专家（MoE）
- **参数：** 总参数约 428B；每 token 激活约 23B
- **输入 / 输出：** 文本、图像和视频输入；文本输出
- **上下文窗口：** 最高 1,000,000 tokens
- **注意力：** 全模型采用 [MiniMax Sparse Attention](https://arxiv.org/abs/2606.13392)（MSA）
- **投机解码：** 包含 DSpark draft head
## 基准测试
| 基准测试 |
MiniMax M3.1 Flash |
DeepSeek V4.1 Flash-1017 |
DeepSeek V4.1 Flash |
Kimi K3 |
GLM-5.3 |
GPT-5.6 Sol |
Opus 5 |
Automation-Bench v1.0.6 |
62.8 |
60.5 |
54.8 |
46.7 |
48.8 |
45.8 |
50.3 |
| BankerToolBench |
76.2 |
— |
73.7 |
69.1 |
74.5 |
74.6 |
76.2 |
| GDP.pdf AA |
20.8 |
— |
12.8 |
22.0 |
11.2 |
27.2 |
21.6 |
| Terminal Bench 4.0 |
38.1 |
42.3 |
31.2 |
12.6 |
37.9 |
39.9 |
51.8 |
| LOCA-Bench 256K |
60.3 |
— |
— |
49.7 |
50.3 |
60.0 |
53.7 |
Agents’ Last Exam |
29.6 |
— |
— |
28.3 |
— |
30.6 |
32.2 |
| OSWorld 2.0 |
61.7 |
— |
54.3 |
58.3 |
— |
65.7 |
70.6 |
PostTrain Bench v1.1 |
39.3 |
— |
30.5 |
36.6 |
37.5 |
36.2 |
40.4 |
| DeepSWE v1.1 |
73.7 |
77.0 |
74.2 |
67.5 |
66.9 |
73.0 |
74.0 |
| NL2Repo-Bench |
61.2 |
68.2 |
65.4 |
58.0 |
58.0 |
56.8 |
75.3 |
| SWE Refactor Bench |
23.0 |
— |
11.8 |
19.5 |
10.4 |
28.5 |
31.0 |
CyberGym |
82.2 |
— |
— |
80.0 |
84.5 |
83.6 |
— |
BabyVision (with tools) |
91.0 |
92.5 |
89.6 |
85.7 |
— |
88.9 |
94.1 |
| HLE (without tools) |
43.4 |
42.6 |
39.2 |
43.5 |
42.3 |
49.5 |
55.6 |
| CharXiv RQ |
82.5 |
— |
69.0 |
84.8 |
— |
85.2 |
83.7 |
评测说明
- **Automation-Bench v1.0.6：** 600 个公开任务。
- **BankerToolBench：** OpenCode 1.17.18；MiniMax-M2.7 作为 judge。
- **GDP.pdf AA：** 直接取自 Artificial Analysis。
- **Terminal Bench 4.0：** Codex 0.149.1。
- **LOCA-Bench 256K：** 官方实现。
- **Agents’ Last Exam：** 采用官方 Overall 设置；仅收录官方 ALE 榜单的完整测试集结果。空白表示没有官方结果（仅 CLI 结果不计入），并非零分。
- **OSWorld 2.0：** 采用 0808 Full 版本；各模型取其发布时报告的最高分，DeepSeek V4.1 除外（内部复现）。
- **PostTrain Bench v1.1：** Claude Code 2.1.251，512K 上下文；其余设置遵循官方评测。
- **DeepSWE v1.1：** mini-SWE-agent 2.4.5，512K 上下文。
- **NL2Repo-Bench：** Claude Code 2.1.233，512K 上下文；reward hacking 计 0 分；修正了两个规格与测试不一致的任务（分数基于修正后的测试集）。
- **SWE Refactor Bench：** Claude Code 2.1.220，200K 上下文；其余设置遵循官方评测。
- **CyberGym：** Claude Code 2.1.263，1M 上下文。
- **BabyVision（带工具）：** Claude Code 2.1.285；图像最短边 1,500 px。
- **HLE（不带工具）：** 纯文本子集（2,158 题）。
- **CharXiv RQ：** GPT-5.5 作为 judge。
以上结果基于官方权重；第三方量化版本可能有所不同。
## M3.1-Flash 的新特性
M3.1-Flash 延续 M3 的核心混合专家架构，主要有三项变化：
- **全模型稀疏注意力：** 前三个全注意力层替换为稀疏注意力。
- **量化感知训练：** 路由 MoE 专家与注意力路径在训练阶段完成量化，降低显存占用并提升推理效率。
- **DSpark 投机解码：** DSpark 取代此前的类 EAGLE MTP 方案。本次发布包含 draft head，可与兼容的 serving 实现配合使用。
## 如何使用
- [MiniMax Agent](https://agent.minimax.io/)
- [MiniMax API](https://platform.minimax.io/)
### 本地部署
下载模型：
```bash
hf download MiniMaxAI/MiniMax-M3.1-Flash --local-dir MiniMax-M3.1-Flash
```
推荐使用以下推理框架部署模型：
- [SGLang](https://docs.sglang.io/) — 参见 [SGLang cookbook](https://docs.sglang.io/cookbook/autoregressive/MiniMax/MiniMax-M3.1)。
- [vLLM](https://github.com/vllm-project/vllm) — 参见 [vLLM recipe](https://recipes.vllm.ai/MiniMaxAI/MiniMax-M3.1-Flash)。
更多集成正在推进中：Transformers、TokenSpeed、KTransformers、unsloth 和 ATOM。
## 推理设置
推荐采样设置：`temperature=1.0` 和 `top_p=0.95`。
推理时，在 chat template 中设置 `reasoning_effort`：`low`、`medium`、`high`、`xhigh` 或 `max`。
模型支持最高 100 万 tokens 的上下文窗口。可用上下文长度和吞吐量取决于 GPU 显存和 serving 配置。
## 联系我们
请联系 [model@minimax.io](mailto:model@minimax.io)。
