MiniMax M3.1 Flash: günstiges KI-Modell mit hoher Halluzinationsrate
MiniMax hat am 19. Oktober 2026 das Sprachmodell M3.1 Flash veröffentlicht. Es ist per API nutzbar, kostet laut Artificial Analysis rund 0,22 US-Dollar pro Benchmark-Aufgabe und erreicht 42,7 Punkte im Intelligence Index. Die Halluzinationsrate von rund 93 Prozent begrenzt den Einsatz für faktenkritische Aufgaben, offene Gewichte sind angekündigt.
Der chinesische KI-Anbieter MiniMax hat am 19. Oktober 2026 das Sprachmodell MiniMax M3.1 Flash freigegeben. Es ist ab sofort über die MiniMax-API, das Abo M Plan und die Desktop-App MiniMax Code nutzbar. Für Teams, die Coding-Agenten oder automatisierte Workflows über externe Modell-APIs betreiben, ist vor allem der niedrige Preis pro Aufgabe interessant. Der unabhängige Benchmark-Anbieter Artificial Analysis misst zugleich eine sehr hohe Halluzinationsrate, die den Einsatz für faktenkritische Aufgaben einschränkt.
Wer keine MiniMax-API nutzt und auch keine Gateways mit frei wählbaren Modellen betreibt, muss heute nichts tun. Teams, die Modelle für Agenten oder interne Assistenten auswählen, können M3.1 Flash in ein geplantes Evaluierungsfenster aufnehmen. Eine Pflicht zum sofortigen Handeln entsteht aus der Veröffentlichung nicht.
Was ist neu?
Laut Ankündigung im MiniMax-Blog ist M3.1 Flash der Nachfolger von MiniMax M3 und auf agentische Aufgaben, Programmierung, Computer Use und Sicherheitsanalysen ausgelegt. Die Eckdaten:
- Kontextfenster von 1.000.000 Token, Eingabe von Text und Bildern, über die OpenAI-kompatible Schnittstelle laut Doku auch Video.
- Einstellbare Denktiefe über den Parameter
reasoning_effortin den Stufen low, medium, high, xhigh und max. - MiniMax nennt rund dreimal schnellere Inferenz und um 70 Prozent niedrigere Nutzungskosten bei agentischen Aufgaben im Vergleich zum Vorgänger.
- Herstellerwerte: 73,7 Prozent im Coding-Benchmark DeepSWE v1.1, 61,7 Punkte in OSWorld V2 und 82 Prozent in CyberGym.
- Artificial Analysis führt das Modell mit 42,7 Punkten im Intelligence Index, The Decoder nennt gerundet 42 Punkte und einen Sprung von 29 Punkten beim Vorgänger M3.
Kosten und Messwerte im Überblick
Die Preisseite der MiniMax-Plattform listet für M3.1 Flash einen Einheitstarif von 0,15 US-Dollar pro Million Eingabe-Token, 0,60 US-Dollar pro Million Ausgabe-Token und 0,015 US-Dollar pro Million Token aus dem Prompt-Cache. Aussagekräftiger ist der Wert pro Aufgabe, weil Reasoning-Modelle unterschiedlich viele Token erzeugen. Die Modellseite von Artificial Analysis liefert dazu folgende Messwerte:
- Rund 0,22 US-Dollar pro Aufgabe im Intelligence Index.
- Etwa 180 Millionen Ausgabe-Token für den gesamten Index, laut Artificial Analysis deutlich mehr als der Median vergleichbarer Modelle.
- 48 Prozent in Humanity's Last Exam und 22 Prozent im Physik-Benchmark CritPt.
- Gemessene Ausgabegeschwindigkeit von rund 123 Token pro Sekunde.
Halluzinationen als zentrales Risiko
Im Faktentest AA-Omniscience beantwortet M3.1 Flash 56 Prozent der Wissensfragen korrekt. Die Halluzinationsrate liegt bei rund 93 Prozent. Diese Kennzahl beschreibt, wie oft das Modell bei Fragen, die es nicht richtig beantworten kann, trotzdem eine falsche Antwort liefert, statt Unsicherheit einzuräumen. Laut Bericht von The Decoder versucht das Modell, praktisch jede Testfrage zu beantworten.
Für den Betrieb bedeutet das: Als Coding-Agent mit Tests, Linter und Review ist das Risiko beherrschbar, weil Fehler technisch auffallen. Für Wissensauskünfte, Support-Antworten oder Konfigurationsempfehlungen ohne Quellenbezug ist diese Quote dagegen riskant. Ohne Retrieval-Anbindung an geprüfte Dokumente und ohne menschliche Kontrolle sollten Ausgaben dort nicht ungeprüft weiterverwendet werden.
Für wen ist das relevant?
- Teams, die Coding-Agenten oder automatisierte Ticket- und Datenworkflows über externe Modell-APIs betreiben und Kosten pro Aufgabe senken wollen.
- Betreiber von LLM-Gateways, über die Fachabteilungen selbst Modelle auswählen können. Neue Modell-IDs tauchen dort schnell in Freigabelisten auf.
- Admins, die lokale Modelle planen: MiniMax bezeichnet M3.1 Flash in den Release Notes der Plattform als Open-Weight-Modell, die Gewichte sollen aber erst später erscheinen.
Nicht relevant ist die Meldung für Umgebungen ohne externe KI-APIs.
Verfügbarkeit per API und offene Gewichte
Laut API-Dokumentation zur OpenAI-kompatiblen Schnittstelle lässt sich das Modell mit dem OpenAI-SDK über die Basis-URL https://api.minimax.io/v1 und die Modell-ID MiniMax-M3.1-Flash ansprechen. Zwei Details sind für Integrationen wichtig: Ohne Angabe steht reasoning_effort auf max, was Latenz und Tokenverbrauch erhöht. Der Wert none wird nicht unterstützt und mit HTTP 400 abgelehnt. Außerdem liefert das Modell seine Denkschritte im Feld reasoning_content, das bei mehrstufigen Tool-Aufrufen vollständig im Verlauf erhalten bleiben muss.
Zu den offenen Gewichten gibt es noch keine belastbaren Details. Im Hersteller-Blog heißt es nur, die Gewichte würden später veröffentlicht. The Decoder berichtet von einer Ankündigung für den 23. Oktober. Auf Hugging Face existiert bislang kein Repository zu M3.1 Flash, Lizenz und Parameterzahl sind daher offen. Artificial Analysis führt das Modell aktuell noch als proprietär.
Was Admins jetzt tun sollten
- Inventar prüfen: In Gateways, Agenten-Konfigurationen und Entwicklerumgebungen nachsehen, ob MiniMax-Modelle oder API-Schlüssel bereits genutzt werden und wer neue Modell-IDs freischalten darf.
- Vor einer Freigabe Datenschutz und Vertragslage klären, etwa Speicherort und Auftragsverarbeitung.
reasoning_effortbewusst setzen statt den Standardwert max zu übernehmen und Kosten pro Aufgabe in einem eigenen Testlauf messen.- Einsatz auf Aufgaben mit technischer Prüfbarkeit begrenzen, etwa Code mit Tests, und faktenkritische Antworten nur mit Quellenbindung und Kontrolle zulassen.
- Budgetgrenzen und Ratenlimits pro Schlüssel im Gateway setzen, damit lange Reasoning-Ketten nicht unbemerkt Kosten erzeugen.
- Für lokalen Betrieb Gewichte und Lizenz abwarten, bevor Hardware eingeplant wird.
Einordnung
M3.1 Flash setzt den Preisdruck fort, den zuletzt auch DeepSeek V4.1 Flash 1017 erzeugt hat. Für Unternehmen ist es ein Kandidat für günstige, gut prüfbare Agentenaufgaben, als Wissensassistent ohne Quellenanbindung aber ungeeignet. Wer externe Modelle zentral bündelt, sollte zudem auf eine sauber abgesicherte Gateway-Konfiguration achten, wie der Fall offen erreichbarer LiteLLM-Gateways mit Standardschlüssel gezeigt hat.
Passende Anleitungen auf S-EDV
- LiteLLM als LLM-Gateway mit Docker betreiben: Modelle zentral freigeben, Budgets und Schlüssel verwalten.
- Qwen3 lokal mit Ollama und vLLM betreiben: Grundlagen für den späteren Eigenbetrieb offener Reasoning-Modelle.
