Новая M3.1 Flash от MiniMax превосходит DeepSeek и Opus 5 в важном бизнес-тесте и обходится дешевле — но часто галлюцинирует

Китайская компания в сфере искусственного интеллекта MiniMax выпустила M3.1 Flash — новую модель ИИ, предназначенную для выполнения сложных корпоративных рабочих процессов, разработки программного обеспечения и задач по управлению компьютером. Она обходится значительно дешевле многих конкурирующих передовых моделей, в том числе популярной китайской DeepSeek в часы пиковой нагрузки.

MiniMax утверждает, что новая модель работает почти в 3 раза быстрее предшественницы и при этом снижает общие расходы на использование ИИ-агентов на 70%. Подробнее о том, как команды сокращают затраты на контекст и токены, мы расскажем на мероприятии VentureBeat’s Agentic Infrastructure Stack Summit в Сан-Франциско 28 октября.

Однако более интересные данные получены в ходе независимого тестирования: Artificial Analysis присвоила M3.1 Flash 42 балла в своём индексе Intelligence Index — на 13 баллов больше, чем предыдущей модели MiniMax M3. При этом оценка каждой задачи обходится менее чем в половину стоимости тестирования предшественницы.

По этому показателю M3.1 Flash находится на одном уровне с GLM-5.3 Flash от Z.ai, немного опережает Gemini 3.8 Flash от Google и приближается к DeepSeek V4.1 Flash-1017 — ещё одной новой недорогой китайской модели ИИ, набравшей 45 баллов.

Однако есть важное ограничение: Artificial Analysis также выяснила, что, хотя M3.1 Flash правильно ответила более чем на половину вопросов на проверку фактических знаний, модель проявляла исключительно высокую склонность давать неверные ответы вместо того, чтобы признать неуверенность.

Результаты подчёркивают как растущую конкурентоспособность недорогих китайских моделей ИИ, так и компромиссы, которые предприятиям необходимо учитывать при их внедрении для задач, требующих точности, надёжности и минимального контроля со стороны человека.

Независимые тесты показывают: MiniMax почти не уступает DeepSeek, но стоит дешевле

Согласно оценке Artificial Analysis, M3.1 Flash набирает 42 балла в Intelligence Index при максимальном уровне усилий на рассуждение. Её предшественница M3 получила 29 баллов.

Это существенное улучшение измеряемых возможностей, которое сопровождается снижением средней стоимости выполнения задачи из Intelligence Index: примерно с 0,51 доллара до 0,22 доллара — почти на 57%.

К ближайшим конкурентам относятся GLM-5.3 Flash, набирающая 42 балла при стоимости около 0,28 доллара за задачу; DeepSeek V4.1 Flash-1017 с результатом 45 баллов и стоимостью около 0,26 доллара за задачу; а также Gemini 3.8 Flash, получившая 41 балл при стоимости около 1,24 доллара за задачу.

Хотя по общему индексу M3.1 Flash уступает наиболее мощным передовым системам Anthropic и OpenAI, сочетание сравнительно высокой производительности и низких эксплуатационных расходов делает её привлекательным вариантом для компаний, чьи системы ИИ выполняют большое количество задач.

Особенно заметный прогресс Artificial Analysis зафиксировала в области сложных рассуждений. Результат M3.1 Flash в бенчмарке Humanity’s Last Exam составил 48% против 39% у M3. Это выше, чем у GLM-5.3 Flash (40%) и DeepSeek V4.1 Flash-1017 (43%), и на уровне Gemini 3.8 Flash.

В бенчмарке CritPt, проверяющем рассуждения в области физики, результат MiniMax вырос всего с 4% до 22%. Это выше показателей GLM-5.3 Flash (15%) и Gemini 3.8 Flash (18%), но немного ниже результата DeepSeek (24%).

Во время оценки Intelligence Index новая модель также использовала меньше выходных токенов — около 189 млн, согласно объявлению Artificial Analysis, против примерно 324 млн у GLM-5.3 Flash и 334 млн у Gemini 3.8 Flash.

Это важно, поскольку разработчики платят за токены, генерируемые моделями ИИ, включая промежуточные рассуждения, необходимые для выполнения сложных задач. Модель, которая достигает сопоставимых результатов, генерируя меньше токенов, может обеспечить значительную экономию сверх разницы в заявленных тарифах API.

MiniMax нацелилась на автоматизацию корпоративных процессов, программирование и управление компьютером

В своём официальном объявлении MiniMax подчёркивает способность модели выполнять длинные последовательности действий в бизнес-программах, средах разработки и компьютерных интерфейсах.

Компания сообщает о результате 62,2 в Automation-Bench v1.0.6 — бенчмарке, проверяющем работу ИИ-агентов с бизнес-процессами в приложениях для продаж, маркетинга, операционной деятельности, поддержки клиентов, финансов и управления персоналом.

Этот результат немного выше, чем у DeepSeek V4.1 Flash-1017 (60,5), и значительно превышает опубликованные результаты GPT-5.6 Sol и Claude Opus 5 в сравнении MiniMax.

В BankerToolBench, оценивающем многоэтапные финансовые процессы с учётом согласованности документов, соблюдения требований и использования инструментов, M3.1 Flash набирает 76,2 балла — столько же, сколько Claude Opus 5 в тестах компании.

Результаты в программировании также весьма конкурентоспособны. По данным MiniMax, модель набирает 73,7% в DeepSWE v1.1 против 74% у Claude Opus 5, 73% у GPT-5.6 Sol и 77% у DeepSeek V4.1 Flash-1017.

В задачах по управлению компьютером модель набирает 61,7 балла в OSWorld 2.0 и 29,6 — в Agents’ Last Exam. Эти бенчмарки оценивают способность системы ИИ работать с программами и выполнять сложные профессиональные задачи.

Хотя эти показатели уступают результатам наиболее мощных моделей Anthropic и OpenAI, приведённые MiniMax сравнения затрат говорят о том, что компания может обеспечить значительную часть их практических возможностей при существенно меньшей стоимости выполнения задач.

Компания также сообщает о результате 82,2 в CyberGym — бенчмарке в сфере кибербезопасности, ориентированном на обнаружение и проверку уязвимостей.

Это результаты тестирования, а не подтверждённые примеры использования в реальных производственных условиях, а различия в настройках оценки делают прямые сравнения не вполне корректными. Тем не менее они показывают, что недорогие модели становятся всё более жизнеспособным вариантом для сложных корпоративных задач, для которых раньше требовались значительно более дорогие альтернативы.

Галлюцинации в 93% случаев ставят под вопрос надёжность модели

Один из наиболее значимых выводов Artificial Analysis касается точности фактических ответов.

В бенчмарке AA-Omniscience M3.1 Flash правильно ответила на 56% вопросов. Для сравнения, DeepSeek V4.1 Flash-1017 дала правильные ответы на 43%, а GLM-5.3 Flash — на 28%.

Однако Artificial Analysis выяснила, что MiniMax пыталась ответить почти на каждый вопрос, в результате чего, согласно определению бенчмарка, уровень галлюцинаций составил 93%.

Важно отметить, что это не означает, будто 93% всех ответов модели были неверными. Этот показатель отражает долю неправильных ответов среди тех, которые не были верными, — в отличие от частичных ответов или отказов.

Иными словами, когда M3.1 Flash не могла дать правильный ответ, она в подавляющем большинстве случаев предпочитала ошибиться, а не признать, что не знает ответа.

Из-за этого общий результат модели в AA-Omniscience составил всего 16 баллов, несмотря на сравнительно хорошую способность воспроизводить фактические знания.

Для компаний, рассматривающих возможность использовать автономных ИИ-агентов для обновления записей, анализа финансовых документов, изучения клиентов или принятия операционных решений, это различие имеет большое значение. Высокий уровень интеллекта по результатам бенчмарков сам по себе не гарантирует, что модель сможет надёжно распознавать собственные ограничения.

Поэтому компаниям, внедряющим M3.1 Flash в рабочие процессы, требующие глубоких знаний, могут понадобиться дополнительные механизмы проверки, системы поиска и извлечения информации, защитные ограничения или контроль со стороны человека, чтобы снизить риск уверенно сформулированных, но неверных ответов.

Тарифы API начинаются с 0,15 доллара за миллион входных токенов; открытые веса выйдут 23 октября

MiniMax предлагает M3.1 Flash через собственный API, по подписке M Plan и в настольном приложении MiniMax Code.

Стоимость модели составляет 0,15 доллара за миллион входных токенов и 0,60 доллара за миллион выходных токенов; для кэшированных входных токенов действует скидка — всего 0,015 доллара за миллион.

При таких тарифах обработка одного миллиона некэшированных входных токенов и генерация одного миллиона выходных токенов обойдётся в 0,75 доллара за использование модели, без учёта других расходов на инфраструктуру и приложения.

Это делает M3.1 Flash одной из самых дешёвых передовых моделей ИИ, доступных сегодня в мире.

По данным Artificial Analysis, модель поддерживает текстовые и графические входные данные, выдаёт текстовые ответы и имеет контекстное окно размером один миллион токенов.

MiniMax также утверждает, что модель может генерировать более 200 токенов в секунду, а медианная скорость вывода стабильно превышает 170 токенов в секунду.

Компания объясняет рост производительности, в частности, повышением разреженности — архитектурным подходом, призванным сократить объём вычислений, необходимых для генерации ответов.

На момент запуска веса модели остаются закрытыми, однако MiniMax заявляет, что планирует опубликовать их 23 октября. Условия лицензирования пока не объявлены, поэтому пока рано оценивать, насколько широко предприятия смогут модифицировать модель или размещать её на собственных серверах.

Ещё одно примечательное заявление MiniMax: более ранняя версия M3.1 Flash ранее работала анонимно под названием Space Bunny и обработала свыше 200 трлн токенов, прежде чем компания раскрыла её название. Подробную разбивку этих данных компания не предоставила.

MiniMax также планирует выпустить более мощную модель Pro, но дату её выхода пока не объявила.

Для корпоративных команд, работающих с ИИ, M3.1 Flash — ещё один признак того, что высокая производительность в задачах программирования и автоматизации становится доступна по всё более низким ценам. Результаты сторонних бенчмарков подтверждают этот вывод, тогда как данные о галлюцинациях напоминают: цена и показатели интеллекта — лишь часть факторов, которые нужно учитывать, решая, каким моделям ИИ можно доверить реальные бизнес-процессы.