Inteligencia artificial · Tecnología · Recursos

Noticias

MiniMax lanza M3.1 Flash: un modelo MoE de 428B parámetros con pesos abiertos y precio rompedor

La startup china MiniMax ha presentado M3.1 Flash, un modelo de mezcla de expertos (MoE) de 428 billones de parámetros totales —con 23.000 millones activos por token— que libera sus pesos bajo licencia permisiva y ofrece inferencia a 0,15 dólares por millón de tokens de entrada.

MiniMax lanza M3.1 Flash: un modelo MoE de 428B parámetros con pesos abiertos y precio rompedor

El anuncio, fechado el 8 de noviembre de 2026, marca un antes y después en la carrera por democratizar el acceso a modelos de frontera: por primera vez, un modelo MoE de esta escala combina apertura real, contexto de un millón de tokens y un coste por inferencia que undercuts a la mayoría de alternativas cerradas.


¿Qué es M3.1 Flash y por qué importa?

MiniMax, fundada en 2021 y respaldada por inversores como Alibaba, Tencent y Hillhouse Capital, lleva tiempo posicionándose como el «OpenAI chino» con ambición global. Su catálogo previo incluye los modelos de lenguaje abiertos MiniMax-Text-01 y la familia de modelos de vídeo Hailuo (Video-01), pero M3.1 Flash es su apuesta más agresiva hasta la fecha: un modelo mixture-of-experts nativo multimodal (texto, imagen, vídeo) diseñado desde cero para agentes autónomos y cargas de trabajo de razonamiento prolongado.

La arquitectura MoE permite activar solo un subconjunto de parámetros (los «expertos» relevantes) para cada token de entrada. En M3.1 Flash, la red total cuenta con 428.000 millones de parámetros, pero la computación por paso forward se limita a ~23.000 millones —una reducción del 95 % frente a un modelo denso equivalente. Esto se traduce en:

  • Latencia y coste de inferencia drásticamente menores que un modelo denso de 400B+
  • Escalabilidad eficiente: añadir más expertos aumenta la capacidad sin penalizar el coste por token
  • Especialización implícita: distintos expertos aprenden dominios distintos (código, razonamiento matemático, comprensión visual, etc.)

El modelo ofrece ventana de contexto de 1 millón de tokens (≈ 750.000 palabras), suficiente para ingerir repositorios de código enteros, libros técnicos completos o horas de transcripciones de vídeo en una sola pasada.


Rendimiento en benchmarks: compitiendo con lo mejor

MiniMax ha publicado resultados en una batería de benchmarks estándar y de nueva generación orientados a agentes. Los números más relevantes:

Benchmark M3.1 Flash Opus 5 (referencia) Notas
Automation-Bench v1.0.6 62,2 — Lidera la tabla; evalúa uso de herramientas, planificación y ejecución autónoma
Terminal Bench 4.0 38,1 51,8 Tareas de línea de comandos y sysadmin; Opus 5 sigue por delante
DeepSWE v1.1 73,7% — Ingeniería de software end-to-end (issues → PRs)
OSWorld V2 61,7% — Control de entorno de escritorio real (click, type, navigate)
Agents' Last Exam 29,6% — Benchmark adversarial nuevo; mide robustez frente a inyección de prompt y engaño

Lectura clave: M3.1 Flash domina en benchmarks de agente (Automation-Bench, DeepSWE, OSWorld), que miden la capacidad de usar herramientas, planificar a largo plazo y ejecutar tareas complejas en entornos reales. En tareas puras de razonamiento terminal (Terminal Bench) queda por detrás de Opus 5, lo que sugiere que la arquitectura MoE + entrenamiento orientado a agentes favorece la acción sobre la contemplación pura.


Precio: la guerra del coste por token entra en nueva fase

El precio de 0,15 $ / 1M tokens de entrada (y 0,60 $ / 1M tokens de salida) sitúa a M3.1 Flash en territorio de modelos pequeños (como GPT-4o-mini o Gemini 1.5 Flash) pero con capacidad de modelo de frontera. Para ponerlo en perspectiva:

  • GPT-4o (OpenAI): ~2,50 $ / 1M entrada | 10 $ / 1M salida
  • Claude 3.5 Sonnet (Anthropic): 3 $ / 1M entrada | 15 $ / 1M salida
  • Gemini 1.5 Pro (Google): 1,25 $ / 1M entrada | 5 $ / 1M salida (hasta 128k contexto)
  • M3.1 Flash (MiniMax): 0,15 $ / 1M entrada | 0,60 $ / 1M salida (1M contexto)

Eso es 8-20x más barato que los modelos flagship cerrados y entre 5-8x más barato que los modelos «económicos» de la competencia. MiniMax logra esto gracias a la eficiencia intrínseca del MoE (solo 23B activos) y a su infraestructura propia de centros de datos optimizados para inferencia masiva.


Pesos abiertos: qué significa realmente «open weights»

MiniMax ha liberado los pesos del modelo en Hugging Face (repo MiniMax/M3.1-Flash) bajo una licencia que permite uso comercial, modificación y redistribución, con la única restricción de no usar el modelo para entrenar modelos competidores directo (cláusula anti-competencia estándar en la industria).

Esto no es «open source» estricto (no se publican datos de entrenamiento, código de entrenamiento, ni checkpoints intermedios), pero sí es open weights funcional: cualquiera puede:

  • Descargar y ejecutar el modelo localmente (requiere ~200 GB VRAM en FP8, ~100 GB en INT4 cuantizado)
  • Fine-tunearlo para dominios específicos
  • Distilarlo a modelos menores
  • Integrarlo en productos comerciales sin pagar royalties por inferencia

La comunidad ya ha empezado a publicar cuantizaciones GGUF/EXL2 para ejecución en hardware de consumo (2× RTX 4090, 2× H100, Mac Studio M2 Ultra con 192 GB). Simon Willison ha confirmado que el modelo cabe en 2× H100 (80 GB cada una) con cuantización FP8 y alcanza ~15 tok/s en generación.


El contexto competitivo: China acelera en modelos abiertos

M3.1 Flash no llega en el vacío. En los últimos seis meses, el ecosistema chino ha producido una ola de modelos abiertos de frontera:

Modelo Empresa Parámetros Tipo Licencia
Qwen 2.5 72B / 110B Alibaba 72B / 110B Denso Apache 2.0
DeepSeek-V3 DeepSeek 671B (MoE, 37B act.) MoE MIT
GLM-4.5 Z.ai 130B Denso Open weights
MiniMax M3.1 Flash MiniMax 428B (MoE, 23B act.) MoE Open weights (comercial)
Yi-Large-MoE 01.AI ~400B (MoE) MoE Propietaria

Tendencia clara: los laboratorios chinos apuestan por MoE + pesos abiertos + precios agresivos como estrategia para ganar cuota de mercado global frente al oligopolio estadounidense (OpenAI, Anthropic, Google). DeepSeek-V3 ya demostró que un MoE de 671B podía igualar a GPT-4o en benchmarks a fracción del coste; M3.1 Flash lleva la apuesta un paso más allá con contexto de 1M tokens nativo y enfoque explícito en agentes autónomos.


Implicaciones para desarrolladores y empresas

1. Agentes autónomos a escala económica

Con 0,15 $/M tokens y contexto de 1M, un agente que procese 10.000 tokens por paso y ejecute 100 pasos cuesta 0,15 dólares. Antes, ese mismo agente con GPT-4o costaría ~2,50 $. Factor 16x de reducción. Esto hace viables arquitecturas de multi-agente persistente (docenas de agentes colaborando durante horas) que antes eran prohibitivas.

2. RAG y análisis de repositorios masivos

1M tokens = ~300.000 líneas de código Python, o 500.000 líneas de C++, o la documentación completa de Kubernetes + tu código base. Puedes meter todo el contexto relevante en una sola llamada sin chunking, retrieval ni pérdida de información.

3. Fine-tuning de bajo coste

Los 23B activos hacen que LoRA/QLoRA sea razonable en 4-8× H100. Empresas pueden adaptar M3.1 Flash a su dominio (legal, médico, financiero, código propietario) sin necesitar clusters de miles de GPUs.

4. Independencia de proveedor único

Pesos abiertos = sin vendor lock-in. Si MiniMax sube precios, cambia términos o deja de dar servicio, tienes el modelo. Puedes migrar a inference providers alternativos (Together, Fireworks, Lepton, RunPod) o self-host.


Riesgos y limitaciones a considerar

Riesgo Realidad Mitigación
Censura / alineación gubernamental MiniMax opera desde China; modelos previos mostraban refusals en temas sensibles (Taiwán, Tiananmen, liderazgo CCP) Probar exhaustivamente en tus casos de uso; fine-tuning puede mitigar; alternativas: DeepSeek-V3, Qwen 2.5
Soporte a largo plazo Startup privada; no hay roadmap público de 3-5 años Contratos enterprise con SLA; mantener capacidad de self-host
Benchmark gaming Automation-Bench es benchmark propio de MiniMax Validar en benchmarks independientes (SWE-bench, τ-bench, AgentBench) antes de comprometer producción
Latencia en cold-start MoE grande + 1M contexto = cold-start notable Warm pools, prefix caching, quantization (FP8/INT4)
Ecosistema tooling Menos maduro que OpenAI/Anthropic (SDKs, guardrails, eval frameworks) Usar frameworks agnósticos (LangChain, LlamaIndex, AutoGen, CrewAI) que ya soportan endpoints OpenAI-compatibles

Cómo empezar hoy mismo

API (recomendado para prototipado rápido)

ice-tech
curl -X POST https://api.minimax.chat/v1/chat/completions \
  -H "Authorization: Bearer $MINIMAX_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "M3.1-Flash",
    "messages": [{"role": "user", "content": "Analiza este repositorio entero y propón una refactorización..."}],
    "max_tokens": 8192,
    "temperature": 0.3
  }'

Registro en platform.minimax.chat (créditos de prueba gratuitos al alta).

Self-host (control total, sin costes recurrentes)

ice-tech

pip install vllm
vllm serve MiniMax/M3.1-Flash --tensor-parallel-size 2 --dtype float8 --max-model-len 1000000

# Con llama.cpp (hardware de consumo, cuantizado)
# Descargar GGUF cuantizado (ej. Q4_K_M ~100 GB) de Hugging Face
./llama-cli -m M3.1-Flash-Q4_K_M.gguf -c 1000000 -ngl 999 -p "Tu prompt aquí"

Fine-tuning LoRA (ejemplo con Unsloth)

ice-tech
from unsloth import FastLanguageModel
model, tokenizer = FastLanguageModel.from_pretrained(
    "MiniMax/M3.1-Flash",
    max_seq_length=8192,
    dtype=None,  # auto FP8/bf16
    load_in_4bit=True
)
model = FastLanguageModel.get_peft_model(model, r=64, target_modules=["q_proj","v_proj","k_proj","o_proj"])
# ... dataset + trainer ...

Conclusión: un punto de inflexión para la IA abierta

M3.1 Flash no es «solo otro modelo abierto». Es la convergencia de cuatro vectores que llevan años prometidos pero rara vez entregados juntos:

  1. Escala de frontera (428B total, 23B activos)
  2. Arquitectura MoE eficiente (coste de modelo mediano, capacidad de modelo grande)
  3. Contexto masivo nativo (1M tokens sin trucos de extrapolación)
  4. Precio de commodity (0,15 $/M entrada) + pesos liberados

Si los benchmarks de agente se confirman en evaluaciones independientes, M3.1 Flash se convierte en la opción por defecto para cualquiera que construya agentes autónomos en 2026-2027 —empezando por startups sin presupuesto para APIs cerradas, pasando por equipos enterprise que quieren soberanía de modelo, y llegando a investigadores que necesitan acceso a pesos para ciencia de la interpretabilidad.

La pelota está ahora en el tejado de la comunidad: validar, cuantizar, fine-tunear, romper y reconstruir. MiniMax ha puesto la infraestructura; nos toca a nosotros demostrar qué se puede construir con ella.


Artículo basado en el anuncio oficial de MiniMax (8 noviembre 2026), datos de AIBriefs, benchmarks publicados por MiniMax y verificaciones cruzadas con Simon Willison / comunidad Hugging Face. Los precios y disponibilidad de API pueden variar; consultar platform.minimax.chat para condiciones actuales.

Volver a artículos ←