MiniMax libera pesos abertos do M3.1 Flash, modelo de 428 bilhões de parâmetros, para disputar espaço com Llama e Qwen

O que foi liberado

A MiniMax, startup chinesa de IA↳Inteligência artificial440 conteúdosUX e IA: Transformando Experiências Digitais com Inteligência ArtificialProduto & UX · jan 2025MCP: O que é e por que você vai ouvir falar disso em breve?AI · jul 2025IA generativa e a urgência de reconstruir nossa relação com a verdadeAI · jun 2025Ver tudo em AI →, publicou em 23 de outubro de 2026 os pesos abertos do M3.1 Flash, seu modelo de linguagem mais recente. O lançamento de pesos veio quatro dias depois de o modelo entrar em operação como serviço, em 19 de outubro. Agora qualquer desenvolvedor pode baixar os arquivos e rodar o modelo na própria infraestrutura, sem depender da API hospedada pela empresa.

O M3.1 Flash é um modelo de mistura de especialistas (MoE, na sigla em inglês) com cerca de 428 bilhões de parâmetros no total, mas que ativa apenas 23 bilhões por token processado. Essa é a mesma lógica de eficiência usada por outros modelos abertos de peso pesado, como o DeepSeek-V3 e a família Qwen3, da Alibaba: o modelo é grande o bastante para guardar muito conhecimento, mas computacionalmente mais barato de rodar do que um modelo denso do mesmo tamanho.

Ficha técnica

O contexto de até 1 milhão de tokens coloca o M3.1 Flash na faixa dos modelos de janela longa, útil para quem precisa alimentar o modelo com bases de código inteiras, documentação extensa ou sessões longas de agente sem truncar o histórico.

Pensado para coding, agentes e uso de computador

Segundo a MiniMax, o M3.1 Flash foi desenhado com foco em três cenários: geração e revisão de código, construção de agentes de IA e tarefas de computer-use, categoria de modelos treinados para operar interfaces gráficas sozinhos (clicar, digitar, navegar) em vez de só responder texto. É o mesmo terreno em que Anthropic, OpenAI e Google vêm investindo com seus próprios modelos de uso de computador, mas aqui com pesos abertos para download.

Para quem constrói agentes, a combinação de contexto longo com entrada multimodal (texto, imagem e vídeo) importa na prática: um agente de automação pode receber um print de tela, um trecho de log e o histórico da conversa inteira na mesma chamada, sem precisar de pipelines separados para cada tipo de entrada.

Como rodar o modelo

A MiniMax publicou orientação de deploy para dois frameworks de inferência bastante usados por quem já roda modelos abertos em produção: SGLang e vLLM. Ambos são otimizados para servir LLMs grandes com baixa latência e já suportam arquiteturas MoE, o que facilita a adoção do M3.1 Flash sem reescrever a camada de serving do zero.

O modelo também conta com suporte via FlagOS para múltiplas plataformas de chip. Na prática, isso significa que a dependência de GPUs Nvidia para rodar o M3.1 Flash é menor do que em muitos lançamentos ocidentais, um detalhe que não é trivial para empresas chinesas (e para qualquer equipe que queira diversificar hardware de inferência) diante das restrições de exportação de chips avançados.

Técnicas de eficiência por trás do modelo

Três otimizações sustentam a promessa de rodar um modelo de 428 bilhões de parâmetros sem o custo de inferência de um modelo denso equivalente:

• Atenção esparsa: reduz o custo computacional da atenção em sequências longas, justamente o que viabiliza a janela de 1 milhão de tokens sem explodir o tempo de resposta.
• Quantização ciente de treinamento (QAT): o modelo já é treinado prevendo que vai rodar em precisão reduzida, o que preserva mais qualidade do que quantizar um modelo pronto depois do treino.
• Decodificação especulativa: um modelo menor gera candidatos de token que o modelo principal valida em lote, acelerando a geração de texto sem trocar a arquitetura.

São técnicas conhecidas da literatura de otimização de inferência, mas combiná-las todas num único lançamento de pesos abertos é o que diferencia o M3.1 Flash de versões anteriores da própria MiniMax.

Onde isso entra na disputa de modelos abertos

O mercado de pesos abertos para uso em produção já tem concorrentes estabelecidos: a família Llama, da Meta, e a família Qwen, da Alibaba, dominam boa parte das integrações em ferramentas de desenvolvimento, agentes de código e assistentes self-hosted. O M3.1 Flash entra nessa disputa com um argumento específico: proporção de ativação baixa (23B de 428B) combinada com contexto de 1 milhão de tokens e suporte nativo a vídeo como entrada, o que nem todo concorrente aberto oferece hoje.

Fica em aberto, pelo material divulgado até aqui, a licença exata sob a qual os pesos foram liberados e benchmarks comparativos diretos contra Llama ou Qwen em tarefas de coding e agentes. Sem esses dados, cabe a quem for avaliar o modelo rodar os próprios testes antes de trocar a stack de produção.

Para equipes que já usam SGLang ou vLLM como camada de serving, o caminho de avaliação é direto: baixar os pesos, subir um endpoint local e comparar latência, custo por token e qualidade de saída contra o modelo atualmente em uso, antes de decidir por uma migração.

Fonte: TechNode (China)