MiniMax-M3.1-Flash 是一款原生多模态混合专家模型，专为编程、智能体工作流、计算机操作和网络安全而设计

MiniMax-M3.1-Flash 是一款原生多模态混合专家模型，专为编程、智能体工作流、计算机操作和网络安全而设计。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 通过在全模型中采用稀疏注意力、量化感知训练以及 DSpark 推测解码，提升了任务性能和推理效率。

亮点：

• 智能体性能： 在智能体任务、编程和网络安全方面实现了代际飞跃——BankerToolBench 得分 76.2，DeepSWE v1.1 得分 73.7%，OSWorld V2 得分 61.7，Agents’ Last Exam 得分 29.6，CyberGym 得分 82.2。
• 高效设计： 全模型稀疏注意力、QAT NVFP4 以及 DSpark 推测解码共同提升了推理效率。

模型概览

• 架构： 原生多模态混合专家（MoE）
• 参数量： 总参数约 4280 亿；每个 token 激活 230 亿参数
• 输入/输出： 支持文本、图像和视频输入；文本输出
• 上下文窗口： 最高 1,000,000 tokens
• 注意力机制： 全模型采用 MiniMax 稀疏注意力（MSA）
• 权重格式： 量化感知训练（QAT），NVFP4
• 推测解码： 内置 DSpark 草稿头

基准测试

评估说明

结果为官方 NVFP4 权重的测试结果；第三方量化版本的表现可能有所不同。

M3.1-Flash 的新特性

M3.1-Flash 保留了 M3 的核心混合专家架构，主要有三项变更：

• 全层稀疏注意力： 前三个全注意力层被替换为稀疏注意力。
• QAT NVFP4： 路由 MoE 专家从 MXFP8 迁移至 NVFP4 W4A4，共享专家除外。稀疏注意力索引器和主分支从 Q8KV8 迁移至 Q8KV4。
• DSpark 推测解码： DSpark 取代了先前类似 EAGLE 的 MTP 方法。本次发布包含了草稿头（draft head），可与兼容的推理服务框架配合使用。

如何使用

本地部署

下载模型：

我们推荐使用以下推理框架来部署该模型：

• SGLang — 参见 SGLang 教程。
• vLLM — 参见 vLLM 指南。

更多集成正在开发中：Transformers、TokenSpeed、KTransformers、unsloth 和 ATOM。

推理设置

推荐的采样参数：temperature=1.0 和 top_p=0.95。

进行推理时，可在对话模板中设置 reasoning_effort：low、medium、high、xhigh 或 max。

该模型支持最高 1M token 的上下文窗口。实际可用的上下文长度和吞吐量取决于 GPU 显存及推理服务配置。