MiniMax M3.1 Flash: Preise, Benchmarks und Mac-Einsatz

MiniMax M3.1 Flash ist seit dem 19. Oktober 2026 unter der produktiven Modellkennung MiniMax-M3.1-Flash über die reguläre Pay-as-you-go-API, den M Plan und MiniMax Code verfügbar ¹². Der veröffentlichte Listenpreis liegt durchgehend über das gesamte Kontextfenster von einer Million Tokens bei 0,15 US-Dollar pro Million Input-Tokens, 0,60 US-Dollar pro Million Output-Tokens und 0,015 US-Dollar pro Million Cache-Read-Tokens ³. Gleichzeitig löst das Modell die Vorgängerfamilien M2.5 und M2.7 ab, deren Cloud-Endpunkte am 18. November 2026 abgeschaltet werden ⁴. Neuer Stand seit 23. Oktober 2026: MiniMax hat die vollständigen Gewichte des 428B/23B-MoE-Modells auf Hugging Face veröffentlicht. Der Checkpoint umfasst rund 252 GB; eine MLX-Text-4bit-Konvertierung existiert bereits. Damit ist Self-Hosting grundsätzlich möglich, aber auf typischen Macs wegen des hohen Speicherbedarfs keine praktikable Lösung ⁵⁶⁷.

Technische Spezifikationen und Modellkennungen

Mit dem Übergang von der geschlossenen Vorschau vom 27. September 2026 in den regulären Produktionsbetrieb am 19. Oktober 2026 entfällt der Zusatz -Preview in der nativen API-Kennung ²⁸. Während der M Plan Aufrufe an MiniMax-M3.1-Flash-Preview serverseitig auf das Produktionsmodell weiterleitet, sollten direkte API-Clients und lokale Agenten-Konfigurationen explizit auf MiniMax-M3.1-Flash aktualisiert werden ⁸. Wer Drittanbieter-Router einsetzt, muss die abweichenden Provider-Kennungen beachten: Auf OpenRouter wird das Modell beispielsweise unter minimax/minimax-m3.1-flash:free als ratenlimitierter Endpunkt geführt ⁹.

Eigenschaft	Spezifikation (Stand: 23. Oktober 2026)	Quelle
Offizielle Bezeichnung	MiniMax M3.1 Flash	1
Native API-Modell-ID	MiniMax-M3.1-Flash (ersetzt MiniMax-M3.1-Flash-Preview)	28
Router-ID (OpenRouter)	minimax/minimax-m3.1-flash:free (separates Ratenlimit)	9
Produktions-Release	19. Oktober 2026 (Preview seit 27. September 2026)	1
Kontextfenster	1.000.000 Tokens kombiniert (Input + Output; max. Output ca. 524K)	210
Unterstützte Modalitäten	Input: Text, Bild, Video · Output: Text	211
Medien-Limits (API)	Bilder bis 10 MB; Videos bis 50 MB (URL/Base64) bzw. 512 MB (Files API); Request-Body bis 64 MB	11
Reasoning-Modus	Immer aktiv (Interleaved Thinking); nicht deaktivierbar (HTTP 400, Code 2013)	1112
Denktiefe (effort)	low, medium, high, xhigh, max (Standard bei Auslassung: max)	211
Herstellerangabe Durchsatz	200+ Tokens/s in der Spitze, 170+ Tokens/s im Median (P50)	1
API-Rate-Limits (Pay-as-you-go)	200 Requests pro Minute (RPM), 10.000.000 Tokens pro Minute (TPM)	13
Service-Tier (priority)	Nicht unterstützt (nur Standard-Tier verfügbar)	11
Offizielle Modellgewichte	Veröffentlicht am 23.10.2026; 48 Shards, DSpark-Draft-Head, Repo ~252 GB	5
Parameter & Formate	MoE mit ~428B gesamt / ~23B aktiv; NVFP4 und MXFP8	514
Lizenz	MiniMax Community License, bedingte kommerzielle Nutzung	6
MLX	Text-4bit-Drittanbieter-Checkpoint vorhanden, noch nicht selbst getestet	7

In der Vorlaufphase vor dem 19. Oktober 2026 betrieb MiniMax eine frühe Version des Modells anonym unter dem Codenamen Space Bunny auf öffentlichen Routing-Plattformen, wo der Endpunkt nach Herstellerangaben mehr als 200 Billionen Tokens verarbeitete ¹. Technisch nutzt M3.1 Flash eine stärker ausgedünnte Architektur (Sparsity), um die Online-Inferenz gegenüber dem Vorgänger nahezu zu verdreifachen ¹. Das Kontextfenster von 1.000.000 Tokens begrenzt die Summe aus Eingabe-, Reasoning- und Ausgabetokens eines Aufrufs ²¹¹.

Für multimodale Aufgaben akzeptiert die Anthropic-kompatible Schnittstelle Bilder in den Formaten JPEG, PNG, GIF und WEBP sowie Videodateien als MP4, AVI, MOV und MKV ¹¹. Der Tokenverbrauch eines einzelnen Bildes skaliert mit der Detailstufe: In der Einstellung low fallen bis zu rund 600 Tokens an, unter default etwa 1.000 bis 5.000 Tokens und unter high bis zu 15.000 Tokens oder mehr ¹¹. Über den Endpunkt POST /anthropic/v1/messages/count_tokens lässt sich der exakte Eingabeverbrauch vorab ohne Modellgenerierung abfragen ¹¹.

Änderungen gegenüber MiniMax M3 und der Preview

Im direkten Vergleich zum Schwestermodell MiniMax-M3, das ebenfalls über ein Kontextfenster von einer Million Tokens sowie Bild- und Video-Support verfügt, verschiebt M3.1 Flash die Architektur in zwei Bereichen: beim Reasoning-Verhalten und bei der Tarifstruktur für lange Kontexte ²³¹¹.

Während das Denken bei MiniMax-M3 standardmäßig deaktiviert ist und sich optional über {"type": "adaptive"} zuschalten lässt, arbeitet MiniMax-M3.1-Flash ausnahmslos mit aktivem Reasoning ¹¹. Vor jedem Tool-Aufruf und zwischen einzelnen Werkzeugrunden führt das Modell sogenanntes Interleaved Thinking aus, um den Umgebungszustand und bisherige Rückgabewerte zu prüfen ¹². Über den Parameter effort lässt sich der Rechenaufwand fünfstufig zwischen low, medium, high, xhigh und max abstufen ². Fehlt die Angabe im Request, wählt der Server automatisch die höchste Stufe max, was sowohl die Antwortlatenz als auch die Menge der abgerechneten Output-Tokens erhöht ²¹¹.

Zudem entfällt bei M3.1 Flash das Prioritäts-Routing: Während MiniMax-M3 über den Parameter service_tier: "priority" gegen einen Aufschlag von 50 Prozent bevorzugt abgearbeitet wird, ignoriert bzw. verweigert M3.1 Flash dieses Feld ³¹¹.

API-Preise, Prompt-Caching und Euro-Einordnung

In der Pay-as-you-go-Abrechnung unterbietet M3.1 Flash das Schwestermodell M3 bereits bei kurzen und mittleren Prompts um 50 Prozent beim Input und Output sowie um 75 Prozent bei gelesenen Cache-Tokens ³. Noch stärker fällt der Unterschied bei sehr großen Codebasen oberhalb von 512.000 Eingabetokens aus: Während MiniMax bei M3 ab dieser Schwelle den Preis für Input, Output und Cache-Reads verdoppelt, bleibt der Tarif von M3.1 Flash bis zur Millionengrenze konstant ³.

Modell und Tarifstufe	Input / 1 Mio. Tokens	Output (inkl. Thinking) / 1 Mio. Tokens	Cache-Read / 1 Mio. Tokens	Separater Cache-Write-Aufschlag
MiniMax-M3.1-Flash (gesamter 1M-Kontext)	0,15 USD (ca. 0,134 EUR)	0,60 USD (ca. 0,535 EUR)	0,015 USD (ca. 0,013 EUR)	0,00 USD (Standard-Input-Tarif)
MiniMax-M3 Standard (bis 512K Input)	0,30 USD (ca. 0,267 EUR)	1,20 USD (ca. 1,069 EUR)	0,060 USD (ca. 0,053 EUR)	laut API-Tariftabelle
MiniMax-M3 Standard (über 512K Input)	0,60 USD (ca. 0,535 EUR)	2,40 USD (ca. 2,138 EUR)	0,120 USD (ca. 0,107 EUR)	laut API-Tariftabelle
MiniMax-M3 Priority (bis 512K Input)	0,45 USD (ca. 0,401 EUR)	1,80 USD (ca. 1,604 EUR)	0,090 USD (ca. 0,080 EUR)	laut API-Tariftabelle
MiniMax-M2.7 Legacy (bis 18.11.2026)	0,30 USD (ca. 0,267 EUR)	1,20 USD (ca. 1,069 EUR)	0,060 USD (ca. 0,053 EUR)	0,375 USD (ca. 0,334 EUR)

Währungshinweis für Deutschland und die EU: MiniMax fakturiert sämtliche API-Leistungen in US-Dollar ³. Es existieren keine garantierten deutschen Euro-Endpreise. Die in Klammern angegebenen Euro-Werte dienen der unverbindlichen Netto-Orientierung auf Basis des offiziellen EZB-Referenzkurses vom 19. Oktober 2026 (1 EUR = 1,1225 USD) ohne Berücksichtigung der anwendbaren Umsatzsteuer (19 % MwSt. bzw. Reverse-Charge-Verfahren für Unternehmen) oder kartenabhängiger Fremdwährungsentgelte ¹⁵.

Das Prompt-Caching greift ab einer Prompt-Länge von mindestens 512 Eingabetokens sowohl automatisch über Präfix-Abgleich als auch explizit über cache_control-Breakpoints in der Anthropic-kompatiblen API ¹⁶. Der Cache wird streng hierarchisch in der Reihenfolge tools -> system -> messages aufgebaut und bleibt nach jedem Treffer für fünf Minuten ohne Zusatzkosten aktiv ¹⁶. Wer statische Tool-Definitionen und System-Prompts am Anfang des Requests platziert, zahlt bei Folgeaufrufen innerhalb des Fünf-Minuten-Fensters für den wiederverwendeten Präfix lediglich 0,015 USD statt 0,15 USD je Million Tokens ³¹⁶.

Drei durchgerechnete API-Kostenszenarien

Die Gesamtkosten für reine Text- und Coding-Workflows berechnen sich nach der Formel:

Total = fresh_input_M * rate_input + cache_write_M * rate_write + cache_read_M * rate_read + output_M * rate_output

Da MiniMax beim automatischen Prompt-Caching von M3.1 Flash neue Präfix-Tokens zum regulären Input-Satz (0,15 USD/Mio.) abrechnet und keinen gesonderten Schreibaufschlag (rate_write = 0) erhebt, vereinfacht sich die Gleichung auf regulären Neu-Input, gelesene Cache-Tokens und den gesamten Output inklusive Reasoning-Tokens ³¹⁶. Separate Server-Tools wie web_search (0,01 USD pro Aufruf) oder API-vlm (0,01 USD pro Aufruf) sowie Steuern sind in den folgenden drei Profilen ausgeschlossen ³:

Nutzungsprofil	Frischer Input (0,15 USD/M)	Output inkl. Thinking (0,60 USD/M)	Cache-Read (0,015 USD/M)	Summe (USD netto)	Orientierung DE (EUR netto / inkl. 19 % MwSt.)
Gelegentlich (Einzel-Debugging)	2 Mio. (0,30 USD)	0,5 Mio. (0,30 USD)	1 Mio. (0,015 USD)	0,615 USD	ca. 0,55 EUR / 0,65 EUR
Regelmäßig (Täglicher Coding-Agent)	20 Mio. (3,00 USD)	5,0 Mio. (3,00 USD)	10 Mio. (0,150 USD)	6,150 USD	ca. 5,48 EUR / 6,52 EUR
Intensiv (Mehrstufige Repo-Läufe)	200 Mio. (30,00 USD)	50,0 Mio. (30,00 USD)	100 Mio. (1,500 USD)	61,500 USD	ca. 54,79 EUR / 65,20 EUR

Bei einem identischen illustrativen Tokenmix aus 10 Millionen frischen Input-Tokens, 10 Millionen Cache-Reads und 2 Millionen Output-Tokens kostet MiniMax-M3.1-Flash exakt 2,85 USD (1,50 + 0,15 + 1,20 USD). Derselbe Mix schlägt unter MiniMax-M3 bei Requests unterhalb von 512K Input mit 6,00 USD (3,00 + 0,60 + 2,40 USD) und oberhalb von 512K Input mit 12,00 USD zu Buche ³. Das entspricht einer rechnerischen Token-Ersparnis von 52,5 Prozent bzw. 76,25 Prozent.

Dieser reine Tarifvergleich darf nicht mit der von MiniMax beworbenen Kostenreduktion von „70 Prozent für Agentenaufgaben“ gleichgesetzt werden ¹. In realen Agentenschleifen bestimmt die Anzahl der benötigten Werkzeugschritte und die gewählte effort-Stufe das tatsächliche Tokenvolumen. Zudem zeigt ein Vergleich von MiniMax in ProgramBench, dass eine Begrenzung des Kontextfensters in Coding-Tools wie Codex auf 512.000 Tokens (durch frühere Kompaktierung der Historie) nahezu identische Lösungsraten wie der volle 1M-Kontext erzielt, die Gesamtkosten pro Sitzung jedoch um rund 20 Prozent senkt ¹⁷.

M2.5- und M2.7-Abschaltung bis zum 18. November 2026

Mit der Einführung von M3.1 Flash hat MiniMax das Ende der Vorgängerfamilien MiniMax-M2.5 und MiniMax-M2.7 (einschließlich der -highspeed-Varianten) eingeleitet ⁴. Seit dem 19. Oktober 2026 sind beide Modellreihen für Neukunden gesperrt; am 18. November 2026 werden die zugehörigen Cloud-Endpunkte endgültig abgeschaltet ⁴. Details zur bisherigen Architektur und den lokal nutzbaren Gewichten der Vorgängergeneration dokumentiert unser Leitfaden zu MiniMax M2.7 auf dem Mac.

Für bestehende Integrationen gelten je nach Abrechnungsweg unterschiedliche Übergangsregeln:

1. M Plan und bestehender Token Plan: Aufrufe mit einem Subscription Key, die noch MiniMax-M2.7 oder MiniMax-M2.5 anfordern, leitet MiniMax bereits seit dem 19. Oktober 2026 automatisch auf MiniMax-M3.1-Flash um ⁴. Die bisherigen Modellnamen bleiben als Alias kompatibel, und die Plankontingente ändern sich nicht ⁴.
2. Pay-as-you-go-API: Entwickler mit regulärem Open-Platform-API-Key können die Endpunkte von M2.5 und M2.7 noch bis zum 18. November 2026 direkt ansprechen; danach schlagen Requests mit diesen Modell-IDs fehl ⁴.
3. Lokale Open Weights: Bereits heruntergeladene Gewichte von MiniMax-M2.7 auf eigenen Servern sind von der Abschaltung der Cloud-API nicht betroffen.

Technisch birgt das automatische Routing im M Plan drei konkrete Stolpersteine für bestehende Skripte:

• HTTP-400-Abbruch durch deaktiviertes Thinking: Wer in bestehenden Clients thinking: {"type": "disabled"} oder reasoning_effort: "none" übergibt, erhält nach der Umleitung auf M3.1 Flash sofort einen HTTP-400-Fehler (code: 2013), da das neue Modell kein Abschalten des Denkprozesses erlaubt ²¹¹.
• Leere Textantworten bei knappem max_tokens-Limit: Weil M3.1 Flash standardmäßig mit effort: "max" rechnet und die erzeugten Reasoning-Tokens voll auf max_tokens angerechnet werden, kann ein knapp gesetztes Ausgabelimit (etwa 512 oder 1.024 Tokens) komplett durch den Denkblock verbraucht werden ¹¹. Die API beendet den Aufruf dann mit stop_reason: "max_tokens", ohne einen einzigen sichtbaren Antwort- oder Tool-Call-Block auszugeben ¹¹.
• Niedrigere API-Rate-Limits: In der Pay-as-you-go-Stufe sinken die dokumentierten Kontingente beim Wechsel von M2.7 (500 RPM und 20 Mio. TPM) auf M3.1 Flash (200 RPM und 10 Mio. TPM) um mehr als die Hälfte ¹³.

M Plan, Token Plan und Pay-as-you-go im Vergleich

MiniMax trennt streng zwischen dem verbrauchsabhängigen Pay-as-you-go-Konto auf der Open Platform und dem personenbezogenen Abonnement M Plan (Tiers: Go, Explore, Build), das den früheren Token Plan (Plus, Max, Ultra) für Neukunden abgelöst hat ⁸¹⁸⁴. Beide Welten verwenden unterschiedliche API-Schlüssel (Pay-as-you-go API Key vs. Subscription Key), die sich nicht gegenseitig ersetzen lassen ¹⁹⁴. Einen breiteren Marktüberblick über konkurrierende Entwickler-Abos bietet unser KI-Abo-Vergleich.

Tarifmodell	Regulärer USD-Listenpreis	Orientierung DE (EUR netto / inkl. 19 % MwSt.)	Enthaltene Modelle & Kontingentregeln
M Plan Go	22 USD/Monat (220 USD/Jahr)	ca. 19,60 EUR / 23,32 EUR mtl.	MiniMax-M3.1-Flash, Bild- & Audiomodelle, Websuche, MiniMax Code, Subscription Key; kein H3-Video (1x Basis-Kontingent) 84
M Plan Explore	55 USD/Monat (550 USD/Jahr)	ca. 49,00 EUR / 58,31 EUR mtl.	Wie Go, zusätzlich MiniMax-H3 Videogenerierung; 3x Nutzungsbudget relativ zu Go 84
M Plan Build	132 USD/Monat (1.320 USD/Jahr)	ca. 117,59 EUR / 139,94 EUR mtl.	Wie Explore, zusätzlich Prioritätszugang zu Spitzenzeiten; 7,5x Nutzungsbudget relativ zu Go 84
Token Plan (Bestand)	20 / 50 / 120 USD/Monat	ca. 17,82 / 44,54 / 106,90 EUR netto	Für Neukäufe geschlossen; läuft für Bestandskunden bei aktiver automatischer Verlängerung zu Altkonditionen weiter 18
Credit Packs (Add-on)	5 / 25 / 100 USD (5k / 25k / 100k Credits)	ca. 4,45 / 22,27 / 89,09 EUR netto	1 Jahr gültig; fangen Überläufe im M Plan automatisch auf, sobald das Zeitfenster-Limit erreicht ist 194
Pay-as-you-go API	Nach Tokenverbrauch (0,15 / 0,60 USD)	Nach Tokenverbrauch	Separates Guthabenkonto für produktive Lasten; wird niemals durch einen Subscription Key belastet 319

Ein M-Plan-Abonnement ist keine unbegrenzte Agenten-Flatrate: Alle verbundenen Werkzeuge — darunter MiniMax Code, Claude Code, Codex, Cursor, OpenCode, OpenClaw und Hermes Agent — schöpfen aus demselben gemeinsamen Kontingent, das über ein gleitendes 5-Stunden-Fenster und ein 7-Tage-Wochenfenster begrenzt wird ⁸¹⁹. Ein Reset des 5-Stunden-Fensters stellt ein bereits ausgeschöpftes Wochenlimit nicht wieder her ¹⁹. Unabhängig vom verbleibenden Kontingent greifen dynamische Ratenlimits (HTTP 429, Fehlercode 1002), wenn ein Agent in kurzer Zeit zu viele parallele Requests abfeuert ¹⁹.

Bestandskunden des alten Token Plans können ihr Abo weiterführen, solange sie die automatische Verlängerung nicht deaktivieren ¹⁸. Ein Wechsel in den neuen M Plan wird zeitanteilig verrechnet, ist jedoch unumkehrbar und beendet historische Sonderkonditionen des Token Plans (wie frühere 150-%-Wochenlimits) endgültig ¹⁸.

Auf dem Mac lässt sich das verbleibende M-Plan-Kontingent im Terminal direkt über die MiniMax-CLI oder per HTTP-Abfrage prüfen ⁴:

# Option 1: Abfrage über die offizielle MiniMax-CLI
mmx quota

# Option 2: Direkte REST-Abfrage mit dem M-Plan-Subscription-Key
curl --fail-with-body -sS "https://www.minimax.io/v1/token_plan/remains" \
  -H "Authorization: Bearer ${MINIMAX_SUBSCRIPTION_KEY}" \
  -H "Content-Type: application/json"

Integration in Hermes Agent, Claude Code und Cursor auf macOS

Da MiniMax sowohl einen Anthropic-kompatiblen Endpunkt (https://api.minimax.io/anthropic) als auch einen OpenAI-kompatiblen Endpunkt (https://api.minimax.io/v1) bereitstellt, lässt sich MiniMax-M3.1-Flash ohne Zusatz-Proxy in gängige macOS-Entwicklungsumgebungen einbinden ²¹¹. MiniMax empfiehlt für Agenten-Workflows ausdrücklich das Anthropic-Protokoll, weil dieses strukturierte thinking-Blöcke und Interleaved Thinking über mehrere Tool-Runden nativ abbildet ²¹².

Für das Open-Source-Agenten-Framework Hermes Agent von Nous Research dokumentiert MiniMax drei Einrichtungswege auf macOS ²⁰:

# 1. Hermes Agent auf macOS installieren und prüfen
curl -fsSL https://raw.githubusercontent.com/NousResearch/hermes-agent/main/scripts/install.sh | bash
hermes doctor

# 2a. Ein-Klick-Setup per MiniMax-CLI-Wizard (aktualisiert ~/.hermes/config.yaml und ~/.hermes/.env)
npx -y mmx-cli@latest agent setup

# 2b. Alternativ: Interaktive Modellauswahl (OAuth ohne Key oder globaler Endpunkt mit Subscription Key)
hermes model

Nach der Auswahl des Modells lässt sich in der Datei ~/.hermes/config.yaml unter dem bestehenden model:-Block das volle Kontextfenster über context_length: 1000000 freischalten (oder zur Kostenoptimierung bewusst auf 512000 begrenzen) ²⁰¹⁷. Wichtig bei der Nutzung von Hermes Agent, OpenClaw oder Claude Code: Der Befehl /think off bzw. die Stufe none oder minimal darf nicht verwendet werden, da M3.1 Flash diese Einstellung mit einem API-Fehler quittiert ²⁰. Über /reasoning stehen stattdessen die fünf Stufen low, medium, high, xhigh und max zur Verfügung ²⁰.

Minimalbeispiel für API-Konnektivität unter Python

Das folgende Python-Skript demonstriert ausschließlich die API-Konnektivität, die Übergabe der Denktiefe (output_config.effort) sowie das getrennte Auslesen von Reasoning-Blöcken, Antworttext und Cache-Zählern über den empfohlenen Anthropic-kompatiblen Endpunkt ²¹¹¹⁶. Ohne angebundene Werkzeuge oder lokale Dateizugriffe führt dieses Minimalbeispiel kein Repository-Audit durch.

Voraussetzung unter macOS ist eine aktuelle Python-Umgebung mit installiertem Anthropic-SDK (python3 -m pip install anthropic) sowie ein in der Shell gesetzter API-Schlüssel (export MINIMAX_API_KEY="dein_key"):

import os
import anthropic

api_key = os.getenv("MINIMAX_API_KEY")
if not api_key:
    raise SystemExit("Umgebungsvariable MINIMAX_API_KEY fehlt. Kein Request gesendet.")

client = anthropic.Anthropic(
    base_url="https://api.minimax.io/anthropic",
    api_key=api_key,
)

response = client.messages.create(
    model="MiniMax-M3.1-Flash",
    max_tokens=4096,
    output_config={"effort": "medium"},
    system="Antworte präzise und technisch auf Deutsch.",
    messages=[
        {
            "role": "user",
            "content": [
                {
                    "type": "text",
                    "text": "Nenne drei typische Fehlerquellen bei der Migration von MiniMax-M2.7 auf MiniMax-M3.1-Flash.",
                }
            ],
        }
    ],
)

for block in response.content:
    if block.type == "thinking":
        print(f"[Reasoning-Block]\n{block.thinking}\n")
    elif block.type == "text":
        print(f"[Antwort]\n{block.text}\n")

print(
    "Token-Abrechnung:",
    {
        "fresh_input_tokens": getattr(response.usage, "input_tokens", 0),
        "cache_read_tokens": getattr(response.usage, "cache_read_input_tokens", 0),
        "cache_write_tokens": getattr(response.usage, "cache_creation_input_tokens", 0),
        "output_tokens_incl_thinking": getattr(response.usage, "output_tokens", 0),
    },
)

Wer mehrstufige Tool-Use-Konversationen programmiert, muss bei jeder Folgerunde die komplette response.content-Liste der Assistentenantwort — einschließlich aller thinking- und tool_use-Blöcke — unverändert an den Nachrichtenverlauf anhängen, damit die Reasoning-Kette über mehrere Werkzeugaufrufe hinweg erhalten bleibt ¹¹¹². Auf dem OpenAI-kompatiblen Endpunkt (https://api.minimax.io/v1) heißt das Steuerfeld abweichend reasoning_effort, während der Denkprozess im Antwortfeld reasoning_content zurückgeliefert wird ²¹².

Einordnung der Hersteller-Benchmarks

MiniMax hat zum Release am 19. Oktober 2026 eine umfangreiche Vergleichstabelle veröffentlicht, die M3.1 Flash gegen DeepSeek V4.1 Flash-1017, DeepSeek V4.1 Flash, Kimi K3, GPT-5.6 Sol und Claude Opus 5 stellt. Die Zahlen wurden am 23. Oktober mit der neu verfügbaren NVIDIA-Modellkarte abgeglichen ¹¹⁰¹⁴. Sämtliche Werte entstammen der Herstellerdokumentation von MiniMax und wurden mit unterschiedlichen Agent-Harnesses (darunter Claude Code 2.1.263 / 2.1.285, OpenCode 1.17.18 und mini-SWE-agent) sowie variierenden Kontextlängen zwischen 200K und 1M Tokens erhoben ¹¹⁰.

Benchmark	Aufgabengebiet & dokumentiertes Setup	M3.1 Flash	DeepSeek V4.1 Flash-1017	GPT-5.6 Sol	Claude Opus 5
Automation-Bench (v1.0.6)	Mehrstufige SaaS- und Enterprise-Automatisierung	62,8	60,5	45,8	50,3
BankerToolBench	Finanz-Workflows & verkettete Tool-Calls (OpenCode 1.17.18, M2.7 Judge)	76,2	k. A.	74,6	76,2
DeepSWE v1.1	Software-Engineering & Bugfixing (mini-SWE-agent, effort: max)	73,7 %	77,0 %	73,0 %	74,0 %
Terminal-Bench 4.0	Kommandozeilen- und System-Engineering	38,1 %	42,3 %	39,9 %	51,8 %
NL2Repo-Bench	Vollständige Repository-Generierung aus Spezifikationen	61,2 %	68,2 %	56,8 %	75,3 %
OSWorld 2.0	Desktop- und anwendungsübergreifende Computerbedienung	61,7	k. A.	65,7	70,6
Agents’ Last Exam (ALE)	Komplexe professionelle Arbeitsaufträge	29,6	k. A.	30,6	32,2
CyberGym	Schwachstellenanalyse & Security-Audits (Claude Code 2.1.263, 1M)	82,2 %	k. A.	83,6 %	k. A.
HLE (Text, ohne Tools)	Wissens- und Reasoning-Fragen (Humanity’s Last Exam)	43,4 %	42,6 %	49,5 %	55,6 %
BabyVision (mit Tools)	Visuelles Reasoning (Claude Code 2.1.285, 1.500 px Kantenlänge)	91,0 %	92,5 %	k. A.	k. A.

Quellenabgleich am 23. Oktober: Die NVIDIA-Modellkarte weist für Automation-Bench 62,8 und für DeepSeek V4.1 Flash-1017 in BabyVision 92,5 % aus. Frühere Release-Darstellungen nannten teils 62,2 beziehungsweise 93,0 %. Die Tabelle orientiert sich an der aktuell zugänglichen NVIDIA-Fassung; die Werte sind weiterhin keine eigenen Nachmessungen ¹⁴.

Aus den veröffentlichten Messreihen ergibt sich eine klare Zweiteilung nach Aufgabentyp:

1. Stärke bei strukturierten Tool-Ketten und Patch-Aufgaben: In Automation-Bench (62,8) und BankerToolBench (76,2) liegt M3.1 Flash an der Spitze des Herstellervergleichs; in DeepSWE v1.1 erreicht das Modell mit effort: max 73,7 % (bei xhigh 72,1 % und bei high 68,1 %) und bewegt sich damit knapp unterhalb von Claude Opus 5 (74,0 %) und DeepSeek V4.1 Flash-1017 (77,0 %) bei einem Bruchteil der Frontier-Tokenkosten ¹¹⁰.
2. Deutlicher Rückstand bei tiefen Terminal- und Architekturaufgaben: Sobald komplette Software-Repositories aus Spezifikationen erzeugt (NL2Repo-Bench: 61,2 % gegenüber 75,3 % bei Claude Opus 5) oder lange, fehleranfällige Shell-Sitzungen autonom gesteuert werden müssen (Terminal-Bench 4.0: 38,1 % gegenüber 51,8 %), fällt das Flash-Modell spürbar hinter große Frontier-Modelle zurück ¹¹⁰. Auch die von MiniMax hervorgehobenen Spitzenplätze in OSWorld 2.0 (61,7) und ALE (29,6) beziehen sich ausdrücklich auf den Vergleich innerhalb chinesischer Modelle, während Claude Opus 5 und GPT-5.6 Sol absolut höhere Werte erzielen ¹.

Open Weights, MLX auf dem Mac und Datenschutz

Update vom 23. Oktober 2026: MiniMax hat die offiziellen M3.1-Flash-Gewichte unter MiniMaxAI/MiniMax-M3.1-Flash veröffentlicht. Der frei zugängliche Checkpoint umfasst 48 Safetensors-Shards, Konfigurationsdateien, Tokenizer und einen DSpark-Draft-Head, zusammen rund 252 GB. Das Modell hat etwa 428 Milliarden Gesamtparameter und 23 Milliarden pro Token aktive Parameter. Damit sind frühere Angaben, das Modell sei ausschließlich über die Cloud nutzbar, überholt ⁵¹⁴.

Architektur und reale Hardwaregrenzen

Die gerouteten MoE-Experten nutzen NVFP4 (W4A4), andere Gewichte unter anderem MXFP8. Gegenüber M3 verwendet M3.1 Flash durchgängig stärker ausgedünnte Attention und DSpark Speculative Decoding statt des vorherigen MTP-Ansatzes. Die 23B aktiven Parameter beschreiben die Berechnung pro Token, nicht die Größe des zu ladenden Modells ⁵¹⁴.

Bei idealisierten vier Bit pro Parameter wären 428B Gewichte schon 214 GB dezimal (rund 199 GiB), zuzüglich anders quantisierter Komponenten, Metadaten, KV-Cache, Laufzeitpuffer und macOS. Diese Rechnung ist keine gemessene RAM-Anforderung. Auch 256 GB Unified Memory garantieren keinen erfolgreichen Betrieb oder 1M Kontext; übliche Macs mit 16–128 GB können das vollständige Modell nicht sinnvoll im Speicher halten.

Download, MLX und Inferenzserver

Der offizielle Download erfolgt über die Hugging-Face-CLI:

hf download MiniMaxAI/MiniMax-M3.1-Flash --local-dir MiniMax-M3.1-Flash

Offiziell dokumentierte Serverpfade sind SGLang und vLLM, insbesondere auf Linux mit leistungsfähigen NVIDIA-GPUs. Der Download allein belegt keinen funktionierenden Mac-Run ⁵¹⁴.

Variante	Stand am 23. Oktober 2026	Einschränkung
Offizielle MiniMax-Gewichte	Download öffentlich, rund 252 GB	Hoher Speicherbedarf, kein kleineres 23B-Modell
NVIDIA-Server mit SGLang / vLLM	Von Modellkarte und NVIDIA dokumentiert	Hardware- und Kontextkapazität separat prüfen
MLX Community Text 4bit	Erste Drittanbieter-Konvertierung für Apple Silicon	Nicht offiziell; textorientiert, keine eigenen Laufzeittests und keine bestätigte Video-/Bild-Parität
API / M Plan / OpenRouter	Weiterhin einfachster Mac-Zugangsweg	Ausführung in externer Cloud

MiniMax Community License: kommerzielle Bedingungen

Die Gewichte stehen unter der MiniMax Community License, nicht unter MIT oder Apache 2.0. Die grundlegende Nutzungserlaubnis ist für nichtkommerzielle Zwecke formuliert. Für kommerzielle Produkte/Dienste verlangt die Lizenz eine sichtbare Kennzeichnung Built with MiniMax M3.1-Flash und bis einschließlich 20 Mio. USD jährlichem Umsatz der betreffenden Angebote eine einmalige Mitteilung an MiniMax. Bei mehr als 20 Mio. USD ist eine vorherige schriftliche Autorisierung erforderlich. Der Anhang enthält weitere Nutzungsverbote. Wer das Modell geschäftlich verwenden möchte, sollte den vollständigen Lizenztext selbst prüfen ⁶.

Datenschutz und kleinere Alternativen auf Apple Silicon

Mit echtem Self-Hosting können Prompts und Quellcode lokal bleiben, sofern Telemetrie und weitere Datenflüsse ebenfalls kontrolliert werden. Anfragen über MiniMax API, M Plan, MiniMax Code und Cloud-Router übertragen Daten dagegen an externe Anbieter. Öffentliche Gewichte allein garantieren keine DSGVO-Konformität.

Für Macs mit 16–64 GB Unified Memory sind kleinere quantisierte Modelle wie qwen3.5:9b, gpt-oss:20b oder passende 27B-/30B-Modelle praktikabler. Speicherbedarf bedeutet stets Gewichte plus KV-Cache, Metadaten und Systemreserve. Hilfen: Unified Memory, Ollama auf Mac mini M4, LM Studio vs. Ollama und Hardware-Matchmaker.

Entscheidungsweiche nach Workload und Budget

Für die praktische Auswahl auf dem Mac gibt der Einsatzzweck den Ausschlag zwischen Cloud-API, M-Plan-Abo und lokaler Apple-Silicon-Inferenz:

Einsatzszenario auf dem Mac	Empfohlene Wahl	Technische und wirtschaftliche Begründung
Hochfrequente Agenten-Teilschritte, Tool-Routing & Bugfix-Schleifen mit Cloud-Freigabe	MiniMax-M3.1-Flash via Pay-as-you-go-API	0,15 USD Input, 0,015 USD Cache-Read und 0,60 USD Output ohne 512K-Preisklippe halten die Kosten pro Aufgabe niedrig; effort: medium oder high begrenzt den Thinking-Overhead 311.
Interaktiver Einzelentwickler-Alltag in MiniMax Code, Hermes Agent oder Cursor	MiniMax-M3.1-Flash im M Plan Go (22 USD) oder Explore (55 USD)	Planbare Monatskosten inklusive Subscription Key; erfordert Disziplin beim 5-Stunden- und 7-Tage-Kontingent, da alle angebundenen Tools dasselbe Budget teilen 819.
Bestehende M2.5-/M2.7-Integrationen in Skripten und Pipelines	Gezielte Migration auf MiniMax-M3.1-Flash vor dem 18. November 2026	thinking: disabled und effort: none entfernen (HTTP 400), max_tokens für Reasoning-Puffer erhöhen und das halbierte Rate-Limit (200 RPM / 10M TPM) berücksichtigen 13114.
Schwierige Terminal-Steuerung und Architektur-Neubau ganzer Repositories	Hybrides Setup mit Frontier-Fallback (z. B. Claude Opus 5 oder DeepSeek V4.1 Flash-1017)	M3.1 Flash übernimmt günstige Vorarbeiten und Dateisuchen, während komplexe Shell- und Repo-Synthesen (Terminal-Bench 4.0, NL2Repo) an stärkere Modelle delegiert werden 110.
Vertraulicher Quellcode und Offline-Pflicht	Kleinere lokale Mac-Modelle oder eigener M3.1-Server mit ausreichend GPU-Speicher	Gewichte sind verfügbar, aber groß und lizenzgebunden; Cloud-Endpunkte übertragen Daten extern 56.

Quellen

Footnotes

1. MiniMax Blog: MiniMax M3.1 Flash — Redefining Agent Performance and Cost (19. Oktober 2026) ↩ ↩² ↩³ ↩⁴ ↩⁵ ↩⁶ ↩⁷ ↩⁸ ↩⁹ ↩¹⁰ ↩¹¹ ↩¹² ↩¹³

2. MiniMax API Docs: Text Generation & Model Invocation ↩ ↩² ↩³ ↩⁴ ↩⁵ ↩⁶ ↩⁷ ↩⁸ ↩⁹ ↩¹⁰ ↩¹¹ ↩¹² ↩¹³ ↩¹⁴ ↩¹⁵

3. MiniMax API Docs: Pricing Overview (Pay-as-you-go & Model Rates) ↩ ↩² ↩³ ↩⁴ ↩⁵ ↩⁶ ↩⁷ ↩⁸ ↩⁹ ↩¹⁰ ↩¹¹ ↩¹²

4. MiniMax M Plan Product Page & M2.5/M2.7 Model Retirement Notice ↩ ↩² ↩³ ↩⁴ ↩⁵ ↩⁶ ↩⁷ ↩⁸ ↩⁹ ↩¹⁰ ↩¹¹ ↩¹² ↩¹³ ↩¹⁴

5. Offizielle MiniMax M3.1 Flash Modellkarte und Gewichte (23.10.2026) ↩ ↩² ↩³ ↩⁴ ↩⁵ ↩⁶ ↩⁷

6. MiniMax Community License für M3.1 Flash (Lizenztext) ↩ ↩² ↩³ ↩⁴

7. MLX Community: MiniMax M3.1 Flash Text 4bit (Drittanbieter-Konvertierung) ↩ ↩²

8. MiniMax API Docs: M Plan Overview (Go, Explore, Build) ↩ ↩² ↩³ ↩⁴ ↩⁵ ↩⁶ ↩⁷ ↩⁸ ↩⁹

9. OpenRouter: MiniMax M3.1 Flash (minimax/minimax-m3.1-flash:free) ↩ ↩²

10. LLM Stats: MiniMax M3.1 Flash Benchmarks, Pricing & Context Window (19. Oktober 2026) ↩ ↩² ↩³ ↩⁴ ↩⁵ ↩⁶

11. MiniMax API Docs: Anthropic SDK Compatibility, Parameters & Thinking Control ↩ ↩² ↩³ ↩⁴ ↩⁵ ↩⁶ ↩⁷ ↩⁸ ↩⁹ ↩¹⁰ ↩¹¹ ↩¹² ↩¹³ ↩¹⁴ ↩¹⁵ ↩¹⁶ ↩¹⁷ ↩¹⁸ ↩¹⁹ ↩²⁰ ↩²¹

12. MiniMax API Docs: Tool Use & Interleaved Thinking ↩ ↩² ↩³ ↩⁴ ↩⁵

13. MiniMax API Docs: Rate Limits (RPM & TPM by Model) ↩ ↩² ↩³

14. NVIDIA: MiniMax M3.1 Flash Modellkarte mit Inferenz- und Architekturdetails ↩ ↩² ↩³ ↩⁴ ↩⁵ ↩⁶

15. European Central Bank: Euro Foreign Exchange Reference Rates (19. Oktober 2026, 1 EUR = 1,1225 USD) ↩

16. MiniMax API Docs: Prompt Caching & Pricing Formula ↩ ↩² ↩³ ↩⁴ ↩⁵

17. MiniMax API Docs: Codex Context Window & 512K Cost Optimization ↩ ↩²

18. MiniMax API Docs: Existing Token Plan Subscribers Notice ↩ ↩² ↩³ ↩⁴

19. MiniMax API Docs: M Plan Usage Rules, Quotas & Rate Limiting ↩ ↩² ↩³ ↩⁴ ↩⁵ ↩⁶ ↩⁷

20. MiniMax API Docs: Hermes Agent Setup & Thinking Depth ↩ ↩² ↩³ ↩⁴