MiniMax 开源稀疏大模型 M3.1 Flash，428B 总参仅激活 23B，上线 72 小时处理超 100 万亿 Token

MiniMax 正式开源 M3.1 Flash 稀疏大模型，这款混合专家架构的大模型在参数规模、激活效率、吞吐能力上实现了大幅升级，上线仅 72 小时就完成了超 100 万亿 Token 的数据处理，兼顾超大模型能力与低成本高速推理，能够满足代码开发、智能体自动任务、多模态理解等高强度场景需求。之所以能做到大参数量下依然保持高吞吐，核心是采用 MoE 混合专家 + 自研稀疏注意力架构，把总参做到 428B，但是每一轮生成只激活 23B 参数，大幅降低算力消耗；同时叠加量化感知训练、功耗调度、推测解码等多项技术优化，把线上推理速度提升至前代的近 3 倍，整体使用成本直接下降 70%。落地部署方面，开发团队提前完成了多芯片与多框架适配，模型权重同步上架 Hugging Face 与魔搭社区，开发者可以直接调用权重完成自托管部署，整套部署流程可以分为环境准备、权重下载、推理框架配置、并发压测、正式上线五个步骤，先完成 SGLang、vLLM 等推理环境搭建，再下载 MXFP8 量化权重，接着配置多卡张量并行参数，随后做并发吞吐测试，最后接入云服务平台对外提供服务，整套流程可以快速完成模型投产。综合来看，M3.1 Flash 用稀疏 MoE 架构解决了超大参数量模型推理成本高、速度慢的痛点，既能保有 428B 大模型的复杂推理能力，又只消耗 23B 激活参数的算力，短时间内承载超百万亿 Token 处理量，非常适合大规模企业级智能体与代码工程场景。

一、模型核心技术架构

1. 基础模型结构 采用 MoE 混合专家稀疏架构，整体总参数规模达到 428B，单 Token 推理仅激活 23B 参数，大幅减少无效算力开销，避免全参数大模型推理资源浪费。
2. 自研稀疏注意力技术 搭载 MiniMax 自研 MSA 稀疏注意力机制，最高支持 100 万 Token 超长上下文，能够稳定处理长代码文件、多轮智能体任务、长图文内容解析，不会出现上下文过长导致的算力暴涨问题。
3. 多重推理优化方案

• 量化感知训练：采用 MXFP8 量化方案，权重体积大幅压缩，显存占用显著降低；
• DSpark 推测解码：减少模型串行等待时间，把生成吞吐进一步拉高；
• 功耗感知调度：根据负载自动分配算力资源，保障高并发场景下稳定输出。

二、性能与吞吐核心数据

1. 整体吞吐能力 模型正式开源上线 72 小时，累计处理 Token 总量突破 100 万亿，前期匿名测试版本 Space Bunny 累计处理量更是突破 200 万亿 Token，能够承接超大规模线上业务流量。
2. 速度指标 日常业务场景下，模型生成速度稳定保持在 170Token / 秒以上，峰值可达 200Token / 秒；对比上一代 M3 模型，线上推理整体速度提升接近 3 倍。
3. 成本优化效果 在智能体多轮调用、代码开发这类高频场景下，整体使用成本相比前代直接降低 70%，输入 Token 单价 0.15 美元 / 百万 Token，输出 Token 单价 0.6 美元 / 百万 Token，缓存输入仅 0.015 美元 / 百万 Token。

三、开源生态与部署适配清单

1. 权重分发渠道 模型权重同步开放至 Hugging Face、魔搭 ModelScope 两大开源平台，提供 FP8 量化版本权重，方便开发者快速下载使用。
2. 硬件厂商适配 已经完成 NVIDIA、AMD、华为昇腾、昆仑芯、平头哥、摩尔线程等主流芯片的适配，多卡集群可以流畅运行多张量并行推理。
3. 推理框架支持 兼容 SGLang、vLLM、智源 FlagOS 等主流推理框架，同时支持 Together AI、Fireworks 等云推理平台一键接入，降低自托管部署门槛。

四、适用业务场景清单

1. 代码工程场景：完整项目代码编写、调试、漏洞排查，支持百万字符级长代码上下文读取；
2. AI 智能体场景：多步骤任务拆解、工具调用、多轮循环执行，适合自动化办公、业务流程机器人；
3. 多模态解析场景：图文联动理解、视频内容分析，原生自带视觉编码器，文本 + 图像任务无需额外微调；
4. 金融研究场景：跨文档数据分析、合规校验、多维度业务建模，长文本读取能力满足研报批量处理需求。

五、部署操作步骤清单

步骤 1：环境准备，搭建 SGLang 或者 vLLM 推理环境，安装对应显卡驱动与 CUDA 运行库；

步骤 2：下载模型权重，从 Hugging Face 或魔搭获取 M3.1 Flash MXFP8 量化权重，校验文件完整性；

步骤 3：配置多卡并行参数，设置张量并行数量，开启稀疏注意力与推测解码开关；

步骤 4：压测验证，搭建 64 并发请求，测试 TTFT 首字符延迟与 TPOT 生成间隔，保证吞吐达标；

步骤 5：正式投产，接入 API 网关，开启缓存优化，承接线上业务流量。

【相关 FAQ】

问题 1：M3.1 Flash 总参 428B，为什么每次推理只激活 23B 参数？

回答 1：M3.1 Flash 采用 MoE 混合专家稀疏架构，模型会根据输入内容自动触发对应专家模块，只启用 23B 参数参与运算，其余专家模块处于休眠状态，因此可以做到超大总参下仅消耗少量激活算力，这也是它能在 72 小时处理超 100 万亿 Token 的核心原因。

问题 2：M3.1 Flash 相比前代模型，推理速度与成本优化幅度分别是多少？

回答 2：M3.1 Flash 依靠稀疏注意力、量化训练、推测解码等优化，线上推理速度提升近 3 倍；在智能体、代码开发等高频业务里，整体使用成本直接下降 70%，同时还能承接百万亿级别的 Token 处理量。

问题 3：M3.1 Flash 开源权重支持哪些推理框架与硬件芯片？

回答 3：M3.1 Flash 开源权重支持 SGLang、vLLM、智源 FlagOS 等主流推理框架；硬件兼容 NVIDIA、AMD、华为昇腾、昆仑芯、平头哥、摩尔线程多款芯片，能够在多卡集群中完成稳定部署，保障大规模 Token 吞吐任务稳定运行。

【数据来源】

[2026-10-23]（MiniMax 开源 M3.1 Flash，428B 总参仅激活 23B，72 小时处理超 100 万亿 Token）

[2026-10-23]（MiniMax M3.1 Flash 开源：4280 亿参数，Agent 任务成本降 70%）今日头条 - 亿执发

[2026-10-23]（MiniMax M3.1 Flash: Redefining Agent Performance and Cost）MiniMax 官方研究博客

[2026-10-20]（不到 72 小时，DeepSeek 和 MiniMax 双双交卷，Flash 集体挑战旗舰）36 氪

[2026-10-23]（M3.1-Flash-Preview: Coding & Research | MiniMax Agent Tools）MiniMax 开放平台文档

免责声明

本文内容仅围绕 MiniMax M3.1 Flash 模型公开技术信息与开源动态进行整理，所有技术参数、吞吐数据均来自官方公开披露内容与正规媒体报道；模型实际部署效果会受硬件配置、并发负载、推理参数影响，不构成任何商业落地承诺；模型开源许可遵循 MiniMax Community License 条款，商业使用请严格遵照官方授权规则执行。