MiniMax membuka bobot M3.1 Flash, lisensinya bergerbang pendapatan 20 juta dolar

MiniMax menerbitkan bobot penuh MiniMax M3.1 Flash pada 23 Oktober 2026 di Hugging Face dan ModelScope, empat hari setelah model itu lebih dulu tersedia lewat API, langganan M Plan, dan aplikasi MiniMax Code. Pengungkapan ini sekaligus menjawab teka-teki Space Bunny, model tanpa nama yang sempat dipakai publik dan menurut perusahaan sudah memproses lebih dari 200 triliun token: versi awal yang dipakai secara anonim itu ternyata M3.1 Flash.

Secara teknis model ini adalah campuran pakar atau MoE dengan total sekitar 428 miliar parameter dan 23 miliar parameter yang aktif untuk setiap token. Ia menerima masukan teks, gambar, dan video dengan keluaran teks, serta jendela konteks sampai 1 juta token. Dibanding MiniMax M3 yang terbit Juni 2026, ada tiga perubahan yang disebut perusahaan: seluruh lapisan memakai sparse attention milik MiniMax, bukan hanya sebagian seperti sebelumnya; pelatihan memperhitungkan kuantisasi sejak awal; dan inferensi memakai DSpark untuk speculative decoding. Untuk pemakaian lokal, MiniMax menyarankan SGLang, vLLM, atau TokenSpeed, sementara dukungan Transformers, KTransformers, unsloth, dan ATOM masih dikerjakan.

Yang paling perlu dibaca tim pengadaan dan pengembang adalah lisensinya. Bobot ini tidak memakai lisensi sumber terbuka standar, melainkan MiniMax Community License. Pemakaian nonkomersial gratis, tetapi pemakaian komersial wajib menampilkan keterangan jelas bahwa produk dibangun dengan MiniMax M3.1-Flash. Bila pendapatan tahunan produk atau layanan di bawah 20 juta dolar, pengguna cukup mengirim satu pemberitahuan lewat surel; bila melewati angka itu, izin tertulis dari MiniMax harus diperoleh lebih dulu. Pola gerbang pendapatan seperti ini kini muncul di beberapa laboratorium, sehingga klaim gratis untuk selamanya perlu dibaca sebagai gratis sampai ambang tertentu.

Angka di kartu model menunjukkan di mana posisi model ini. Pada BankerToolBench ia mencatat 76,2, setara Opus 5; DeepSWE v1.1 sebesar 73,7, sedikit di bawah DeepSeek V4.1 Flash-1017 yang 77,0 tetapi di atas Kimi K3 yang 67,5; OSWorld 2.0 sebesar 61,7; Agents Last Exam 29,6; CyberGym 82,2; dan Automation-Bench v1.0.6 sebesar 62,8. TechNews mencatat versi teks pengumuman menyebut 62,2 untuk Automation-Bench, berbeda dari kartu model, dan selisih kecil semacam itu sebaiknya dicatat sebagai ketidakcocokan dokumen, bukan kesalahan pengukuran yang bisa dipastikan.

Bagi pembaca di Indonesia, dua hal layak dijadikan patokan. Pertama, kelas 428 miliar parameter dengan 23 miliar aktif masih menuntut mesin inferensi serius, jadi ini bukan model laptop meskipun bobotnya terbuka. Kedua, kewajiban atribusi dan ambang 20 juta dolar membuat perhitungan biaya self-host tidak lagi hanya soal listrik dan GPU: ada kewajiban hukum yang harus masuk dokumen vendor dan kontrak layanan sejak awal.