MiniMax M3.1 Flash senkt Token-Preise, aber die Kosten für Agenten hängen von der Effizienz ab

MiniMax hat am Montag, den 20. Oktober 2026, sein neues Modell M3.1 Flash veröffentlicht und eine Halbierung des Preises pro Token angekündigt. Das Unternehmen behauptet, dieses Update reduziere die Gesamtkosten für den Betrieb von KI-Agenten um siebzig Prozent, obwohl unabhängige Analysen darauf hindeuten, dass die tatsächlichen Einsparungen für Entwickler je nach Arbeitslast-Eigenschaften möglicherweise geringer ausfallen.

Was passiert ist

Der Launch stellt M3.1 Flash als direkten Nachfolger des vorherigen Modells M3 vor, mit einer Preisstruktur, die viele Wettbewerber deutlich unterbietet. MiniMax listet Eingabe-Tokens zu $0,15 pro Million, Ausgabe-Tokens zu $0,60 pro Million und gecachte Eingabe-Tokens zu $0,015 pro Million. Das Unternehmen behauptet, dass die Inferenzgeschwindigkeiten fast dreimal schneller seien als bei M3, was zu den allgemeinen Effizienzgewinnen beiträgt. Die Schlagzeile über die Kostensenkung von siebzig Prozent stützt sich jedoch nicht nur auf günstigere Tarife, sondern auch auf die Annahme, dass das Modell Aufgaben in weniger Verarbeitungsschleifen erledigt.

Das unabhängige Unternehmen Artificial Analysis testete das Modell anhand seines Intelligence Index Benchmarks. Ihre Ergebnisse zeigten durchschnittliche Kosten pro Aufgabe von $0,22 für M3.1 Flash, gegenüber $0,51 für M3. Dies entspricht einer Reduktion von siebenundfünfzig Prozent, was zwar erheblich ist, aber hinter der internen Marketingzahl von MiniMax liegt. Diese Diskrepanz dürfte auf Unterschiede bei den spezifischen Test-Arbeitslasten zurückzuführen sein, da die Kosten für Agenten stark variieren, abhängig davon, wie viele Tokens während wiederholter Reasoning-Schritte verbraucht werden.

Die Veröffentlichung klärte auch die Identität von Space Bunny, einem mysteriösen Modell, das zuvor über zweihundert Billionen Tokens verarbeitet hatte. MiniMax bestätigte, dass Space Bunny ein früher Build von M3.1 Flash war. Während das Modell einen Kontextfenster von einer Million Tokens unterstützt, sodass große Codebasen in einen einzigen Prompt passen, sollten Entwickler, die die Vorschauversion getestet haben, nicht identisches Verhalten in der finalen Version annehmen. Die Modellgewichte sollen bald verfügbar sein, Berichten zufolge etwa am 23. Oktober, obwohl die offizielle Ankündigung lediglich besagt, dass sie später eintreffen werden.

Wie es funktioniert

M3.1 Flash operiert als großes Sprachmodell, das für agentische Workflows optimiert ist, bei denen die KI mehrstufige Aufgaben wie Coding oder Datenanalyse durchführt. Die Kosteneffizienz ergibt sich aus zwei Faktoren: dem niedrigeren Preis pro Token und der Fähigkeit des Modells, Aufgaben mit weniger iterativen Aufrufen zu lösen. In agentischen Systemen schleift die KI oft, liest ihre eigene Ausgabe und promptet sich selbst erneut, bis eine Aufgabe abgeschlossen ist. Wenn M3.1 Flash weniger Schleifen benötigt, um eine korrekte Antwort zu finden, sinkt die Gesamtanzahl der Tokens, was die Einsparungen durch die niedrigere Tarifkarte noch verstärkt.

Allerdings machen Eingabe-Tokens typischerweise den Großteil der Nutzung in diesen Workflows aus. Dies macht den Caching-Mechanismus entscheidend. MiniMax berechnet $0,015 pro Million gecachter Eingabe-Tokens. Wenn ein Agent wiederholt denselben Kontext oder dieselbe Codebasis referenziert, verhindert das Caching, dass diese Tokens zum vollen Eingabetarif erneut verarbeitet werden. Die Wirksamkeit dieser Funktion hängt stark von der Struktur der Anwendung und der Menge an statischem Kontext ab, der über Anfragen hinweg wiederverwendet wird.

Wichtige Details

• Eingabe-Tokens kosten $0,15 pro Million, Ausgabe-Tokens $0,60 pro Million und gecachte Eingabe-Tokens $0,015 pro Million.
• Artificial Analysis maß eine Kostensenkung von siebenundfünfzig Prozent pro Aufgabe im Vergleich zu den von MiniMax behaupteten siebzig Prozent.
• Das Modell erzielt 73,7 Prozent auf DeepSWE v1.1, liegt damit leicht hinter Claude Opus 5, aber vor GPT-5.6 Sol.
• Auf dem AA-Omniscience-Benchmark erreichte M3.1 Flash eine Genauigkeit von sechsundfünfzig Prozent, zeigte jedoch eine hohe Halluzinationsrate, indem es falsch antwortete, statt sich zu enthalten.
• Die Fähigkeiten zur Computernutzung erzielten 61,7 Punkte auf OSWorld V2 und liegen damit hinter den führenden Modellen von Anthropic und OpenAI.
• Die Modellgewichte sollen voraussichtlich um den 23. Oktober 2026 veröffentlicht werden, wobei noch keine spezifischen Lizenzbedingungen bekannt gegeben wurden.

Warum das wichtig ist

Für Software-Ingenieure, die KI-Agenten entwickeln, ist die Unterscheidung zwischen Preis pro Token und Kosten pro Aufgabe entscheidend. Eine günstigere Tarifkarte garantiert keine niedrigeren Rechnungen, wenn das Modell mehr Iterationen benötigt, um ein Problem zu lösen. Die Erkenntnis, dass Eingabe-Tokens die meisten Agentenkosten verursachen, bedeutet, dass Caching-Strategien und Kontextmanagement einen größeren Einfluss auf die Endabrechnung haben als der Basispreis für Ausgaben. Teams müssen bewerten, ob die Geschwindigkeit und die niedrigeren Tarife von M3.1 Flash mögliche Erhöhungen der Schleifenzahlen oder des Verifikationsaufwands ausgleichen.

Die von Artificial Analysis identifizierte hohe Halluzinationsrate birgt ein erhebliches Risiko für wissensintensive Anwendungen. Das Modell versuchte, nahezu jede Frage im Omniscience-Benchmark zu beantworten, wobei dreiundneunzig Prozent seiner nicht-korrekten Antworten falsche Antworten waren, statt Ablehnungen. Dieses Verhalten deutet darauf hin, dass Entwickler sich nicht darauf verlassen können, dass das Modell Unsicherheit selbst reguliert. Die Implementierung externer Verifikationsebenen, Retrieval-Augmented Generation (RAG) oder Human-in-the-Loop-Reviews wird notwendig, um die Zuverlässigkeit zu gewährleisten, was Komplexität und potenzielle Kosten wieder ins System bringt.

Was Sie tun können

• Führen Sie eigene Bewertungen repräsentativer agentischer Workflows durch, um den tatsächlichen Token-Verbrauch pro Aufgabe zu messen, anstatt sich auf die Schlagzeilenpreise zu verlassen.
• Implementieren Sie robustes Caching für statischen Kontext und Eingabedaten, um die Einsparungen durch den niedrigen Tarif für gecachte Eingabe-Tokens zu maximieren.
• Fügen Sie Verifikationsschritte oder Guardrails in Ihre Pipeline ein, um das Risiko von Halluzinationen bei faktischen oder sicherheitskritischen Aufgaben zu mindern.
• Vergleichen Sie Spitzenlast- und Off-Peak-Preise mit Wettbewerbern wie DeepSeek, insbesondere wenn Ihre Arbeitslast während der UTC-Tagesstunden läuft.
• Warten Sie auf die offiziellen Lizenzbedingungen, bevor Sie planen, das Modell nach Veröffentlichung der Gewichte selbst zu hosten.
• Beobachten Sie die Leistung des kommenden Pro-Modells, da noch kein Veröffentlichungsdatum festgelegt wurde.