MiniMax M3.1 Flash reduce los precios por token, pero el costo de los agentes depende de la eficiencia

MiniMax lanzó su nuevo modelo M3.1 Flash el lunes 20 de octubre de 2026, anunciando una reducción del cincuenta por ciento en el precio por token. La empresa afirma que esta actualización reduce el costo total de ejecución de agentes de IA en un setenta por ciento, aunque el análisis independiente sugiere que el ahorro real para los desarrolladores puede ser más modesto dependiendo de las características de la carga de trabajo.

Qué ocurrió

El lanzamiento introduce M3.1 Flash como sucesor directo del anterior modelo M3, con una estructura de precios que supera significativamente a muchos competidores. MiniMax lista los tokens de entrada a $0.15 por millón, los tokens de salida a $0.60 por millón y los tokens de entrada en caché a $0.015 por millón. La empresa sostiene que las velocidades de inferencia son casi tres veces más rápidas que las de M3, lo que contribuye a las ganancias generales de eficiencia. Sin embargo, la afirmación titular de una reducción de costos del setenta por ciento no se basa únicamente en tarifas más baratas, sino en la suposición de que el modelo completa las tareas en menos bucles de procesamiento.

La firma independiente Artificial Analysis probó el modelo utilizando su benchmark Intelligence Index. Sus resultados mostraron un costo promedio por tarea de $0.22 para M3.1 Flash, frente a los $0.51 de M3. Esto representa una reducción del cincuenta y siete por ciento, sustancial pero inferior a la cifra interna de marketing de MiniMax. La discrepancia probablemente se deba a las diferencias en las cargas de trabajo específicas utilizadas para las pruebas, ya que los costos de los agentes varían enormemente según cuántos tokens se consuman durante los pasos de razonamiento repetidos.

El lanzamiento también aclaró la identidad de Space Bunny, un modelo misterioso que había procesado previamente más de doscientos billones de tokens. MiniMax confirmó que Space Bunny era una versión temprana de M3.1 Flash. Si bien el modelo admite una ventana de contexto de un millón de tokens, permitiendo que grandes bases de código quepan en una sola solicitud, los desarrolladores que probaron la versión preliminar no deben asumir un comportamiento idéntico en la versión final. Se espera que los pesos del modelo estén disponibles pronto, reportadamente alrededor del 23 de octubre, aunque el anuncio oficial solo indica que llegarán más adelante.

Cómo funciona

M3.1 Flash opera como un gran modelo de lenguaje optimizado para flujos de trabajo agénticos, donde la IA realiza tareas de múltiples pasos como programación o análisis de datos. La eficiencia de costos proviene de dos factores: el menor precio por token y la capacidad del modelo para resolver tareas con menos llamadas iterativas. En los sistemas agénticos, la IA a menudo entra en bucle, leyendo su propia salida y re-solicitándose hasta que se completa una tarea. Si M3.1 Flash requiere menos bucles para llegar a una respuesta correcta, el recuento total de tokens disminuye, acumulando los ahorros derivados de la tarifa base más baja.

Sin embargo, los tokens de entrada suelen representar la mayoría del uso en estos flujos de trabajo. Esto hace que el mecanismo de almacenamiento en caché sea crítico. MiniMax cobra $0.015 por millón de tokens de entrada en caché. Cuando un agente hace referencia repetidamente al mismo contexto o base de código, el almacenamiento en caché evita reprocesar esos tokens a la tarifa completa de entrada. La eficacia de esta función depende en gran medida de la estructura de la aplicación y de cuánto contexto estático se reutiliza entre solicitudes.

Detalles clave

• Los tokens de entrada cuestan $0.15 por millón, los tokens de salida $0.60 por millón y los tokens de entrada en caché $0.015 por millón.
• Artificial Analysis midió una reducción de costos del cincuenta y siete por ciento por tarea, en comparación con el setenta por ciento reclamado por MiniMax.
• El modelo obtiene una puntuación del 73.7 % en DeepSWE v1.1, ligeramente por detrás de Claude Opus 5 pero por delante de GPT-5.6 Sol.
• En el benchmark AA-Omniscience, M3.1 Flash logró una precisión del cincuenta y seis por ciento pero exhibió una alta tasa de alucinación, respondiendo incorrectamente en lugar de abstenerse.
• Las capacidades de uso de computadora obtuvieron una puntuación de 61.7 en OSWorld V2, quedando por detrás de los modelos líderes de Anthropic y OpenAI.
• Se espera que los pesos del modelo sean liberados alrededor del 23 de octubre de 2026, aunque aún no se han publicado términos específicos de licencia.

Por qué importa

Para los ingenieros de software que construyen agentes de IA, la distinción entre el precio por token y el costo por tarea es vital. Una tarifa base más barata no garantiza facturas más bajas si el modelo requiere más iteraciones para resolver un problema. El hallazgo de que los tokens de entrada impulsan la mayoría de los costos de los agentes significa que las estrategias de almacenamiento en caché y la gestión del contexto tendrán un mayor impacto en el resultado final que el precio base de salida. Los equipos deben evaluar si la velocidad y las tarifas más bajas de M3.1 Flash compensan cualquier posible aumento en el número de bucles o en la sobrecarga de verificación.

La alta tasa de alucinación identificada por Artificial Analysis plantea un riesgo significativo para las aplicaciones intensivas en conocimiento. El modelo intentó responder casi todas las preguntas del benchmark Omniscience, con el noventa y tres por ciento de sus respuestas no correctas siendo errores en lugar de negativas. Este comportamiento sugiere que los desarrolladores no pueden confiar en que el modelo autorregule su incertidumbre. Implementar capas externas de verificación, generación aumentada por recuperación (RAG) o revisiones con intervención humana se vuelve necesario para mantener la confiabilidad, lo que añade complejidad y potencialmente costo al sistema.

Qué puedes hacer

• Ejecuta tus propias evaluaciones sobre flujos de trabajo agénticos representativos para medir el consumo real de tokens por tarea, en lugar de depender de los precios titulares.
• Implementa un almacenamiento en caché robusto para el contexto estático y los datos de entrada para maximizar los ahorros derivados de la baja tarifa de tokens de entrada en caché.
• Añade pasos de verificación o barreras de seguridad a tu pipeline para mitigar el riesgo de alucinaciones en tareas fácticas o sensibles a la seguridad.
• Compara los precios en horas pico y valle con competidores como DeepSeek, especialmente si tu carga de trabajo se ejecuta durante las horas diurnas UTC.
• Espera los términos oficiales de la licencia antes de planificar el autoalojamiento del modelo una vez que se liberen los pesos.
• Monitorea el rendimiento del próximo modelo Pro, ya que aún no se ha establecido una fecha de lanzamiento.