MiniMax M3.1 Flash réduit les prix des tokens, mais le coût des agents dépend de l'efficacité

MiniMax a publié son nouveau modèle M3.1 Flash le lundi 20 octobre 2026, annonçant une réduction de cinquante pour cent du prix par token. La société affirme que cette mise à jour réduit le coût total d'exécution des agents IA de soixante-dix pour cent, bien que des analyses indépendantes suggèrent que les économies réelles pour les développeurs pourraient être plus modestes selon les caractéristiques de la charge de travail.

Ce qui s'est passé

Le lancement introduit M3.1 Flash comme successeur direct du précédent modèle M3, avec une structure tarifaire qui sous-coupe significativement de nombreux concurrents. MiniMax liste les tokens d'entrée à 0,15 $ par million, les tokens de sortie à 0,60 $ par million, et les tokens d'entrée mis en cache à 0,015 $ par million. La société soutient que les vitesses d'inférence sont près de trois fois plus rapides que celles de M3, contribuant aux gains globaux d'efficacité. Cependant, l'affirmation phare d'une réduction des coûts de soixante-dix pour cent ne repose pas uniquement sur des tarifs moins chers, mais aussi sur l'hypothèse que le modèle termine les tâches en moins de boucles de traitement.

La firme indépendante Artificial Analysis a testé le modèle en utilisant son benchmark Intelligence Index. Leurs résultats ont montré un coût moyen par tâche de 0,22 $ pour M3.1 Flash, contre 0,51 $ pour M3. Cela représente une réduction de cinquante-sept pour cent, ce qui est substantiel mais inférieur au chiffre marketing interne de MiniMax. Cette divergence provient probablement des différences dans les charges de travail spécifiques utilisées pour les tests, car les coûts des agents varient considérablement selon le nombre de tokens consommés lors des étapes de raisonnement répétées.

La publication a également clarifié l'identité de Space Bunny, un modèle mystère ayant précédemment traité plus de deux cents billions de tokens. MiniMax a confirmé que Space Bunny était une version préliminaire de M3.1 Flash. Bien que le modèle prenne en charge une fenêtre de contexte d'un million de tokens, permettant à de grandes bases de code de tenir dans une seule invite, les développeurs ayant testé la version d'aperçu ne doivent pas supposer un comportement identique dans la version finale. Les poids du modèle devraient être disponibles prochainement, apparemment autour du 23 octobre, bien que l'annonce officielle indique seulement qu'ils arriveront ultérieurement.

Comment cela fonctionne

M3.1 Flash opère comme un grand modèle de langage optimisé pour les flux de travail agentiques, où l'IA effectue des tâches multi-étapes telles que le codage ou l'analyse de données. L'efficacité économique provient de deux facteurs : le prix inférieur par token et la capacité du modèle à résoudre les tâches avec moins d'appels itératifs. Dans les systèmes agentiques, l'IA tourne souvent en boucle, lisant sa propre sortie et se re-promptant jusqu'à ce qu'une tâche soit terminée. Si M3.1 Flash nécessite moins de boucles pour atteindre une réponse correcte, le nombre total de tokens diminue, amplifiant ainsi les économies issues de la grille tarifaire réduite.

Cependant, les tokens d'entrée représentent généralement la majorité de l'utilisation dans ces flux de travail. Cela rend le mécanisme de mise en cache crucial. MiniMax facture 0,015 $ par million de tokens d'entrée mis en cache. Lorsqu'un agent référence plusieurs fois le même contexte ou la même base de code, la mise en cache évite de retravailler ces tokens au tarif plein d'entrée. L'efficacité de cette fonctionnalité dépend fortement de la structure de l'application et de la quantité de contexte statique réutilisée entre les requêtes.

Détails clés

• Les tokens d'entrée coûtent 0,15 $ par million, les tokens de sortie 0,60 $ par million, et les tokens d'entrée mis en cache 0,015 $ par million.
• Artificial Analysis a mesuré une réduction des coûts de cinquante-sept pour cent par tâche, contre les soixante-dix pour cent revendiqués par MiniMax.
• Le modèle obtient un score de 73,7 pour cent sur DeepSWE v1.1, légèrement derrière Claude Opus 5 mais devant GPT-5.6 Sol.
• Sur le benchmark AA-Omniscience, M3.1 Flash a atteint une précision de cinquante-six pour cent mais a présenté un taux d'hallucination élevé, répondant incorrectement plutôt que de s'abstenir.
• Les capacités d'utilisation de l'ordinateur ont obtenu un score de 61,7 sur OSWorld V2, derrière les modèles leaders d'Anthropic et OpenAI.
• Les poids du modèle devraient être publiés autour du 23 octobre 2026, bien qu'aucun terme de licence spécifique n'ait encore été publié.

Pourquoi c'est important

Pour les ingénieurs logiciels construisant des agents IA, la distinction entre le prix par token et le coût par tâche est vitale. Une grille tarifaire moins chère ne garantit pas des factures inférieures si le modèle nécessite plus d'itérations pour résoudre un problème. Le fait que les tokens d'entrée dominent la plupart des coûts des agents signifie que les stratégies de mise en cache et la gestion du contexte auront un impact plus important sur le résultat final que le prix de base de la sortie. Les équipes doivent évaluer si la vitesse de M3.1 Flash et ses tarifs réduits compensent toute augmentation potentielle du nombre de boucles ou des frais généraux de vérification.

Le taux d'hallucination élevé identifié par Artificial Analysis pose un risque significatif pour les applications riches en connaissances. Le modèle a tenté de répondre à presque toutes les questions du benchmark Omniscience, avec quatre-vingt-treize pour cent de ses réponses non correctes étant des erreurs plutôt que des refus. Ce comportement suggère que les développeurs ne peuvent pas compter sur le modèle pour autoréguler son incertitude. La mise en œuvre de couches de vérification externes, de génération augmentée par récupération (RAG) ou de revues humaines devient nécessaire pour maintenir la fiabilité, ce qui ajoute de la complexité et potentiellement des coûts supplémentaires au système.

Ce que vous pouvez faire

• Exécutez vos propres évaluations sur des flux de travail agentiques représentatifs pour mesurer la consommation réelle de tokens par tâche, plutôt que de vous fier aux prix affichés.
• Implémentez une mise en cache robuste pour le contexte statique et les données d'entrée afin de maximiser les économies issues du faible tarif des tokens d'entrée mis en cache.
• Ajoutez des étapes de vérification ou des garde-fous à votre pipeline pour atténuer le risque d'hallucinations dans les tâches factuelles ou sensibles à la sécurité.
• Comparez les tarifs aux heures de pointe et hors pointe avec des concurrents comme DeepSeek, surtout si votre charge de travail s'exécute pendant les heures diurnes UTC.
• Attendez les termes officiels de la licence avant de planifier l'auto-hébergement du modèle une fois les poids publiés.
• Surveillez les performances du modèle Pro à venir, car aucune date de sortie n'a encore été fixée.