MiniMax M3.1 Flash giảm giá token nhưng chi phí cho agent phụ thuộc vào hiệu suất

MiniMax đã phát hành mô hình mới M3.1 Flash vào thứ Hai, ngày 20 tháng 10 năm 2026, công bố mức giảm 50% trong giá tính theo từng token. Công ty khẳng định bản cập nhật này giúp giảm tổng chi phí vận hành các AI agent xuống 70%, mặc dù phân tích độc lập cho thấy mức tiết kiệm thực tế dành cho nhà phát triển có thể khiêm tốn hơn, tùy thuộc vào đặc điểm khối lượng công việc.

Chuyện gì đã xảy ra

Việc ra mắt giới thiệu M3.1 Flash như là người kế nhiệm trực tiếp của mô hình M3 trước đó, với cấu trúc giá cả thấp hơn đáng kể so với nhiều đối thủ cạnh tranh. MiniMax niêm yết giá input tokens ở mức $0.15 mỗi triệu, output tokens ở mức $0.60 mỗi triệu và cached input tokens ở mức $0.015 mỗi triệu. Công ty khẳng định tốc độ suy luận nhanh gấp gần ba lần so với M3, góp phần vào lợi ích về hiệu suất tổng thể. Tuy nhiên, tuyên bố giảm chi phí 70% không chỉ dựa trên mức giá rẻ hơn, mà còn dựa trên giả định rằng mô hình hoàn thành tác vụ với ít vòng lặp xử lý hơn.

Công ty độc lập Artificial Analysis đã thử nghiệm mô hình bằng chỉ số Intelligence Index. Kết quả của họ cho thấy chi phí trung bình mỗi tác vụ là $0.22 cho M3.1 Flash, giảm từ $0.51 của M3. Điều này tương ứng với mức giảm 57%, khá lớn nhưng vẫn chưa đạt được con số 70% mà MiniMax đưa ra trong hoạt động marketing nội bộ. Sự chênh lệch này có thể xuất phát từ khác biệt trong các khối lượng công việc cụ thể được sử dụng để kiểm tra, vì chi phí cho agent biến động rất mạnh dựa trên số lượng token tiêu thụ trong các bước suy luận lặp đi lặp lại.

Bản phát hành cũng làm rõ danh tính của Space Bunny, một mô hình bí ẩn trước đây đã xử lý hơn hai trăm nghìn tỷ token. MiniMax xác nhận rằng Space Bunny là một phiên bản xây dựng sớm của M3.1 Flash. Mặc dù mô hình hỗ trợ cửa sổ ngữ cảnh lên tới một triệu token, cho phép các mã nguồn lớn vừa khít trong một prompt duy nhất, các nhà phát triển đã thử nghiệm phiên bản xem trước không nên giả định rằng hành vi sẽ giống hệt nhau trong bản phát hành chính thức. Trọng số mô hình (model weights) dự kiến sẽ sớm khả dụng, được cho là vào khoảng ngày 23 tháng 10, mặc dù thông báo chính thức chỉ nêu rằng chúng sẽ xuất hiện sau đó.

Cách thức hoạt động

M3.1 Flash hoạt động như một mô hình ngôn ngữ lớn được tối ưu hóa cho quy trình làm việc dạng agent, nơi AI thực hiện các tác vụ đa bước như viết code hoặc phân tích dữ liệu. Hiệu quả chi phí đến từ hai yếu tố: giá thấp hơn cho mỗi token và khả năng của mô hình giải quyết tác vụ với ít lần gọi lặp lại hơn. Trong các hệ thống agent, AI thường lặp lại quá trình đọc đầu ra của chính nó và tự đặt lại prompt cho đến khi tác vụ hoàn tất. Nếu M3.1 Flash yêu cầu ít vòng lặp hơn để đạt được câu trả lời đúng, tổng số token sẽ giảm, nhân đôi khoản tiết kiệm từ bảng giá thấp hơn.

Tuy nhiên, input tokens thường chiếm phần lớn mức sử dụng trong các quy trình làm việc này. Điều này làm cho cơ chế caching trở nên quan trọng. MiniMax tính phí $0.015 mỗi triệu cached input tokens. Khi một agent tham chiếu liên tục cùng một ngữ cảnh hoặc mã nguồn, caching ngăn chặn việc xử lý lại các token đó ở mức giá input đầy đủ. Hiệu quả của tính năng này phụ thuộc rất nhiều vào cấu trúc của ứng dụng và mức độ tái sử dụng ngữ cảnh tĩnh giữa các request.

Chi tiết chính

• Input tokens có giá $0.15 mỗi triệu, output tokens $0.60 mỗi triệu, và cached input tokens $0.015 mỗi triệu.
• Artificial Analysis đo lường mức giảm chi phí 57% mỗi tác vụ, so với con số 70% mà MiniMax tuyên bố.
• Mô hình đạt điểm 73.7% trên DeepSWE v1.1, hơi thấp hơn Claude Opus 5 nhưng dẫn trước GPT-5.6 Sol.
• Trên benchmark AA-Omniscience, M3.1 Flash đạt độ chính xác 56% nhưng thể hiện tỷ lệ ảo giác cao, trả lời sai thay vì từ chối trả lời.
• Khả năng sử dụng máy tính đạt điểm 61.7 trên OSWorld V2, xếp sau các mô hình hàng đầu của Anthropic và OpenAI.
• Trọng số mô hình dự kiến được phát hành vào khoảng ngày 23 tháng 10 năm 2026, mặc dù chưa có điều khoản giấy phép cụ thể nào được công bố.

Tại sao điều này quan trọng

Đối với các kỹ sư phần mềm xây dựng AI agent, sự khác biệt giữa giá theo token và chi phí theo tác vụ là rất quan trọng. Một bảng giá rẻ hơn không đảm bảo hóa đơn thấp hơn nếu mô hình yêu cầu nhiều vòng lặp hơn để giải quyết vấn đề. Phát hiện rằng input tokens thúc đẩy phần lớn chi phí cho agent có nghĩa là chiến lược caching và quản lý ngữ cảnh sẽ tác động lớn hơn đến lợi nhuận ròng so với giá output cơ bản. Các đội ngũ phải đánh giá xem tốc độ và mức giá thấp của M3.1 Flash có bù đắp được bất kỳ sự gia tăng tiềm tàng nào về số lượng vòng lặp hoặc chi phí xác minh hay không.

Tỷ lệ ảo giác cao được Artificial Analysis xác định gây ra rủi ro đáng kể cho các ứng dụng nặng về kiến thức. Mô hình đã cố gắng trả lời hầu hết mọi câu hỏi trong benchmark Omniscience, với 93% các phản hồi không chính xác là những câu trả lời sai chứ không phải là sự từ chối. Hành vi này gợi ý rằng các nhà phát triển không thể tin tưởng vào việc mô hình tự điều chỉnh sự không chắc chắn. Việc triển khai các lớp xác minh bên ngoài, retrieval-augmented generation (RAG), hoặc các quy trình xem xét có con người tham gia (human-in-the-loop) trở nên cần thiết để duy trì độ tin cậy, điều này thêm phức tạp và chi phí tiềm tàng vào hệ thống.

Bạn có thể làm gì

• Tự chạy các đánh giá trên các quy trình làm việc agent đại diện để đo lường mức tiêu thụ token thực tế mỗi tác vụ, thay vì dựa vào giá niêm yết.
• Triển khai caching mạnh mẽ cho ngữ cảnh tĩnh và dữ liệu đầu vào để tối đa hóa khoản tiết kiệm từ mức giá cached input token thấp.
• Thêm các bước xác minh hoặc rào chắn (guardrails) vào pipeline của bạn để giảm thiểu rủi ro ảo giác trong các tác vụ nhạy cảm về mặt thực tế hoặc bảo mật.
• So sánh giá giờ cao điểm và thấp điểm với các đối thủ như DeepSeek, đặc biệt nếu khối lượng công việc của bạn chạy trong giờ ban ngày theo múi giờ UTC.
• Chờ đợi các điều khoản giấy phép chính thức trước khi lên kế hoạch tự host mô hình một khi trọng số được phát hành.
• Theo dõi hiệu suất của mô hình Pro sắp tới, vì chưa có ngày phát hành cụ thể nào được thiết lập.