MiniMaxov novi M3.1 Flash nadmašuje DeepSeek i Opus 5 na ključnom poslovnom benchmarku uz nižu cijenu — ali uz visoku stopu halucinacija
Kineska tvrtka za umjetnu inteligenciju MiniMax objavila je M3.1 Flash, novi AI model namijenjen složenim poslovnim tokovima, razvoju softvera i zadacima koji uključuju korištenje računala. Model je predstavljen kao znatno jeftinija alternativa konkurentskim frontier modelima, uključujući popularnog kineskog rivala DeepSeek tijekom vršnih sati.
Prema navodima tvrtke, M3.1 Flash radi gotovo tri puta brže od prethodnika i smanjuje ukupne troškove korištenja AI agenata za 70 posto. O tome kako timovi smanjuju troškove konteksta i tokena raspravljat će se i na VentureBeatovu Agentic Infrastructure Stack Summitu u San Franciscu 28. listopada. No uvjerljiviji dokazi dolaze iz neovisnog testiranja.
Kontekst
Artificial Analysis dodijelio je M3.1 Flashu ocjenu 42 na svom Intelligence Indexu, što je 13 bodova više od prethodnog modela MiniMax M3, uz trošak procjene po zadatku manji od polovice onoga kod prethodnika. To ga stavlja u rang s modelom GLM-5.3 Flash tvrtke Z.ai, malo ispred Googleova Gemini 3.8 Flash i blizu DeepSeek V4.1 Flash-1017, još jednog novog i jeftinog kineskog AI modela, koji ima ocjenu 45. Intelligence Index je mjera kojom Artificial Analysis procjenjuje sposobnosti modela, a pojam frontier modela odnosi se na najnaprednije sustave na tržištu.
Testiranje je takođerr pokazalo da M3.1 Flash, iako je točno odgovorio na više od polovice pitanja o činjeničnom znanju, ima izrazito visoku sklonost davanju netočnih odgovora umjesto priznavanja nesigurnosti.
Ključne brojke
M3.1 Flash postiže ocjenu 42 na Intelligence Indexu, dok M3 ima 29. Prosječni trošak zadatka na Intelligence Indexu pao je s približno 0,51 dolara na 0,22 dolara, što je smanjenje od gotovo 57 posto. GLM-5.3 Flash ima 42 boda uz približno 0,28 dolara po zadatku, DeepSeek V4.1 Flash-1017 ima 45 bodova uz približno 0,26 dolara, a Gemini 3.8 Flash 41 bod uz približno 1,24 dolara. Na Humanity's Last Exam M3.1 Flash ostvaruje 48 posto, u odnosu na 39 posto kod M3, 40 posto kod GLM-5.3 Flasha, 43 posto kod DeepSeeka i 48 posto kod Geminija. Na CritPtu je napredovao s 4 na 22 posto, ispred GLM-5.3 Flasha s 15 posto i Geminija 3.8 Flasha s 18 posto, a malo za DeepSeekom, koji ima 24 posto.
Tijekom evaluacije koristio je približno 189 milijuna izlaznih tokena, dok su GLM-5.3 Flash i Gemini 3.8 Flash koristili oko 324, odnosno 334 milijuna.
Što to znači
Rezultati naglašavaju rastuću konkurentnost jeftinih kineskih AI modela, ali i kompromise koje poduzeća moraju uzeti u obzir pri njihovu uvođenju za zadatke koji zahtijevaju točnost, pouzdanost i minimalan ljudski nadzor. MiniMax u svojoj službenoj objavi ističe sposobnost modela da izvršava duge nizove radnji u poslovnom softveru, programskim okruženjima i na računalnim sučeljima. Tvrtka navodi ocjenu 62,2 na Automation-Bench v1.0.6, što je neznatno više od DeepSeekovih 60,5 i znatno više od rezultata GPT-5.6 Sol i Claude Opus 5 u MiniMaxovim podacima.
Na BankerToolBench model postiže 76,2 i izjednačen je s Claude Opus 5, dok na DeepSWE v1.1 ima 73,7 posto, u odnosu na 74 posto kod Claude Opus 5, 73 posto kod GPT-5.6 Sol i 77 posto kod DeepSeeka. Za korištenje računala bilježi 61,7 na OSWorld 2.0 i 29,6 na Agents' Last Exam, a na CyberGymu 82,2.
Što slijedi
MiniMax će nastaviti promovirati model na predstojećem summitu u San Franciscu, gdje će se razgovarati o smanjenju troškova konteksta i tokena. Ključno pitanje ostaje kako će poduzeća odvagnuti niže troškove i brzinu s visokom sklonošću netočnim odgovorima kod zadataka koji traže pouzdanost i minimalan ljudski nadzor.