MiniMax M3.1 Flash: गति, कीमत और एजेंट बेंचमार्क के नतीजे

19 अक्टूबर को MiniMax ने आधिकारिक तौर पर M3.1 Flash पेश किया। यह मॉडल प्रोग्रामिंग, AI एजेंट, कंप्यूटर के इस्तेमाल और साइबर सुरक्षा से जुड़े कामों के लिए बनाया गया है। कंपनी का दावा है कि इन्फ़रेंस की गति लगभग तीन गुना हो गई है, जबकि एजेंट वर्कलोड की लागत 70% घट गई है।

मॉडल का एक प्रीव्यू चरण भी था। 27 सितंबर को M3.1-Flash-Preview, MiniMax Code में उपलब्ध हुआ था, जहाँ इसे रोज़मर्रा के डेवलपमेंट कार्यों के लिए पेश किया गया था — बग ठीक करने से लेकर नए फ़ीचर बनाने तक। अब M3.1 Flash API, M Plan सब्सक्रिप्शन और MiniMax Code के ज़रिए उपलब्ध है। आप इसे vega.chat के मॉडल पिकर में भी आज़मा सकते हैं या api.vega.chat के ज़रिए इस्तेमाल कर सकते हैं।

Space Bunny कहाँ से आया

आधिकारिक घोषणा से पहले, डेवलपर Space Bunny नाम के एक अनाम मॉडल को आज़मा रहे थे। MiniMax ने पुष्टि की कि यह M3.1 Flash का शुरुआती संस्करण था। कंपनी के मुताबिक, गुमनाम रूप से उपलब्ध रहने के दौरान मॉडल ने 200 ट्रिलियन से अधिक टोकन प्रोसेस किए।

वास्तविक दुनिया में इतने बड़े पैमाने पर इस्तेमाल से MiniMax को मॉडल के पूर्ण लॉन्च से पहले कई तरह के अनुरोधों पर उसकी जाँच करने का मौका मिला। हालाँकि, कंपनी Space Bunny के परीक्षणों का विवरण साझा नहीं करती और न ही स्पष्ट करती है कि किन नतीजों का M3.1 Flash के अंतिम संस्करण पर सीधा असर पड़ा।

कॉन्टेक्स्ट विंडो और रीजनिंग मोड

M3.1 Flash, 1 मिलियन टोकन तक की कॉन्टेक्स्ट विंडो को सपोर्ट करता है। इसका मतलब है कि आप एक ही अनुरोध में बड़े दस्तावेज़, कोडबेस के बड़े हिस्से और एजेंट के काम का लंबा इतिहास दे सकते हैं।

तकनीकी सामग्री में टेक्स्ट, इमेज और वीडियो इनपुट का सपोर्ट भी बताया गया है। आउटपुट केवल टेक्स्ट में मिलता है।

रीजनिंग हमेशा चालू रहती है, लेकिन उसकी गहराई को कॉन्फ़िगर किया जा सकता है। इसके पाँच स्तर उपलब्ध हैं: low, medium, high, xhigh, और max। कम स्तर तेज़ बदलावों और आसान कामों के लिए उपयुक्त हैं; ऊँचे स्तर जटिल विश्लेषण, कई चरणों में होने वाले बदलावों और कई फ़ाइलों पर काम के लिए बनाए गए हैं।

यह सेटिंग आपको गति, टोकन खर्च और विश्लेषण की गहराई के बीच संतुलन तय करने देती है। इसका वास्तविक असर काम पर निर्भर करता है: कम स्तर पर जवाब तेज़ मिल सकता है, लेकिन उस स्तर पर किसी जटिल अनुरोध के लिए आपको अपनी ओर से अधिक जाँच करनी होगी।

बेंचमार्क क्या दिखाते हैं

MiniMax ने कई परीक्षणों में M3.1 Flash के नतीजे प्रकाशित किए हैं। नीचे दिए गए सभी स्कोर कंपनी ने खुद बताए हैं, इसलिए इन्हें कंपनी के दावों के रूप में लें, जब तक कि व्यापक स्वतंत्र तुलनाएँ सामने न आ जाएँ।

परीक्षण	स्कोर	इसमें क्या मापा जाता है
DeepSWE v1.1	73.7%	जटिल इंजीनियरिंग कार्यों को हल करना और कोड की समीक्षा
BankerToolBench	76.2	दस्तावेज़ों और वित्तीय सीमाओं वाले कई चरणों के वर्कफ़्लो
OSWorld V2	61.7	कंप्यूटर का इस्तेमाल और कई ऐप्लिकेशन में काम पूरे करना
Agents' Last Exam	29.6	जटिल पेशेवर कार्य
CyberGym	82%	कमज़ोरियों का पता लगाना और उनकी पुष्टि करना

AutomationBench-AA पर MiniMax ने इस मॉडल को सबसे मज़बूत प्रतिभागियों में शामिल बताया है। यह बेंचमार्क एंटरप्राइज़ सेवाओं में शुरू से अंत तक की प्रक्रियाओं को कवर करता है — जैसे बिक्री, मार्केटिंग, वित्त और HR के कार्य।

इन नतीजों की आपस में सीधी तुलना नहीं की जा सकती: हर परीक्षण अलग पैमाने पर अलग कौशल मापता है। अपने प्रोडक्ट के लिए मॉडल चुनने वाली टीमों के लिए अपने ही परिदृश्यों पर उसका परीक्षण करना ज़्यादा मायने रखता है — जैसे वह टूल कितनी सटीकता से कॉल करता है, कोडबेस को कैसे संभालता है और क्या किसी काम को पूरा करके उपयोगी नतीजे तक पहुँचता है।

गति और कीमत

MiniMax के मुताबिक, जनरेशन की गति प्रति सेकंड 200 टोकन से अधिक है और औसत गति प्रति सेकंड 170 टोकन से ज़्यादा है। यह टेक्स्ट जनरेशन की गति है, किसी काम को शुरू से अंत तक पूरा करने की गारंटीशुदा अवधि नहीं: एजेंट को फ़ाइलें पढ़नी पड़ सकती हैं, टूल कॉल करने पड़ सकते हैं, परीक्षण चलाने पड़ सकते हैं और नतीजे में बार-बार बदलाव करने पड़ सकते हैं।

हर 1 मिलियन टोकन के लिए API की कीमतें:

टोकन का प्रकार	कीमत
इनपुट	$0.15
आउटपुट	$0.60
कैश किया गया इनपुट	$0.015

MiniMax का दावा है कि पिछले मॉडल की तुलना में एजेंट वर्कलोड की कुल लागत 70% घट गई है। यह अनुमान वास्तविक दुनिया में इस्तेमाल के पैटर्न पर आधारित है; इसका मतलब यह नहीं कि हर अनुरोध अपने आप 70% सस्ता हो जाएगा। वास्तविक खर्च कॉन्टेक्स्ट के आकार, जवाब की लंबाई, टूल कॉल की संख्या और दोबारा प्रयासों पर निर्भर करता है।

M3 बनाम M3.1 Flash

पहले जारी किया गया MiniMax M3, कोडिंग, एजेंट कार्यों और मल्टीमॉडल काम के लिए एक बहुउद्देशीय मॉडल के रूप में पेश किया गया था। M3.1 Flash रोज़मर्रा के आम अनुरोधों को तेज़ी से पूरा करने पर ध्यान देता है, खासकर सॉफ़्टवेयर एजेंटों के भीतर।

उपयोगकर्ताओं को तीन अंतर दिखाई देते हैं:

• M3.1 Flash में रीजनिंग का स्तर चुना जा सकता है;


• कंपनी एजेंट के काम में गति और लागत पर खास ज़ोर देती है;


• यह मॉडल API, M Plan और MiniMax Code के ज़रिए उपलब्ध है।

MiniMax ने बाद में M3.1 Flash के वेट्स जारी करने का वादा किया है। उनके प्रकाशित होने तक, आप मॉडल को अपने सर्वर पर होस्ट नहीं कर सकते या कंपनी की सेवाओं के बाहर उसका परीक्षण नहीं कर सकते।

किन लोगों को ध्यान देना चाहिए

M3.1 Flash उन डेवलपर के लिए उपयुक्त हो सकता है जिन्हें रिपॉज़िटरी का विश्लेषण करने, बग ठीक करने, परीक्षण लिखने और कई चरणों में बदलाव करने के लिए सहायक चाहिए। यह उन टीमों के लिए भी प्रासंगिक है जो अलग-अलग ऐप्लिकेशन में काम ऑटोमेट करती हैं और बार-बार होने वाली एजेंट कॉल की लागत को नियंत्रण में रखना चाहती हैं।

इसे अपनाने से पहले, अपने कामों पर मॉडल की तुलना दूसरे विकल्पों से करें। सिर्फ़ जवाबों की गुणवत्ता ही नहीं, बल्कि टूल कॉल की संख्या, टोकन का इस्तेमाल, नतीजा तैयार होने में लगा समय और गड़बड़ी होने पर मॉडल का व्यवहार भी जाँचें।

अपने वर्कफ़्लो से कुछ आम काम चुनें और उन्हें अलग-अलग रीजनिंग स्तरों पर M3.1 Flash से करवाएँ — आप यह सीधे vega.chat के मॉडल पिकर में कर सकते हैं।