MiniMax M3.1 Flash: ылдамдыгы жана баасы
19-октябрда MiniMax M3.1 Flash моделин расмий жарыялады. Ал программалоо, AI агенттери, компьютерди колдонуу жана киберкоопсуздук тапшырмалары үчүн түзүлгөн. Компаниянын маалыматына ылайык, инференстин ылдамдыгы дээрлик үч эсеге өстү, ал эми агенттик жүктөмдөрдүн баасы 70%га төмөндөдү.
Модель алдын ала сыноо баскычынан өткөн. 27-сентябрда M3.1-Flash-Preview MiniMax Code ичинде пайда болуп, мүчүлүштүктөрдү оңдоодон тартып жаңы функцияларды түзүүгө чейинки күнүмдүк иштеп чыгуу иштерине сунушталган. Эми M3.1 Flash API, M Plan жазылуусу жана MiniMax Code аркылуу жеткиликтүү. Аны vega.chat сайтындагы моделдер тизмесинен да сынап көрүүгө же api.vega.chat аркылуу чакырууга болот.
Space Bunny кайдан чыккан
Расмий жарыяга чейин иштеп чыгуучулар Space Bunny деп аталган анонимдүү моделди сынап жатышкан. MiniMax анын M3.1 Flash моделинин алгачкы версиясы болгонун тастыктады. Компаниянын маалыматына караганда, модель анонимдүү иштеп турган маалында 200 триллиондон ашык токенди иштеткен.
Чыныгы дүйнөдөгү мындай көлөмдөгү колдонуу MiniMax компаниясына толук ишке киргизүүдөн мурун моделди ар түрдүү суроо-талаптар боюнча текшерүүгө мүмкүндүк берген. Бирок компания Space Bunny сыноолорунун чоо-жайын ачыктабайт жана алардын кайсы жыйынтыктары M3.1 Flash моделинин акыркы версиясына түздөн-түз таасир эткенин тактабайт.
Контекст терезеси жана ой жүгүртүү режимдери
M3.1 Flash 1 миллион токенге чейинки контекст терезесин колдойт. Демек, бир эле суроо-талапта чоң документтерди, код базасынын ири бөлүктөрүн жана агенттин узак иш таржымалын бере аласыз.
Техникалык материалдарда текст, сүрөт жана видео киргизүүлөрү колдоого алынары да көрсөтүлгөн. Чыгаруу — текст гана.
Ой жүгүртүү дайыма күйүп турат, бирок анын тереңдигин жөндөөгө болот. Беш деңгээл бар: low, medium, high, xhigh жана max. Төмөн деңгээлдер тез оңдоолорго жана жөнөкөй тапшырмаларга ылайыктуу; жогорку деңгээлдер татаал талдоого, көп баскычтуу өзгөртүүлөргө жана бир нече файлды камтыган иштерге арналган.
Бул жөндөө ылдамдык, токен сарптоо жана талдоонун тереңдиги ортосундагы тең салмакты көзөмөлдөөгө мүмкүндүк берет. Чыныгы таасири тапшырмага жараша болот: төмөн деңгээлде жооп тезирээк келиши мүмкүн, бирок ошол деңгээлде берилген татаал суроо-талапты өзүңүз көбүрөөк текшеришиңиз керек болот.
Бенчмарктар эмнени көрсөтөт
MiniMax M3.1 Flash моделинин бир нече тесттеги жыйынтыктарын жарыялады. Төмөндөгү бардык упайларды компания өзү билдирген. Кеңири көз карандысыз салыштыруулар чыкканга чейин аларды өндүрүүчүнүн билдирүүсү катары кабыл алыңыз.
| Тест | Упай | Эмнени өлчөйт |
|---|---|---|
| DeepSWE v1.1 | 73.7% | Татаал инженердик тапшырмаларды чечүү жана кодду карап чыгуу |
| BankerToolBench | 76.2 | Документтер жана каржылык чектөөлөр менен көп баскычтуу иш процесстери |
| OSWorld V2 | 61.7 | Компьютерди колдонуу жана ар кандай колдонмолордогу тапшырмаларды аткаруу |
| Agents' Last Exam | 29.6 | Татаал кесиптик тапшырмалар |
| CyberGym | 82% | Аялуу жерлерди табуу жана текшерүү |
AutomationBench-AA бенчмаргында MiniMax моделди эң күчтүү катышуучулардын катарына кошот. Бул бенчмарк ишкана кызматтарындагы — сатуу, маркетинг, финансы жана HR багыттарындагы — башынан аягына чейинки процесстерди камтыйт.
Жыйынтыктарды бири-бирине түз салыштырууга болбойт: тесттер ар башка көндүмдөрдү ар башка шкала менен өлчөйт. Өз өнүмүнө модель тандаган командалар үчүн өз сценарийлеринде сынап көрүү маанилүүрөөк: куралдарды канчалык так чакырары, код базасы менен кантип иштээри жана тапшырманы иш жүзүндө иштеген натыйжага чейин жеткире алар-албасы.
Ылдамдык жана баасы
MiniMax генерациянын ылдамдыгы секундасына 200 токенден ашарын, медианасы болсо 170 токенден жогору экенин билдирет. Бул текстти генерациялоо ылдамдыгы, тапшырманы башынан аягына чейин аткаруу убактысына кепилдик эмес: агент файлдарды окуп, куралдарды чакырып, тесттерди иштетип, жыйынтыкты кайра-кайра такташы мүмкүн.
Миллион токен үчүн API баасы:
| Токендин түрү | Баасы |
|---|---|
| Киргизүү | $0.15 |
| Чыгаруу | $0.60 |
| Кэштелген киргизүү | $0.015 |
MiniMax мурунку модель менен салыштырганда агенттик жүктөмдөрдүн жалпы баасы 70%га төмөндөгөнүн ырастайт. Бул баа чыныгы колдонуу үлгүлөрүнө негизделген жана ар бир суроо-талап автоматтык түрдө 70%га арзандайт дегенди билдирбейт. Чыныгы чыгым контексттин көлөмүнө, жооптун узундугуна, куралдарды чакыруу санына жана кайра аракет кылууга жараша болот.
M3 жана M3.1 Flash
Буга чейин чыгарылган MiniMax M3 код жазуу, агенттик тапшырмалар жана мультимодалдуу иштер үчүн көп максаттуу модель катары сунушталган. M3.1 Flash болсо, айрыкча программалык агенттердин ичинде көп кайталанган күнүмдүк суроо-талаптарды тез аткарууга басым жасайт.
Колдонуучулар үч айырманы байкай алышат:
- M3.1 Flash ой жүгүртүү деңгээлин тандоого мүмкүндүк берет;
- компания агенттик сценарийлерде ылдамдыкка жана баага өзгөчө басым жасайт;
- модель API, M Plan жана MiniMax Code аркылуу жеткиликтүү.
MiniMax кийинчерээк M3.1 Flash моделинин салмактарын жарыялоого убада берген. Алар жарыяланганга чейин моделди өз сервериңизде жайгаштыра албайсыз же компаниянын кызматтарынан тышкары сынай албайсыз.
Кимдер көңүл бурушу керек
M3.1 Flash репозиторийди талдоо, мүчүлүштүктөрдү оңдоо, тесттерди жазуу жана көп баскычтуу өзгөртүүлөр үчүн жардамчы издеген иштеп чыгуучуларга ылайыктуу болушу мүмкүн. Ошондой эле ар кандай колдонмолордогу иштерди автоматташтырып, агентти тез-тез чакыруунун баасын көзөмөлдөөнү каалаган командалар үчүн да актуалдуу.
Колдонуудан мурун моделди өз тапшырмаларыңызда башка варианттар менен салыштырыңыз. Жооптун сапатын гана эмес, куралдарды чакыруу санын, токен сарптоону, жыйынтыкка жетүү убактысын жана бир нерсе туура эмес болгондо моделдин өзүн кандай алып жүрөрүн да текшериңиз.
Иш процессиңизден бир нече типтүү тапшырманы тандап, аларды M3.1 Flash моделинде ар кандай ой жүгүртүү деңгээлдери менен аткарып көрүңүз — муну түз эле vega.chat сайтындагы моделдер тизмесинен жасай аласыз.