MiniMax M3.1 Flash: tezlik va agentlar natijalari
19-oktabr kuni MiniMax M3.1 Flash modelini rasman taqdim etdi. Model dasturlash, AI agentlari, kompyuterdan foydalanish va kiberxavfsizlik vazifalari uchun yaratilgan. Kompaniya inferensiya tezligi qariyb uch baravar oshganini, agentlar bilan bog‘liq vazifalar xarajati esa 70% ga kamayganini da’vo qilmoqda.
Model sinov tariqasida taqdim etilgan edi. 27-sentabr kuni M3.1-Flash-Preview MiniMax Code’da paydo bo‘lib, kundalik dasturlash ishlari — xatolarni tuzatishdan tortib, yangi funksiyalar yaratishgacha — uchun taklif qilindi. M3.1 Flash endi API, M Plan obunasi va MiniMax Code orqali mavjud. Uni vega.chat model tanlash menyusida ham sinab ko‘rishingiz yoki api.vega.chat orqali chaqirishingiz mumkin.
Space Bunny qayerdan paydo bo‘ldi
Rasmiy e’londan oldin dasturchilar Space Bunny nomli anonim modelni sinab ko‘rishgan. MiniMax uning M3.1 Flash’ning dastlabki versiyasi bo‘lganini tasdiqladi. Kompaniya ma’lumotlariga ko‘ra, model anonim tarzda ishlagan davrida 200 trilliondan ortiq tokenni qayta ishlagan.
Haqiqiy foydalanishdagi bu hajm MiniMax’ga modelni to‘liq ishga tushirishdan oldin turli xil so‘rovlar asosida tekshirish imkonini berdi. Biroq kompaniya Space Bunny sinovlari tafsilotlarini oshkor qilmaydi va qaysi natijalar M3.1 Flash’ning yakuniy versiyasiga bevosita ta’sir qilganini aniqlashtirmaydi.
Kontekst oynasi va fikrlash rejimlari
M3.1 Flash 1 million tokengacha bo‘lgan kontekst oynasini qo‘llab-quvvatlaydi. Bu shuni anglatadiki, bitta so‘rovda katta hujjatlar, kod bazasining yirik qismlari va agent ishining uzoq tarixini yuborishingiz mumkin.
Texnik materiallarda matn, tasvir va video kiritmalarini qo‘llab-quvvatlashi ham ko‘rsatilgan. Chiqish faqat matndan iborat.
Fikrlash doim yoqilgan, ammo uning chuqurligini sozlash mumkin. Besh daraja mavjud: low, medium, high, xhigh va max. Past darajalar tezkor tahrirlar va sodda vazifalarga mos; yuqori darajalar esa murakkab tahlil, bir necha bosqichli o‘zgarishlar va bir nechta fayl bilan ishlash uchun mo‘ljallangan.
Bu sozlama tezlik, token sarfi va tahlil chuqurligi o‘rtasidagi muvozanatni boshqarish imkonini beradi. Uning amaldagi ta’siri vazifaga bog‘liq: past darajada javob tezroq kelishi mumkin, ammo shu darajadagi murakkab so‘rovni o‘zingiz ko‘proq tekshirishingiz kerak bo‘ladi.
Benchmarklar nimani ko‘rsatadi
MiniMax M3.1 Flash natijalarini bir nechta sinov bo‘yicha e’lon qildi. Quyidagi barcha ballar kompaniyaning o‘zi bergan ma’lumotlar, shuning uchun kengroq mustaqil taqqoslashlar paydo bo‘lguncha ularni ishlab chiqaruvchining da’volari sifatida qabul qiling.
| Sinov | Ball | Nima o‘lchanadi |
|---|---|---|
| DeepSWE v1.1 | 73.7% | Murakkab muhandislik vazifalarini hal qilish va kodni ko‘rib chiqish |
| BankerToolBench | 76.2 | Hujjatlar va moliyaviy cheklovlarni hisobga olgan ko‘p bosqichli ish jarayonlari |
| OSWorld V2 | 61.7 | Kompyuterdan foydalanish va ilovalar bo‘ylab vazifalarni bajarish |
| Agents' Last Exam | 29.6 | Murakkab kasbiy vazifalar |
| CyberGym | 82% | Zaifliklarni topish va tekshirish |
AutomationBench-AA’da MiniMax modelni eng kuchli ishtirokchilar qatoriga kiritadi. Ushbu benchmark korporativ xizmatlardagi boshidan oxirigacha bo‘lgan jarayonlarni — savdo, marketing, moliya va kadrlar bilan bog‘liq vazifalarni — qamrab oladi.
Natijalarni o‘zaro to‘g‘ridan-to‘g‘ri taqqoslab bo‘lmaydi: sinovlar turli ko‘nikmalarni turli shkalalarda o‘lchaydi. Mahsuloti uchun model tanlayotgan jamoalar uchun eng muhimi — uni o‘z ssenariylarida sinab ko‘rish: vositalarni qanchalik aniq chaqirishi, kod bazasi bilan qanday ishlashi va vazifani ish beradigan natijagacha yetkaza olishi.
Tezlik va narxlar
MiniMax matn yaratish tezligi soniyasiga 200 tokendan yuqori, median tezlik esa soniyasiga 170 tokendan yuqori ekanini xabar qilmoqda. Bu matn yaratish tezligi bo‘lib, vazifaning boshidan oxirigacha bajarilish vaqti kafolatlanmaydi: agent fayllarni o‘qishi, vositalarni chaqirishi, testlarni ishga tushirishi va natijani takomillashtirishi kerak bo‘lishi mumkin.
Har 1 million token uchun API narxlari:
| Token turi | Narx |
|---|---|
| Kiruvchi | $0.15 |
| Chiquvchi | $0.60 |
| Keshlangan kiruvchi | $0.015 |
MiniMax agentlar bilan bog‘liq vazifalarning umumiy xarajati oldingi modelga nisbatan 70% ga kamayganini da’vo qilmoqda. Bu baho haqiqiy foydalanishdagi odatiy shakllarga asoslanadi va har bir so‘rov avtomatik tarzda 70% arzonlashadi degani emas. Amaldagi xarajat kontekst hajmi, javob uzunligi, vositalarni chaqirish soni va qayta urinishlarga bog‘liq.
M3 va M3.1 Flash
Avvalroq chiqarilgan MiniMax M3 kod yozish, agentlar bilan bog‘liq vazifalar va multimodal ishlar uchun mo‘ljallangan universal model sifatida taqdim etilgan edi. M3.1 Flash esa, ayniqsa dasturiy agentlar ichida, kundalik ko‘p takrorlanadigan so‘rovlarni tez bajarishga qaratilgan.
Foydalanuvchilar uchun uchta farq ko‘zga tashlanadi:
- M3.1 Flash fikrlash darajasini tanlash imkonini beradi;
- kompaniya agentlar bilan bog‘liq vaziyatlarda tezlik va xarajatga alohida urg‘u beradi;
- model API, M Plan va MiniMax Code orqali mavjud.
MiniMax M3.1 Flash’ning vaznlarini keyinroq e’lon qilishga va’da berdi. Ular e’lon qilinmaguncha modelni o‘zingizning serveringizda joylashtira olmaysiz yoki kompaniya xizmatlaridan tashqarida sinab ko‘ra olmaysiz.
Kimlar bunga e’tibor berishi kerak
M3.1 Flash repozitoriylarni tahlil qilish, xatolarni tuzatish, testlar yozish va ko‘p bosqichli o‘zgarishlarni amalga oshirish uchun yordamchiga muhtoj dasturchilarga mos kelishi mumkin. Shuningdek, turli ilovalar bo‘ylab ishlarni avtomatlashtirib, agentlarni tez-tez chaqirish xarajatlarini nazoratda saqlamoqchi bo‘lgan jamoalar uchun ham dolzarb.
Joriy etishdan oldin modelni o‘z vazifalaringizda muqobillari bilan taqqoslang. Nafaqat javob sifatini, balki vositalarni chaqirishlar sonini, token sarfini, tayyor natijagacha ketadigan vaqtni va ishlar kutilganidek ketmaganida model o‘zini qanday tutishini ham tekshiring.
Ish jarayoningizdan odatiy bir nechta vazifani tanlab, M3.1 Flash’da turli fikrlash darajalarida bajartirib ko‘ring — buni vega.chat model tanlash menyusining o‘zida qilishingiz mumkin.