MiniMax M3.1 Flash, maskesi kaldırılan Space Bunny modeli olarak yüzde 70 maliyet düşüşüyle duyuruldu

MiniMax, hızlı model serisinin en yeni üyesi M3.1 Flash'ı kullanıma sundu ve bu lansmanı, son dönemdeki yapay zeka çıkışlarının en ilginç deneylerinden birinin maskesini kaldırmak için kullandı: Space Bunny adlı anonim model aslında baştan beri M3.1 Flash'ın erken bir sürümüydü. MiniMax'e göre Space Bunny bu ad altında çalışırken 200 trilyondan fazla token işledi ve lansman duyurusu kısa sürede Hacker News'in ana sayfasına ulaştı.

MiniMax, M3.1 Flash'ı agentic işler, kodlama, Computer Use ve güvenlik görevlerinde büyük bir ilerleme olarak konumlandırıyor; modele göre önceki sürümüne kıyasla çevrimiçi çıkarım neredeyse üç kat daha hızlı, genel kullanım maliyeti ise yüzde 70 daha düşük.

Benchmark'lar ne gösteriyor

Aşağıdaki tüm rakamlar bağımsız bir değerlendirmeden değil, MiniMax'in kendi duyurusundan geliyor.

Agentic işler tarafında MiniMax, M3.1 Flash'ın AutomationBench-AA'da en güçlü modeller arasında yer aldığını söylüyor; bu test paketi, bir modelin satış, pazarlama, operasyon, müşteri hizmetleri, finans ve İK gibi alanları uçtan uca kapsayan, SaaS sistemlerine yayılan gerçek kurumsal iş akışlarını yürütebilip yürütemediğini ölçüyor. Model, BankerToolBench'te 76,2 puan alıyor; MiniMax bu sonucu çok adımlı planlama, belge ve dosya tutarlılığını koruma, finansal uyum ve zincirlenmiş tool çağrılarındaki gücün kanıtı olarak gösteriyor.

Yazılım mühendisliği alanında M3.1 Flash, DeepSWE v1.1'de yüzde 73,7'ye ulaşıyor; bu benchmark, bir modelin bir codebase'i kendi başına anlamasını, özellikler geliştirmesini, hataları düzeltmesini ve işini testlerle doğrulamasını gerektiren karmaşık görevler etrafında kurulu. MiniMax, modelin uzun adım zincirlerinde de performansını koruduğunu ve bu nedenle daha düşük maliyetle uçtan uca geliştirme iş akışlarına uygun olduğunu belirtiyor.

Modellerin bilgisayarı kullanıp uygulamalar arası işi koordine ettiği Computer Use kategorisinde model, OSWorld V2'de 61,7 ve gerçek profesyonel işlere odaklanan bir test olan Agents' Last Exam (ALE) üzerinde 29,6 puan alıyor. MiniMax, modelin her iki benchmark'ta da Çinli modeller arasında birinci sıradа yer aldığını söylüyor.

Güvenlik tarafında model, güvenlik açıklarını bulma ve doğrulama benchmark'ı olan CyberGym'de yüzde 82'lik bir skor elde ediyor. MiniMax, kendi güvenlik ekibinin kod denetimi, güvenlik açığı yamalama, sızma testi, kötü amaçlı yazılım analizi ve tersine mühendislikte sağlam performans gördüğünü ekliyor.

Hız ve fiyatlandırma

Verimlilik kazanımları, MiniMax'in modeldeki agresifleşen seyreklik olarak tanımladığı yaklaşımdan geliyor. Günlük kullanımda çıktı saniyede 200 token'ı aşabiliyor ve medyan (P50) işleme hızı istikrarlı biçimde saniyede 170 token'ın üzerinde.

Fiyatlandırma milyon token başına sabit: girdi için 0,15 dolar, çıktı için 0,60 dolar ve önbelleğe alınmış girdi için 0,015 dolar. MiniMax, agentic görevleri çalıştırmanın toplam maliyetinin önceki nesle kıyasla yüzde 70 daha düşük olduğunu ve AutomationBench, DeepSWE ve ALE benchmark'ları genelinde modelin ana değer önerisini, görev başına çok düşük maliyete yakın-öncü performans bileşiminin oluşturduğunu söylüyor.

Erişilebilirlik

M3.1 Flash şu anda MiniMax API, M Plan aboneliği ve MiniMax Code masaüstü uygulaması üzerinden erişilebilir. MiniMax'e göre model ağırlıkları daha sonra yayımlanacak ve zeka sınırını ileriye taşımayı hedefleyen ayrı bir Pro modeli de planlanıyor.

Neden önemli

İki şey öne çıkıyor. Birincisi, Space Bunny ifşası, büyük yapay zeka laboratuvarlarının artık modelleri nasıl açıkta test ettiğine dair bir veri noktası: isimsiz bir sürümü büyük ölçekte sunarak (200 trilyondan fazla token ciddi miktarda gerçek trafik demek) bir laboratuvar, markasını modele iliştirmeden önce nasıl davrandığına dair üretim sinyali toplayabiliyor. Bu taktiğin yayılması muhtemel görünüyor.

İkincisi, ekonomi. Agentic sistemler tek bir sohbet sorgusundan çok daha fazla token tüketiyor; dolayısıyla sınıra yakın benchmark sonuçlarını görev başına maliyette yüzde 70'lik düşüşle birleştiren bir model, ajan geliştirmenin birim ekonomisini değiştiriyor; özellikle de SaaS araçları genelinde yüksek hacimli otomasyon için. Uyarılar her zamanki gibi: bunlar, satıcının yaygınlaştırılmasına yardım ettiği benchmark'larda satıcının kendisinin bildirdiği rakamlar ve bağımsız testler iddiaların tutup tutmadığını gösterecek. Açık ağırlıkların ileride vadedilmesiyle daha geniş topluluk da bunu sonunda kendisi doğrulayabilecek.