MiniMax M3.1 Flash（ミニマックス・エムスリー・ワン・フラッシュ）は、MiniMaxが2026年10月19日に正式リリースした428B（4280億）パラメータの大規模言語モデルで、エージェントタスク・コーディング・Computer Use・サイバーセキュリティに強みを持ち、1Mトークンのコンテキスト窓を備えています。今回の発表の中心は、この巨大モデルを量子化して、より多くのハードウェアでローカル実行できるようにするコミュニティの取り組みをMiniMaxが紹介した点にあります。
室谷代表取締役MiniMax M3.1 Flashは、MiniMaxが2026年10月19日に正式リリースした428Bパラメータのモデルで、エージェントタスクやコーディング、Computer Use、サイバーセキュリティに強みを持つんですね。今回はモデル本体というより、これを手元のGPUで動かそうという量子化の動きが主役です。
テキトー教師DotAI 認定講師そうなんですよ。しかも面白いのは、MiniMax自身が量子化を実装したわけではなくて、Unsloth AIやmlx-community、AMDといった外部の開発者コミュニティの成果を公式スレッドで紹介する形になっている点です。
ここが今回の発表の性格をよく表しています。
ここが今回の発表の性格をよく表しています。
室谷代表取締役公式スレッドでは「より多くのハードウェアで動かせる道が開ける」として、量子化に関わったビルダーたちへの感謝が並んでいます。低ビット重みでロード時のメモリとデコード時に動く重みデータを減らせる、という説明なんですよね。
テキトー教師DotAI 認定講師単に「軽くなりました」という話じゃないんですよ。発表文は、その節約を実用にするにはキャリブレーション、効率的な低ビットカーネル、GPUとシステムRAM間のハードウェアを意識した専門家配置が必要だと明言しています。
つまり量子化は入口で、本当の難所はその後の推論設計だということです。
つまり量子化は入口で、本当の難所はその後の推論設計だということです。
MiniMax M3.1 Flashとは？428Bモデルと量子化ローカル実行の発表内容
MiniMax M3.1 Flashの基本仕様
ネイティブマルチモーダルMoE
テキスト・画像・動画を入力し、テキストを出力
1Mトークンのコンテキスト窓
長大なコンテキストを扱える
推論は常時有効
無効化できない仕様。深さはLow/Medium/High/Xhigh/Maxの5段階で調整でき、Maxが既定の推奨
reasoning_contentで返却
推論内容は別フィールドで返るため、存在しないケースも扱う実装が必要
提供チャネルは3つ
MiniMax API、M Plan、MiniMax Code
モデルウェイトは後日公開
公開日は未明言。量子化の成果が先行して共有されている状態
室谷代表取締役まずモデルの基本情報を整理しておきたいんですけど、M3.1 FlashはネイティブマルチモーダルのMoEモデルで、テキスト・画像・動画を入力してテキストを出力する構成です。1Mトークンのコンテキスト窓を持ち、推論は常時有効で無効化できない仕様になっています。
テキトー教師DotAI 認定講師公式の統合ガイドによると、推論の深さはLow、Medium、High、Xhigh、Maxの5段階で調整できて、Maxが既定の推奨なんですよ。推論内容はreasoning_contentとして別途返るので、連携側はそのフィールドが存在しないケースも扱う必要があります。
講座でもAPI連携を教えていますが、この「返ってこないことがある」前提の実装は受講生さんがつまずきやすいところですね。
講座でもAPI連携を教えていますが、この「返ってこないことがある」前提の実装は受講生さんがつまずきやすいところですね。
室谷代表取締役提供チャネルはMiniMax API、M Plan、MiniMax Codeの3つで、モデルのウェイトは「後日公開」とされています。ここが今回の量子化の話と少しねじれていて、ウェイトがまだ手元にないのにコミュニティが量子化を作っている、という構図なんですよね。
テキトー教師DotAI 認定講師そこは正確に押さえたいところです。発表時点で公式に明言されているのは「Model weights will be released later」までで、具体的な公開日は現時点では明らかにされていません。
量子化の成果が先行して共有されている状態だと理解しておくのが安全です。
量子化の成果が先行して共有されている状態だと理解しておくのが安全です。
室谷代表取締役ちなみに前世代との違いも公式ページで表になっていて、M3は推論のオン・オフが選べたのがM3.1 Flashでは常時オンになった点、エージェントタスクの利用コストが前世代比70%減になった点が挙げられています。このあたりの基本仕様はMiniMax-M3.1-Flashとは？100万トークン・常時思考の低価格APIを解説でも整理しているので、あわせて読むと全体像がつかめます。
MiniMax M3.1 Flashはなぜローカルで動かしにくいのか——428B・1Mトークンの壁
MiniMax M3.1 Flashがローカルで動かしにくい理由
428Bの規模
普通のGPUには重すぎる。MYUUUでも「載るかどうか」の時点で機材の話になるクラス
1Mトークンのコンテキスト窓
長い文脈を扱うほどKVキャッシュ側のメモリも効いてくる
デコード時のデータ移動
素の状態では大きなメモリと帯域を要求。ファイルサイズだけでなく、デコードのたびに動く重みデータ量が効く
MoEの専門家配置
全部の専門家を同時に使うわけではないが、どの専門家をどこに置くかという配置問題が出る
オフローディングの必要性
GPUのVRAMに全部収まらなければシステムRAM側に逃がすしかない
hardware-aware placement
GPUとシステムRAMの間で専門家をどう配置するかを設計しないと、量子化で収まっても実用的な速度にならない
ウェイト未公開
量子化のレシピやカーネルは先に整備され、重みが出た瞬間に動かせる準備ができている状態
室谷代表取締役ここが今回の核心なんですけど、428Bという規模がまず普通のGPUには重すぎるんですよ。しかも1Mトークンのコンテキスト窓を持つので、長い文脈を扱うほどKVキャッシュ側のメモリも効いてきます。
MYUUUでも大きめのモデルを社内で試すことはありますが、このクラスになると「載るかどうか」の時点で機材の話になります。
MYUUUでも大きめのモデルを社内で試すことはありますが、このクラスになると「載るかどうか」の時点で機材の話になります。
テキトー教師DotAI 認定講師発表文の言い方を借りれば、量子化された重みはロードに必要なメモリとデコード時に移動する重みデータを減らす、ということなんですよ。逆に言えば、素の状態ではそれだけのメモリと帯域を要求するということです。
単にファイルサイズが大きいという話じゃなくて、デコードのたびに動くデータ量が効いてくるのがポイントですね。
単にファイルサイズが大きいという話じゃなくて、デコードのたびに動くデータ量が効いてくるのがポイントですね。
室谷代表取締役しかもMoEモデルなので、全部の専門家を同時に使うわけではないけれど、どの専門家をどこに置くかという配置の問題が出てくるんですよね。GPUのVRAMに全部収まらなければ、システムRAM側に逃がすしかない。
これがオフローディングの話につながります。
これがオフローディングの話につながります。
テキトー教師DotAI 認定講師公式スレッドが「hardware-aware placement of experts across GPU and system RAM」と書いているのはまさにそこです。GPUとシステムRAMの間で専門家をどう配置するか。
ここを設計しないと、量子化でメモリに収まっても実用的な速度にならない。単にビット数を下げれば終わり、という話じゃないんですよ。
ここを設計しないと、量子化でメモリに収まっても実用的な速度にならない。単にビット数を下げれば終わり、という話じゃないんですよ。
室谷代表取締役あともう一つ見落とせないのが、ウェイトがまだ公開されていないという点です。量子化のレシピやカーネルは先に整備されていて、重みが出た瞬間に動かせる準備ができている。
この順番自体が、いまのオープンウェイト界隈の進め方をよく表しているなと思います。
この順番自体が、いまのオープンウェイト界隈の進め方をよく表しているなと思います。
量子化で何が変わる？GGUF・低ビット重み・専門家オフローディングの仕組み
量子化関連の用語整理
量子化
重みを低ビット化し、メモリ使用量と転送データ量を削減する技術。精度を保つキャリブレーションが鍵
GGUF
ローカル推論ツールで広く使われるモデルのファイル形式
専門家オフローディング
MoEの一部の専門家をGPUからシステムRAMへ退避させ、限られたVRAMで動かす手法
EXL3／MXFP4／oQ
それぞれ異なる低ビット量子化・推論方式
室谷代表取締役ここは用語が多いので整理したいんですけど、まず量子化は重みをより少ないビット数で表現する技術で、ビットを下げるほど省メモリになる代わりに精度劣化を抑えるキャリブレーションが重要になります。GGUFはローカル推論ツールで広く使われるファイル形式ですね。
テキトー教師DotAI 認定講師専門家オフローディングは、MoEモデルの一部の専門家をGPUからシステムRAMへ退避させて、限られたVRAMで動かす手法です。EXL3、MXFP4、oQはそれぞれ異なる低ビット量子化・推論方式になります。
整理するとこうです。
整理するとこうです。
- 量子化：重みを低ビット化し、メモリ使用量と転送データ量を削減する技術。精度を保つキャリブレーションが鍵
- GGUF：ローカル推論ツールで広く使われるモデルのファイル形式
- 専門家オフローディング：MoEの一部の専門家をGPUからシステムRAMへ退避させ、限られたVRAMで動かす手法
- EXL3／MXFP4／oQ：それぞれ異なる低ビット量子化・推論方式
室谷代表取締役公式スレッドの表現が的確で、「低ビット重みはロードに必要なメモリとデコード時に移動する重みデータを減らす」と。つまり効果は2段階あって、まず読み込めるようになること、次にデコードが速くなることなんですよね。
テキトー教師DotAI 認定講師そこにキャリブレーションと低ビットカーネルが効いてくる。カーネルが非効率だと、ビットを下げたのに速くならないということが普通に起きます。
だから各陣営がカーネルと計測をセットで出しているわけです。単にファイルを小さくする話じゃないんですよ。
だから各陣営がカーネルと計測をセットで出しているわけです。単にファイルを小さくする話じゃないんですよ。
室谷代表取締役あと専門家の配置は、GPUとシステムRAMの間の帯域がボトルネックになるので、どの専門家をどちらに置くかの設計がそのまま体感速度に響きます。ここはハードウェアごとに最適解が違うので、レシピが複数出てくるのも納得なんですよね。
コミュニティ各陣営の取り組み——Unslothの2ビットGGUF 143.9GBからApple Silicon・AMDまで
室谷代表取締役公式スレッドで紹介された顔ぶれがかなり濃いので、順に見ていきたいんですけど、まずUnsloth AIの2ビット動的GGUFが143.9GBで、コーディングやツール使用などのワークロードでキャリブレーションと忠実度テストを行ったとされています。
テキトー教師DotAI 認定講師2ビットで143.9GBという数字は、428Bという規模を考えるとかなり攻めた圧縮ですよね。しかもキャリブレーションと忠実度テストをセットで出しているのが重要で、ただ小さいだけのファイルではないという主張になっています。
この詳細はUnslothの「MiniMax-M3.1-Flash」GGUFとは？2-bitで精度91.5%・150GB RAMでローカル実行で解説しているので、そちらも参照してください。
この詳細はUnslothの「MiniMax-M3.1-Flash」GGUFとは？2-bitで精度91.5%・150GB RAMでローカル実行で解説しているので、そちらも参照してください。
室谷代表取締役他の陣営も個性的で、ViC305さんがSAGE-EXL3とトークンレベルの忠実度測定、それに単一DGX Spark向けのレシピ。PeasantSmithさんがProject Mayaの量子化とローカルコーディング・ツール使用向けの専門家オフローディング。
MiaAI_labさんがEXL3-EAQの量子化ですね。
MiaAI_labさんがEXL3-EAQの量子化ですね。
テキトー教師DotAI 認定講師Apple Silicon側ではjundotkimさんとmlx-communityがoQ量子化と、oMLX経由のDSparkによるデコードを担当しています。AMD側はAIatAMDさんがQuark MXFP4をAMD Instinct向けに適合させたと。
atomic_chat_hqさんはローカルデスクトップワークフロー向けのGGUFを出しています。
atomic_chat_hqさんはローカルデスクトップワークフロー向けのGGUFを出しています。
室谷代表取締役そしてsuperaleshaさんが、量子化重み・専門家キャッシュ・システムRAMを組み合わせて4×RTX 3090で動かす独自推論の取り組みですね。3090を4枚というのは現実的なラインなので、こういうレシピが出てくるのは大きいですよね。
テキトー教師DotAI 認定講師公式スレッドの締めの言葉がいいんですよ。「共有された量子化、カーネル、計測、レシピの一つひとつが、次のビルダーにより良い出発点を与える」。
まさにコミュニティの積み上げで成立している発表だと思います。
まさにコミュニティの積み上げで成立している発表だと思います。
MiniMax M3.1 Flashをローカルで動かすには——必要メモリと始め方の現実解
室谷代表取締役で、実際に手を動かすならどうするのかという話なんですけど、まず前提としてモデルのウェイトは「後日公開」とされているので、現時点では公式の重みを使ってすぐ動かすという段階ではありません。ここは誤解しないほうがいいです。
テキトー教師DotAI 認定講師そうですね。現実解としては、公開されている量子化のレシピと必要メモリの目安を先に把握しておくことになります。
たとえば2ビット動的GGUFが143.9GBというのは一つの基準になります。ただしこれは重みのサイズであって、実行時にはコンテキストやKVキャッシュ、オフローディングの分だけ上乗せが必要です。
たとえば2ビット動的GGUFが143.9GBというのは一つの基準になります。ただしこれは重みのサイズであって、実行時にはコンテキストやKVキャッシュ、オフローディングの分だけ上乗せが必要です。
室谷代表取締役だから「143.9GBのGPUがあれば動く」という単純な話にはならないんですよね。専門家をシステムRAMに逃がすなら、トータルのメモリと帯域を見る必要があります。
MYUUUでも機材を組むときは、重みのサイズと実行時の余裕を分けて考えています。
MYUUUでも機材を組むときは、重みのサイズと実行時の余裕を分けて考えています。
テキトー教師DotAI 認定講師始め方としては、GGUFならローカル推論ツール、Apple SiliconならoMLX経由のoQ、AMD InstinctならQuark MXFP4というように、自分のハードウェアに合ったレシピを選ぶ形になります。公式スレッドで紹介された各取り組みが、そのまま出発点になるわけです。
室谷代表取締役ただし、それぞれのレシピの具体的な手順や対応バージョンは、現時点ではMiniMaxの公式ページにまとまっているわけではありません。各開発者の公開情報を確認する必要があります。
ここは「公式がサポートするローカル実行手順」ではない点に注意なんですよね。
ここは「公式がサポートするローカル実行手順」ではない点に注意なんですよね。
テキトー教師DotAI 認定講師あと見落としがちなのが、M3.1 Flashは推論が常時オンで無効化できない仕様だということです。ローカルで動かす場合も思考トークンが生成されるので、その分の計算とメモリを見込んでおかないといけません。
クラウドのAPI料金だけを見ていると、この前提を忘れがちです。
クラウドのAPI料金だけを見ていると、この前提を忘れがちです。
API料金とクラウド利用——ローカル実行とどう使い分けるか
室谷代表取締役ここは公式の価格ページがはっきりしていて、MiniMax-M3.1-Flashは入力$0.15、出力$0.60、プロンプトキャッシュ読み取り$0.015という、すべて100万トークンあたりのフラットな料金体系です。
テキトー教師DotAI 認定講師前世代のM3が入力$0.60、出力$2.40で、しかも512k超の入力では入力$1.20、出力$4.80という段階制だったのと比べると、M3.1 Flashは入力長によらず同じ単価という整理になっています。ここは料金体系としてかなり思い切った変更ですね。
室谷代表取締役公式ブログでは、エージェントタスクの利用コストが前世代比70%減、オンライン推論が約3倍高速とされています。さらに出力速度は日常利用で200+TPS、中央値（P50）でも170+TPSに達すると。
このあたりはクラウドで回す大きな動機になりますよね。
このあたりはクラウドで回す大きな動機になりますよね。
テキトー教師DotAI 認定講師ローカルとクラウドの使い分けで言うと、機密性やデータを外に出せない事情があるならローカル、大量のタスクを回すならクラウド、というのが素直な整理です。ただしローカル側はまだウェイト公開待ちで、量子化レシピも各開発者依存です。
現時点で「すぐ使える」のはAPI・M Plan・MiniMax Codeの3経路なんですよ。
現時点で「すぐ使える」のはAPI・M Plan・MiniMax Codeの3経路なんですよ。
室谷代表取締役その3経路は同じモデルが動くので、MiniMax Codeで試してからAPIに組み込む、という流れが取りやすいですね。M Planの枠や無料枠の扱いについてはMiniMax「M3.1 Flash」の0G無料枠が本日終了、40%オフの有料提供へで触れているので、料金を検討するならそちらも確認しておくといいです。
テキトー教師DotAI 認定講師あと公式の統合ガイドには、タスクの素材を実際に渡すことと、結果を検証してから使うことがステップとして明記されています。コードならリポジトリと再現手順と受け入れ条件、調査なら出典データと日付、視覚分析なら元の画像や動画を渡す。
ここを省くと、ベンチマークの数字ほどの結果は出ません。
ここを省くと、ベンチマークの数字ほどの結果は出ません。
MiniMax M3.1 Flashの性能評価と注意点——ベンチマークと誤答傾向
室谷代表取締役公式ブログの数値を並べると、BankerToolBench 76.2、DeepSWE v1.1が73.7%、CyberGymが82%、OSWorld V2が61.7、Agents' Last Examが29.6。統合ガイドにはAutomationBench-AA 62.2も記載されています。
テキトー教師DotAI 認定講師整理するとこうです。
- BankerToolBench：76.2（複数ステップの計画、文書間の一貫性、金融コンプライアンス、連鎖するツール呼び出しを含む金融ワークフロー）
- DeepSWE v1.1：73.7%（コード理解・機能開発・不具合修正・テストによる検証を含む複雑なソフトウェアタスク）
- CyberGym：82%（脆弱性の発見と検証）
- OSWorld V2：61.7（AIによるコンピュータ操作とアプリ横断のタスク実行）
- Agents' Last Exam：29.6（実務的な専門作業と複雑タスク）
- AutomationBench-AA：62.2（統合ガイドに記載）
室谷代表取締役公式ブログはOSWorld V2とAgents' Last Examについて「中国のモデルの中で1位」と表現しています。サイバーセキュリティでは、社内のセキュリティ専門家による詳細評価でコード監査、脆弱性パッチ、ペネトレーションテスト、マルウェア解析、リバースエンジニアリングに強かったとされていますね。
テキトー教師DotAI 認定講師一方で注意点もあって、VentureBeatが伝えた独立評価機関Artificial Analysisの評価では、Intelligence Indexスコアが42（前世代M3は29）、タスクあたりコストが約$0.51から$0.22に下がった一方で、事実知識の質問に対して不確実性を認めず誤答を生成する傾向が極めて高いと指摘されています。
室谷代表取締役これは実務で効いてくる話ですよね。ベンチマークが良くても、事実確認が必要な用途では人の検証を挟まないと危ない。
公式の統合ガイドも「モデル出力は支援的な分析として扱い、最終判断は資格を持つ専門家が独立した証拠に基づいて行うこと」と書いています。
公式の統合ガイドも「モデル出力は支援的な分析として扱い、最終判断は資格を持つ専門家が独立した証拠に基づいて行うこと」と書いています。
テキトー教師DotAI 認定講師サイバーセキュリティ領域でこの注意書きが明記されているのは重要です。講座でも受講生さんに、もっともらしい出力と正しい出力は別物だと伝えていますが、まさにその典型ですね。
室谷代表取締役あとベンチマークの比較でありがちな誤解として、公式ブログの数値と統合ガイドの数値でAutomationBenchの表記が違う点があります。ブログはAutomationBench-AAで上位と表現し、統合ガイドは62.2と記載しています。
評価設定が異なれば単純比較はできないので、数字は出典とセットで見るべきなんですよね。
評価設定が異なれば単純比較はできないので、数字は出典とセットで見るべきなんですよね。
テキトー教師DotAI 認定講師そこは正確に。公式も「これらの結果は引用された評価を説明するもので、すべてのタスクで保証された成果ではない」としています。
前世代からの進化という文脈ではMiniMax M3.1 Flashとは？428BのMoEモデルがウェイト公開も参考になります。
前世代からの進化という文脈ではMiniMax M3.1 Flashとは？428BのMoEモデルがウェイト公開も参考になります。
よくある質問
室谷代表取締役ここからは、よく聞かれる点を整理していきますか。まずオープンウェイトかどうかとライセンスですけど、公式ブログは「Model weights will be released later」としているだけで、公開日もライセンスも現時点では明らかにされていません。
テキトー教師DotAI 認定講師ですので「オープンウェイトだから自由に使える」と決めつけるのは早いですね。公開時期と条件が示されたら改めて確認が必要です。
室谷代表取締役次に、どこで使えるか。これはMiniMax API、M Plan、MiniMax Codeの3経路で、いずれも同じモデルが動きます。
APIはplatform.minimax.ioから、MiniMax Codeはデスクトップ版がmacOS（Apple Silicon／Intel）とWindows向けに提供されています。
APIはplatform.minimax.ioから、MiniMax Codeはデスクトップ版がmacOS（Apple Silicon／Intel）とWindows向けに提供されています。
テキトー教師DotAI 認定講師技術仕様としては、ネイティブマルチモーダルのMoEで、テキスト・画像・動画を入力してテキストを出力、1Mトークンのコンテキスト窓、推論は常時オンで5段階の深さ調整という構成です。画像や動画の生成ではなく、ツールを介した画像・動画の処理である点も公式FAQで区別されています。
室谷代表取締役料金は入力$0.15、出力$0.60、キャッシュ入力$0.015（いずれも100万トークンあたり）で、これはフラットな単価です。前世代のような入力長による段階制はM3.1 Flashには設定されていません。
テキトー教師DotAI 認定講師ローカル実行については、ウェイト公開後に各コミュニティのレシピを使う形になります。2ビット動的GGUFで143.9GBという例がある一方、実行時にはコンテキストやオフローディングの分の余裕が要るので、必要メモリは重みサイズだけで判断しないことが大事です。
室谷代表取締役最後に、これは公式がサポートするローカル実行手順ではないという点だけ、改めて強調しておきたいですね。量子化やカーネルは各開発者の成果で、MiniMaxはそれを紹介している立場です。
そこを混同しないことが、正しく評価する第一歩だと思います。
そこを混同しないことが、正しく評価する第一歩だと思います。
