MiniMax M3.1 Flash: IA china barata con 93% de alucinación

MiniMax M3.1 Flash llega con 42 puntos de inteligencia a US$0,22 por tarea

MiniMax lanzó M3.1 Flash, un modelo orientado a flujos de trabajo empresariales, desarrollo de software y tareas de uso de computadora. Según la evaluación independiente de Artificial Analysis, el modelo alcanza 42 puntos en su Intelligence Index, 13 más que el M3 anterior, con un costo promedio por tarea de US$0,22 frente a los US$0,51 de su predecesor: una reducción de casi el 57%.

El dato que importa para un founder no es el puntaje aislado, sino la relación entre capacidad y costo. Con 42 puntos, M3.1 Flash empata con GLM-5.3 Flash de Z.ai, supera por un punto a Gemini 3.8 Flash de Google (41) y queda a tres de DeepSeek V4.1 Flash-1017 (45). Pero la diferencia real está en el precio: la tarea promedio cuesta US$0,22 en MiniMax, US$0,26 en DeepSeek y US$1,24 en Gemini 3.8 Flash.

¿Por qué el costo por tarea pesa más que el precio por token?

MiniMax reporta que el modelo es casi 3 veces más rápido que su predecesor y que reduce el costo de las tareas de agentes en 70%. Son cifras de la propia compañía, no verificadas de forma independiente, y conviene tratarlas como tales.

Lo que sí midió Artificial Analysis es el consumo de tokens: M3.1 Flash usó aproximadamente 189 millones de tokens de salida durante la evaluación del Intelligence Index, frente a unos 324 millones de GLM-5.3 Flash y 334 millones de Gemini 3.8 Flash. Como los desarrolladores pagan por cada token generado —incluido el razonamiento intermedio—, un modelo que llega a resultados comparables generando menos tokens ahorra más allá de la tarifa publicada.

Según Marktechpost, M3.1 Flash es un modelo de mezcla de expertos (MoE) de 428.000 millones de parámetros totales y unos 23.000 millones activos, con una ventana de contexto de un millón de tokens y entradas de texto, imagen y video. El razonamiento está siempre activo y no se puede desactivar: hay cinco niveles de esfuerzo (Low, Medium, High, Xhigh y Max) y las peticiones que intentan desactivar el razonamiento devuelven error. Ese detalle importa si tu integración actual parsea etiquetas de razonamiento inline.

Los benchmarks: dónde gana y dónde pierde frente a DeepSeek y Opus 5

• Humanity's Last Exam: 48%, arriba del 39% del M3 y por encima del 40% de GLM-5.3 Flash y el 43% de DeepSeek V4.1 Flash-1017.
• CritPt (razonamiento físico de nivel investigación, 71 problemas): 22%, contra 4% del M3, 15% de GLM y 18% de Gemini 3.8 Flash. DeepSeek lidera con 24%.
• Automation-Bench v1.0.6 (flujos de negocio en ventas, marketing, operaciones, soporte, finanzas y recursos humanos): 62.2, por encima del 60.5 de DeepSeek y de los resultados reportados para GPT-5.6 Sol y Claude Opus 5.
• BankerToolBench (flujos financieros multietapa con consistencia documental y cumplimiento): 76.2, empatando con Claude Opus 5.
• DeepSWE v1.1 (código): 73.7%, contra 74% de Opus 5, 73% de GPT-5.6 Sol y 77% de DeepSeek.
• OSWorld 2.0 (uso de computadora): 61.7; Agents' Last Exam: 29.6; CyberGym (ciberseguridad): 82.2.

El punto débil aparece en Terminal Bench 4.0, donde Marktechpost reporta 38.1 frente a 51.8 de Opus 5, y en SWE Refactor Bench (23.0 contra 31.0). Es decir: MiniMax compite arriba en automatización de oficina y razonamiento, y queda atrás en las tareas de ingeniería más exigentes.

Todos estos números son reportados por el fabricante. No existe replicación independiente todavía, y los distintos entornos de evaluación hacen que las comparaciones directas sean imperfectas.

El 93% de alucinación: la métrica que ningún índice de inteligencia captura

Acá está el hallazgo más incómodo. En el benchmark AA-Omniscience de Artificial Analysis, M3.1 Flash respondió correctamente el 56% de las preguntas de conocimiento factual, bastante mejor que el 43% de DeepSeek V4.1 Flash-1017 y el 28% de GLM-5.3 Flash. Pero el evaluador detectó una tasa de alucinación del 93%.

Ese número se lee mal si no se entiende la definición: no significa que el 93% de sus respuestas sean incorrectas. Mide la proporción de respuestas no correctas que fueron directamente erróneas en lugar de parciales o negativas a responder. Traducido: cuando el modelo no sabía la respuesta, casi siempre eligió inventar una en vez de admitir que no lo sabía. El resultado es un puntaje global de 16 en AA-Omniscience, muy por debajo de lo que sugiere su recall factual.

Para un agente que actualiza registros, analiza documentos financieros o toma decisiones operativas, esa diferencia es crítica. Un error en un chatbot se detecta antes de que salga; una instrucción equivocada dentro de un flujo automatizado de finanzas o soporte puede atravesar varios sistemas antes de que alguien la note.

Precios de API y pesos abiertos: qué cambia para tu equipo

La API de M3.1 Flash cuesta US$0,15 por millón de tokens de entrada y US$0,60 por millón de salida, con la entrada en caché a US$0,015. Una carga de trabajo de un millón de tokens de entrada sin caché más un millón de salida costaría US$0,75 en uso del modelo, sin contar otra infraestructura. Está disponible vía API propia, suscripción M Plan y la app de escritorio MiniMax Code.

Los pesos siguen siendo propietarios al lanzamiento, pero MiniMax dice que los liberará el 23 de octubre. Todavía no publicó los términos de licencia, así que no se puede saber qué tan libremente las empresas podrán modificar o autoalojar el modelo. Marktechpost señala además que la build MXFP8 de M3 pesa unos 440 GB, una referencia útil para dimensionar el hardware si planeas self-hosting.

En un detalle poco habitual, MiniMax reveló que una versión anterior de M3.1 Flash operó de forma anónima bajo el nombre Space Bunny, procesando más de 200 billones de tokens antes de que se divulgara su identidad. La compañía no dio un desglose de ese uso. También anunció un modelo Pro de mayor capacidad, sin fecha de lanzamiento.

¿Qué significa esto para tu startup?

El contexto competitivo ayuda a leer el anuncio. Reuters describe a MiniMax como una compañía que cotiza en Hong Kong, que además desarrolla su propio modelo de 2,7 billones de parámetros previsto para el tercer trimestre de 2026 y planea lanzar su modelo multimodal de frontera H3. La presión de precios entre los laboratorios chinos —DeepSeek, Z.ai, Moonshot, MiniMax— es lo que está empujando el costo por tarea hacia abajo.

Dos acciones concretas:

• Corre tu propia evaluación antes de migrar. Los benchmarks de oficina no se transfieren entre proveedores: Marktechpost advierte que las cifras de Automation-Bench cambian según el entorno de prueba. Arma un set de 30 a 50 tareas reales de tu operación (extracción de datos de facturas, clasificación de tickets, resúmenes de contratos) y mide aciertos, costo y latencia con M3.1 Flash y con tu modelo actual. Con US$0,22 por tarea, ese experimento cuesta centavos.
• Diseña para la alucinación, no contra ella. Si adoptas el modelo, asume que va a responder con seguridad cuando no sabe. Eso implica agregar recuperación de documentos (RAG) para todo dato factual, validación programática de los campos críticos y un paso de aprobación humana en cualquier acción irreversible: pagos, envíos de correo a clientes, escrituras en sistemas de registro.

Y una tercera, de arquitectura: el ahorro real no viene de la tarifa por token, sino de los tokens que el modelo no genera. Si tu agente usa razonamiento siempre activo, cada llamada simple paga un piso de latencia y de costo. Vale la pena enrutar las tareas triviales a un modelo más liviano y reservar M3.1 Flash para las que realmente necesitan razonamiento multietapa.

Conclusión

M3.1 Flash confirma una tendencia que ya no tiene vuelta atrás: la capacidad de nivel casi frontera para tareas de automatización empresarial se está volviendo commodity, y el precio deja de ser el factor diferenciador. Lo que queda como ventaja competitiva es la ingeniería alrededor del modelo: tus datos, tus guardarraíles y tu capacidad de verificar lo que el agente produce.

La advertencia del 93% es la parte que hay que leer dos veces. Un modelo barato que completa bien un flujo de trabajo y mal un dato es exactamente el perfil que genera problemas costosos en producción. La pregunta ya no es cuánto cuesta cada tarea, sino cuánto cuesta cada tarea que sale mal.

Fuentes

• VentureBeat: MiniMax's new M3.1 Flash beats DeepSeek and Opus 5 on a key business benchmark at lower cost (fuente original)
• The Decoder: MiniMax M3.1 Flash shows China's AI price race has no floor in sight
• TechBooky: MiniMax M3.1 Flash Makes Cheap AI Agents More Capable, but Accuracy Still Matters
• Marktechpost: MiniMax Just Launched M3.1 Flash, 428B MoE Agentic Model at $0.15/M Input
• Reuters vía The Asahi Shimbun: China's Moonshot unveils world's largest open AI model