In questo articolo Indice dei contenuti 3 sezioni
Il nuovo MiniMax M3.1 Flash ha appena sottratto a DeepSeek il primato nel rapporto tra prestazioni agentiche e costi, e ci è riuscito con una potenza di calcolo che, rispetto ai colossi americani, sembra quasi simbolica. Il modello cinese, presentato il 19 ottobre 2026, si colloca sulla cosiddetta frontiera di Pareto, cioè il punto in cui risultati nei benchmark e spesa trovano l’equilibrio migliore. Fino a pochi giorni fa quella posizione apparteneva senza rivali a DeepSeek V4.1 Flash 1017.
Sullo sfondo però rimane una questione che nessuno ha ancora sciolto. Anthropic e OpenAI hanno stretto le maglie contro i tentativi di distillazione e i laboratori cinesi lavorano con risorse decisamente limitate. Non è affatto scontato che riescano a mantenere l’attuale ritmo di crescita.
Cosa offre MiniMax M3.1 Flash e quanto costa
Il modello conta 428 miliardi di parametri totali, ma solo 23 miliardi attivi. Il listino è aggressivo: circa 0,13 euro per un milione di token in ingresso e circa 0,52 euro per un milione di token in uscita. Una curiosità che chiarisce parecchie cose è che Space Bunny, il sistema arrivato in cima alle classifiche globali con oltre 200mila miliardi di token elaborati, era in realtà una versione preliminare di MiniMax M3.1 Flash.
Secondo l’azienda il nuovo arrivato guida la classifica mondiale in almeno tre benchmark molto diffusi, ovvero Automation Bench, Banker ToolBench e LOCA Bench 256K. Per i flussi di lavoro basati su agenti questo si traduce nel miglior rendimento per ogni euro speso. DeepSeek V4.1 Flash 1017 però resta davanti nella curva che misura DeepSWE v1.1 rispetto al costo per attività, con il rivale al secondo posto. MiniMax M3.1 Flash propone cinque livelli di ragionamento (low, medium, high, xhigh e max, quest’ultimo predefinito) e supporta HTTP, Anthropic SDK e OpenAI SDK.
Attenzione sparsa e ottimizzazioni hardware
Il cuore tecnico è la MiniMax Sparse Attention, un sistema proprietario pensato per alleggerire la cache KV, cioè gli appunti che il modello conserva sui legami tra le parole e che crescono insieme al contesto. Invece di valutare ogni singolo token nella finestra da un milione, la cache viene compressa in blocchi e il sistema assegna a ciascuno un punteggio di rilevanza poco costoso da calcolare. Solo i blocchi davvero importanti, più o meno tra il 6% e il 7%, passano all’elaborazione completa. Il calcolo richiesto per ogni token scende così a un ventesimo del costo standard.
Grazie a kernel GPU scritti su misura, che riorganizzano il modo in cui i dati vengono recuperati, la lettura del prompt accelera di 9 volte e la generazione del testo di 15 volte sui contesti lunghi. A questo si aggiungono la decodifica speculativa, dove un piccolo modello bozza anticipa i token successivi mentre il gruppo da 23 miliardi di parametri li verifica e corregge, e una gestione della memoria a pagine che elimina la frammentazione e tiene le GPU vicine alla piena capacità. Non mancano layout personalizzati per le moltiplicazioni di matrici e una multimodalità nativa, con un encoder visivo integrato e un addestramento su testo, immagini e video intrecciati. La preelaborazione di foto e filmati è affidata a gateway scritti in Rust che girano sulle CPU, in modo che le GPU non restino mai ferme ad aspettare. Il risultato dichiarato è un’inferenza online quasi 3 volte più rapida, costi inferiori del 70% per i compiti agentici e oltre 200 token al secondo nell’uso quotidiano, con una mediana superiore a 170.
Poca potenza di calcolo e il mistero della distillazione
I numeri sulle GPU raccontano molto. MiniMax dispone di circa 70mila unità equivalenti a H100, DeepSeek si ferma intorno a 47mila, mentre OpenAI arriva a 3,7 milioni. Non sorprende quindi che entrambi i laboratori cinesi oggi usino modelli con meno parametri rispetto a quelli lanciati tra il 2024 e il 2025. MiniMax M1, uscito a giugno 2025, aveva 456 miliardi di parametri e 46 miliardi attivi. Le risorse vengono spostate sempre di più verso il reinforcement learning, l’apprendimento basato su ricompense e penalità.
In questo scenario sembrerebbe naturale attingere ai ragionamenti dei modelli occidentali, una strada diventata molto più stretta dopo la stretta di Anthropic, che ha riferito una perdita di ricavi trimestrali tra il 5% e il 6% proprio dopo aver bloccato i canali di distillazione. Eppure DeepSeek V4.1 Flash 1017 produce allucinazioni molto meno spesso. Un modello addestrato con un fine tuning supervisionato sulle risposte di un sistema più grande tenderebbe invece a inventare di più, perché impara a rispondere con la sicurezza del modello insegnante anche su fatti che non ha mai memorizzato. Le limitazioni di calcolo spingono verso la distillazione, ma i suoi effetti non emergono nei risultati di uno dei modelli cinesi più riusciti, DeepSeek V4.1 Flash 1017.
Fonte: TecnoAndroid