Spesifikasi teknis MiniMax M3.1-Flash-Preview
| Item | MiniMax M3.1-Flash-Preview |
|---|---|
| Model ID | MiniMax-M3.1-Flash-Preview |
| Model family | Seri MiniMax M3.1, model pengodean Pratinjau |
| Release status | Pratinjau; diumumkan 27 September 2026 |
| Primary focus | Pengembangan perangkat lunak sehari-hari, dari perbaikan bug hingga pekerjaan fitur lengkap |
| Context window | 1,000,000 token |
| Input modalities | Teks, gambar, dan video |
| Output modality | Teks |
| Reasoning control | reasoning_effort: low, medium, high, xhigh, max |
| Thinking behavior | Pemikiran adaptif diperlukan; dokumentasi publik yang ditinjau tidak mendukung menonaktifkan pemikiran |
| Maximum output | Tidak dipublikasikan secara terpisah dalam materi publik yang ditinjau |
| Parameter count | Tidak diungkapkan secara publik |
| Open weights | Tidak ada checkpoint/repositori model publik yang diidentifikasi |
MiniMax mengumumkan M3.1-Flash-Preview untuk MiniMax Code pada 27 September 2026, memposisikannya pada tugas pengembangan sehari-hari seperti perbaikan bug dan penyampaian fitur lengkap. Cakupan publik saat ini secara konsisten mengidentifikasi jendela konteks 1M token dan upaya penalaran yang dapat disesuaikan, sambil mencatat bahwa tabel tolok ukur mandiri dan harga per token belum diterbitkan.
Apa itu MiniMax M3.1-Flash?
MiniMax M3.1-Flash-Preview adalah model teks berorientasi pengodean dalam status Pratinjau yang dirancang untuk alur kerja pengembangan perangkat lunak iteratif alih-alih hanya generasi kode. MiniMax menggambarkan alur kerja yang mencakup pemahaman kebutuhan, pelokalan masalah, implementasi, pengujian regresi, dan verifikasi perubahan terhadap fungsionalitas yang ada.
Pembeda yang didokumentasikan adalah konteks panjang serta tangga upaya penalaran lima tingkat. Level yang tersedia adalah low, medium, high, xhigh, dan max, memungkinkan pengembang menukar kedalaman penalaran dan latensi sesuai kompleksitas tugas.
Fitur utama MiniMax M3.1-Flash-Preview
- Konteks 1M token: Deskripsi model yang dipublikasikan memberikan model Pratinjau jendela konteks satu juta token, menjadikannya cocok untuk repositori besar, spesifikasi panjang, dan sesi agen pengodean yang diperluas.
- Input multimodal bawaan: Deskripsi model publik mencantumkan teks, gambar, dan video sebagai input, sementara model mengembalikan teks.
- Lima tingkat upaya penalaran:
low,medium,high,xhigh, danmaxmenyediakan kontrol yang lebih halus atas kedalaman penalaran dibandingkan sakelar pemikiran hidup/mati sederhana. - Alur kerja pengodean end-to-end: MiniMax secara khusus memposisikan model ini untuk pelokalan bug, implementasi, penanganan kasus batas, penyelesaian pengujian regresi, dan validasi perubahan.
- Penerapan berorientasi Pratinjau: Peluncuran publik awal melalui MiniMax Code dan Token Plan alih-alih penawaran model mandiri berbayar per penggunaan yang terdokumentasi lengkap.
- Cocok untuk agen pengodean: Model ini dimaksudkan untuk interaksi pengembangan berulang di mana konteks repositori, keluaran alat, tes, dan koreksi iteratif lebih penting daripada generasi kode sekali jalan.
MiniMax M3.1-Flash-Preview vs model pengodean MiniMax lainnya
| Model | Fokus | Konteks | Data tolok ukur publik | Akses/status |
|---|---|---|---|---|
| M3.1-Flash-Preview | Pengodean sehari-hari, pengembangan iteratif | 1M | Belum diterbitkan | Pratinjau; MiniMax Code / Token Plan |
| M3 | Pengodean frontier + pekerjaan agen, multimodalitas bawaan | Hingga 1M | Diterbitkan oleh MiniMax | API, Token Plan, MiniMax Code |
| M2.7 | Rekayasa perangkat lunak + pekerjaan agen/produktivitas luas | Tidak digunakan di sini sebagai spesifikasi M3.1 yang disalin | Diterbitkan oleh MiniMax | API, Token Plan, Agent |
M3 adalah titik referensi yang didokumentasikan lebih menyeluruh: MiniMax mempublikasikan arsitekturnya, metodologi evaluasi pengodean/agen, dan ketersediaan API. M2.7 juga memiliki catatan tolok ukur publik dan integrasi API. M3.1-Flash-Preview lebih baru dan saat ini memiliki jejak dokumentasi publik yang lebih sempit, sehingga perbandingan sebaiknya berfokus pada pemosisian yang didokumentasikan alih-alih mengklaim pemenang tolok ukur. 4
Kasus penggunaan representatif
- Perbaikan bug skala repositori: Berikan model basis kode besar, deskripsi isu, log, dan tes dan gunakan konteks panjangnya untuk menjaga konteks proyek yang relevan.
- Implementasi fitur: Gunakan model untuk berpindah dari kebutuhan bahasa alami melalui perubahan kode dan pengujian regresi.
- Tinjauan kode dan remediasi: Minta model mengidentifikasi kasus batas, mengusulkan patch, dan memverifikasi bahwa perubahan tidak merusak perilaku yang ada.
- Debug multimodal: Sediakan tangkapan layar, diagram, atau video bersama persyaratan tekstual saat konteks visual merupakan bagian dari masalah rekayasa.
- Sesi agen pengodean jangka panjang: Gunakan jendela konteks besar untuk spesifikasi, file repositori, keluaran terminal, dan hasil tes iteratif.
- Pengembangan sensitif kecepatan: Pilih tingkat upaya penalaran lebih rendah untuk suntingan rutin dan tingkatkan upaya untuk perubahan multilangkah yang lebih kompleks.
Cara mengakses API MiniMax M3.1-Flash-Preview
Langkah 1: Daftar untuk Kunci API
Masuk ke cometapi.com. Jika Anda belum menjadi pengguna kami, silakan daftar terlebih dahulu. Masuk ke konsol CometAPI Anda. Dapatkan kredensial akses kunci API dari antarmuka. Klik “Add Token” pada API token di pusat personal, dapatkan kunci token: sk-xxxxx dan kirim.
Langkah 2: Kirim permintaan ke API MiniMax M3.1-Flash-Preview
Pilih endpoint “minimax-m3.1-flash-preview” untuk mengirim permintaan API dan setel body permintaan. Metode permintaan dan body permintaan diperoleh dari dokumen API di situs web kami. Situs kami juga menyediakan pengujian Apifox untuk kenyamanan Anda. Ganti <YOUR_API_KEY> dengan kunci CometAPI Anda yang sebenarnya dari akun Anda. URL dasar adalah Chat Completions.
Masukkan pertanyaan atau permintaan Anda ke dalam bidang content—ini yang akan direspons oleh model. Proses respons API untuk mendapatkan jawaban yang dihasilkan.
Langkah 3: Ambil dan verifikasi hasil
Proses respons API untuk mendapatkan jawaban yang dihasilkan. Setelah diproses, API merespons dengan status tugas dan data keluaran.