MiniMax M3.1 Flashを解説：エージェント性能、公式スコア、料金と乗り換えの判断

まず結論

MiniMaxは2026年10月19日、M3.1 Flashを発表しました。注目したいのは、目標の理解、ツール呼び出し、ソフトウェアの操作、結果の確認までを含む長いエージェント作業を、より低いコストで完了できるかという点です。

すでにMiniMaxを使うチームには、実際の業務で小規模な比較を行うことを勧めます。公式スコアは可能性を示しますが、既存の全ワークフローが速く、安くなることを保証しません。

本稿は公式資料に基づく発表の解説です。TboxIOは以下のベンチマークを独自に再実行しておらず、APIの実測遅延も検証していません。 情報確認日は2026年10月20日です。

更新の重点は？

発表では、複雑な自動化、ソフトウェア開発、コンピューター操作、セキュリティ作業を重視しています。エージェントの品質は一連の作業全体で判断する必要があります。正しい文章を生成するだけでなく、ファイル間の整合性を保ち、ツールを続けて使い、失敗を見つけて修正できるかが成果を左右します。

業務システム、表計算、ファイル、コードリポジトリを扱うなら、説明の流暢さよりも、何を最後まで完成できたかを確認しましょう。

公式スコアは何を測っている？

以下はすべて提供元が公表した値です。課題と尺度が異なるため、単一の平均点にまとめることは適切ではありません。

ベンチマーク	M3.1 Flashの公式結果	主な評価対象
BankerToolBench	76.2	複数段階の計画、ファイル整合性、ツール利用
DeepSWE v1.1	73.7%	コード理解、実装・修正、検証
OSWorld V2	61.7	PC操作とアプリをまたぐ作業
Agents’ Last Exam（ALE）	29.6	実際の専門業務における複雑な課題
CyberGym	82%	脆弱性の発見と検証

リポジトリの保守ならDeepSWE、PC操作や専門業務ならOSWorldやALEの課題が参考になります。ただし、これらの数値は自社タスクの成功率を予測するものではありません。ツール環境、ステップ上限、再試行予算、プロンプト、採点方法によって結果は変わります。セキュリティの成績も、対象システムで許可された検証や人の確認に代わるものではありません。

前世代のM3と比較できること

2026年6月1日付のM3発表では、長いコンテキスト、マルチモーダル、コーディング、エージェントを強調していました。M3.1 Flashの発表では、実行効率と利用コストに重点が置かれています。

次の二つは混同しやすい点です。

• M3はSWE-Bench ProやTerminal-Bench 2.1などを掲載していますが、今回の本文ではDeepSWE v1.1が中心です。別の試験なので、点数の差をコーディング能力の改善幅にはできません。
• M3の評価方法はOSWorld-Verifiedを使い、最大ステップ数による影響も説明しています。新発表はOSWorld V2です。数値の大小だけで進歩や後退を判断できません。

M3から何％改善したかを示すには、同じデータセットの版、エージェント基盤、予算での直接比較が必要です。本稿では欠けている旧モデルのスコアを補ったり、互換性のない結果から改善率を算出したりしません。

料金と速度を実際の予算に置き換える

発表時のAPI料金は、100万tokens当たり次のとおりです。通貨は米ドルです。

項目	公表単価
入力	0.15ドル
出力	0.60ドル
キャッシュ入力	0.015ドル

例えば、未キャッシュの入力200万tokensと出力50万tokensを使うバッチなら、モデルのtoken料金は約0.60ドルです。入力0.30ドルと出力0.30ドルの合計で、他サービスの料金は含みません。実際の請求は計測された利用量によります。

MiniMaxは、エージェント作業の総利用コストが前世代比70％低下し、オンライン推論が約3倍に高速化したとしています。また、出力速度200+ tokens/秒、P50で170+ tokens/秒を報告しています。いずれも提供元の発表値であり、各リクエストの保証ではありません。

実務では「合格したタスク一件当たりの費用」を見ましょう。再試行、大量のツール応答、人による手直しが増えると単価の優位性は消えます。出力速度も、待ち行列、ツール実行、外部システム待ちを含む作業全体の時間とは別です。

先に試す価値がある利用者

反復業務を持つチーム：ファイル整理、報告書の下書き、コード変更案など、元に戻せて成果を確認しやすい作業から始めます。

コストや処理量に制約のある開発者：現行モデルを比較対象として残し、入力、権限、合格条件をそろえて評価します。

PC操作を使う利用者：ソフトウェアの版、画面言語、権限を確認しましょう。ベンチマークの環境はすべての業務アプリを代表しません。重要な送信、支払い、削除には明確な確認を残します。

導入前の比較手順

1. 過去の作業から、通常例、長い処理、既知の失敗例を選びます。
2. 環境、プロンプト、ステップ数、再試行上限を固定し、現行モデルと新モデルを実行します。
3. 完了率、手直し回数、全体時間、入力・出力・キャッシュ利用量を記録します。
4. 特にファイル変更や複数システムの操作で、失敗時に安全に止まれるか確認します。
5. 成果が合格条件を満たしてから、段階的に利用を増やします。

この比較なら、効率に関する主張と、公開スコアが捉えていない業務上の問題を同時に確認できます。

利用方法とモデル重み

発表はMiniMax API、M Plan、MiniMax Codeを入口として挙げています。重みについては後日公開とされているため、API提供開始を「重みがすでにダウンロード可能」と言い換えることはできません。ローカル導入前に、公式リポジトリ、ライセンス、動作要件を確認してください。

私たちが重視するのは、長いワークフローで品質と費用が同時に改善するかです。全面的な乗り換えは、自分たちの作業で確かめてから判断するのが適切です。

出典と比較範囲

• M3.1 Flash公式発表（2026-10-19）：スコア、速度、発表時料金、提供経路。
• M3公式発表（2026-06-01）：旧モデルの位置付けと評価方法。異なる試験の点数を直接換算するための資料ではありません。

料金、提供状況、重み公開の状態は変わる可能性があります。利用・導入時点で最新の公式情報を確認してください。