MiniMax M3.1 Flash: năng lực agent, điểm số chính thức, chi phí và có nên nâng cấp?

Kết luận trước

MiniMax ra mắt M3.1 Flash ngày 19/10/2026. Điều đáng quan tâm là mô hình có thể hoàn thành quy trình agent dài hơn với chi phí thấp hơn hay không: hiểu mục tiêu, gọi công cụ, thao tác phần mềm, kiểm tra kết quả rồi tiếp tục.

Với đội ngũ đã dùng MiniMax, nên bắt đầu bằng một thử nghiệm đối chứng nhỏ trên công việc thực tế. Điểm chính thức cho thấy tiềm năng, nhưng không chứng minh mọi quy trình hiện có đều sẽ nhanh hoặc rẻ hơn.

Đây là bài phân tích dựa trên tài liệu chính thức. TboxIO chưa tự chạy lại các benchmark dưới đây và chưa đo độ trễ API thực tế. Thông tin được kiểm tra ngày 20/10/2026.

Bản cập nhật tập trung vào đâu?

Thông báo nhấn mạnh tự động hóa phức tạp, kỹ nghệ phần mềm, thao tác máy tính và tác vụ bảo mật. Chất lượng agent cần được đánh giá trên toàn bộ công việc. Tạo văn bản đúng mới là bước đầu; tính nhất quán giữa các tệp, chuỗi gọi công cụ và khả năng phát hiện, sửa lỗi mới quyết định kết quả cuối cùng.

Nếu công việc liên quan đến hệ thống doanh nghiệp, bảng tính, tệp hoặc kho mã, hãy đánh giá những gì được hoàn thành thay vì chỉ nhìn độ trôi chảy của lời giải thích.

Điểm chính thức đo điều gì?

Các kết quả sau do nhà cung cấp công bố. Tác vụ và thang đo khác nhau, nên không thể gộp thành một điểm trung bình chung.

Benchmark	Kết quả chính thức M3.1 Flash	Phạm vi chính
BankerToolBench	76.2	Lập kế hoạch nhiều bước, nhất quán tệp và dùng công cụ
DeepSWE v1.1	73.7%	Hiểu mã, triển khai hoặc sửa yêu cầu và kiểm chứng
OSWorld V2	61.7	Thao tác máy tính và công việc xuyên ứng dụng
Agents’ Last Exam (ALE)	29.6	Tác vụ phức tạp trong công việc chuyên môn
CyberGym	82%	Phát hiện và xác minh lỗ hổng

DeepSWE gần với nhu cầu bảo trì kho mã; OSWorld và ALE hữu ích hơn khi xem xét thao tác máy tính và quy trình chuyên môn. Tuy vậy, các điểm này không dự báo tỷ lệ thành công trên tác vụ của bạn. Môi trường công cụ, giới hạn số bước, ngân sách thử lại, prompt và cách chấm đều có thể làm thay đổi kết quả. Điểm bảo mật cũng không thay thế kiểm thử được cấp phép và rà soát của con người trên hệ thống cụ thể.

Có thể so sánh gì với M3?

Bài ra mắt M3 ngày 01/06/2026 nhấn mạnh ngữ cảnh dài, đa phương thức, lập trình và agent. Thông báo M3.1 Flash tập trung hơn vào hiệu quả thực thi và chi phí sử dụng.

Có hai điểm dễ bị đọc sai:

• M3 công bố các bài như SWE-Bench Pro và Terminal-Bench 2.1, còn phần nội dung lần này nhấn mạnh DeepSWE v1.1. Đây là các bài thi khác nhau; không thể lấy hiệu điểm để kết luận mức tăng năng lực lập trình.
• Phương pháp của M3 dùng OSWorld-Verified và nêu ảnh hưởng của số bước tối đa. Bản mới báo cáo OSWorld V2. Chỉ nhìn số cao hay thấp không đủ để kết luận tiến bộ hoặc suy giảm.

Muốn định lượng mức cải thiện so với M3, cần cùng phiên bản dữ liệu, khung agent và ngân sách thử nghiệm. Bài viết không tự bổ sung điểm cũ còn thiếu hoặc quy đổi những kết quả khác chuẩn thành phần trăm tăng trưởng.

Giá và tốc độ dưới góc nhìn ngân sách

Thông báo ra mắt niêm yết giá API theo USD cho mỗi một triệu tokens:

Hạng mục	Giá được công bố lúc ra mắt
Đầu vào	0.15 USD
Đầu ra	0.60 USD
Đầu vào được cache	0.015 USD

Ví dụ, một lô tác vụ dùng hai triệu tokens đầu vào không cache và 500.000 tokens đầu ra sẽ có phí token mô hình khoảng 0.60 USD: 0.30 USD đầu vào cộng 0.30 USD đầu ra. Đây chỉ là minh họa, chưa gồm dịch vụ khác; hóa đơn thực tế phụ thuộc lượng sử dụng được nền tảng ghi nhận.

MiniMax tuyên bố tổng chi phí sử dụng cho tác vụ agent giảm 70% so với thế hệ trước và suy luận trực tuyến nhanh gần ba lần. Hãng cũng báo cáo đầu ra đạt 200+ tokens/giây, P50 ở mức 170+ tokens/giây. Đây là số liệu do nhà cung cấp đưa ra, không phải cam kết cho từng yêu cầu.

Trong dự án thật, chỉ số đáng xem hơn là chi phí cho một tác vụ hoàn thành và đạt yêu cầu. Thử lại nhiều lần, phản hồi công cụ lớn và chỉnh sửa thủ công có thể triệt tiêu lợi thế đơn giá. Tốc độ xuất token cũng khác thời gian hoàn thành toàn bộ tác vụ, vốn gồm xếp hàng, chạy công cụ và chờ hệ thống bên ngoài.

Ai nên thử trước?

Nhóm có quy trình lặp lại: bắt đầu với việc có thể hoàn tác và dễ kiểm tra, chẳng hạn sắp xếp tệp, soạn bản nháp báo cáo hoặc đề xuất sửa mã.

Nhà phát triển bị giới hạn chi phí hay thông lượng: giữ mô hình hiện tại làm đối chứng, dùng cùng đầu vào, quyền công cụ và tiêu chí nghiệm thu.

Người dùng chức năng thao tác máy tính: kiểm tra phiên bản phần mềm, ngôn ngữ giao diện và quyền truy cập. Môi trường benchmark không đại diện cho mọi ứng dụng doanh nghiệp. Giữ bước xác nhận rõ ràng cho việc gửi thông tin quan trọng, thanh toán và xóa.

Cách đối chứng trước khi vận hành

1. Chọn tác vụ lịch sử gồm trường hợp thông thường, quy trình dài và lỗi từng gặp.
2. Cố định môi trường, prompt, số bước và giới hạn thử lại rồi chạy cả mô hình cũ lẫn mới.
3. Ghi tỷ lệ hoàn thành, số lần sửa thủ công, thời gian từ đầu đến cuối và lượng tokens đầu vào, đầu ra, cache.
4. Kiểm tra khả năng dừng an toàn khi thất bại, đặc biệt với chỉnh sửa tệp và thao tác nhiều hệ thống.
5. Chỉ tăng lưu lượng từng bước khi kết quả đáp ứng tiêu chí nghiệm thu.

Cách này kiểm chứng được tuyên bố hiệu quả, đồng thời phát hiện vấn đề riêng của doanh nghiệp mà điểm công khai chưa bao phủ.

Dùng ở đâu, trọng số đã được mở chưa?

Thông báo liệt kê MiniMax API, M Plan và MiniMax Code. Với trọng số, bài viết nói sẽ phát hành sau. Vì vậy không nên mô tả việc mở API thành trọng số đã sẵn để tải. Trước khi triển khai cục bộ, cần kiểm tra kho chính thức, giấy phép và yêu cầu vận hành.

Theo đánh giá của chúng tôi, điều đáng xác minh nhất là chất lượng hoàn thành và chi phí có cùng cải thiện trong quy trình dài hay không. Hãy kiểm chứng trên công việc của mình trước khi chuyển đổi toàn diện.

Nguồn và phạm vi so sánh

• Thông báo M3.1 Flash chính thức (2026-10-19): điểm, tốc độ, giá lúc ra mắt và kênh sử dụng.
• Thông báo M3 chính thức (2026-06-01): định vị thế hệ trước và phương pháp đánh giá, không dùng để trừ trực tiếp các điểm khác chuẩn.

Giá, khả năng cung cấp và trạng thái phát hành trọng số có thể thay đổi. Khi tích hợp hoặc triển khai, hãy kiểm tra thông tin chính thức mới nhất.