مینی‌مکس از مدل M3.1 Flash رونمایی کرد؛ افشای هویت مدل مرموز Space Bunny پس از ۲۰۰ تریلیون توکن

مدل M3.1 Flash مینی‌مکس همان خرگوش فضایی بود

استارتاپ مینی‌مکس از مدل M3.1 Flash رونمایی کرد؛ نسخه‌ای اقتصادی‌تر در مقایسه با مدل M3 که به‌طور ویژه برای کدنویسی، کارهای پژوهشی، کار با رایانه و چرخه فعالیت‌های چندمرحله‌ای ایجنت‌ها طراحی شده است. این شرکت همچنین تأیید کرد که این ابزار، در واقع همان Space Bunny است؛ مدل گمنامی که در دوره آزمایش مخفیانه خود روی پلتفرم اوپن‌روتر (OpenRouter) ترافیک بسیار سنگینی را به ثبت رساند.

به‌گفته مینی‌مکس، مدل Space Bunny در طول دوره آزمایش موفق به پردازش بیش از ۲۰۰ تریلیون توکن شده است. پلتفرم اوپن‌روتر نیز گزارش داد که ۵۶٫۷ تریلیون از این توکن‌ها از طریق زیرساخت آن پردازش شده و این مدل توانسته است برای ۱۰ روز متوالی در رتبه نخست پرمصرف‌ترین مدل‌های این پلتفرم قرار بگیرد. این حجم عظیم از ترافیک نشان‌دهنده تقاضای پایدار و مقیاس‌پذیری عملیاتی مدل است، هرچند ادعاهای مینی‌مکس درباره سطح عملکرد آن هنوز از سوی منابع مستقل تأیید نشده است.

ساختار قیمت‌گذاری؛ ایدئال برای سناریوهای طولانی ایجنت‌ها

یک درخواست شامل یک میلیون توکن ورودی کش‌نشده و یک میلیون توکن خروجی، بدون در نظر گرفتن هزینه‌های جانبی ابزارها یا زیرساخت، حدود ۰٫۷۵ دلار هزینه خواهد داشت. در مقام مقایسه، نسخه کامل مدل M3 مینی‌مکس به‌ازای هر یک میلیون توکن ورودی ۰٫۳۰ دلار و به‌ازای هر یک میلیون توکن خروجی ۱٫۲۰ دلار هزینه دارد؛ به این ترتیب نرخ رسمی توکن‌های M3.1 Flash دقیقاً نصف نسخه پیشین است.

مینی‌مکس همچنین مدعی است که مدل M3.1 Flash هزینه کلی انجام وظایف (Task-level cost) را در مقایسه با مدل قبلی تا ۷۰ درصد کاهش می‌دهد و فرآیند پاسخگویی آنلاین (استنتاج) آن نزدیک به ۳ برابر سریع‌تر اجرا می‌شود. هزینه انجام وظیفه شامل تمام توکن‌های مصرف‌شده در فراخوانی ابزارها، تلاش‌های مجدد، گام‌های برنامه‌ریزی و خروجی‌های میانی است. این شاخص به‌ویژه برای ایجنت‌ها اهمیت فوق‌العاده‌ای دارد؛ چراکه تعداد چرخه‌ها و حلقه‌های پردازش می‌تواند به اندازه نرخ خام توکن‌ها بر صورت‌حساب نهایی تأثیر بگذارد.

پنجره زمینه بزرگ و سازگاری با APIهای نام‌آشنا

• پنجره زمینه (کانتکست): تا یک میلیون توکن، که امکان ارسال مخازن کد بزرگ، مجموعه‌ای از اسناد یا سوابق طولانی تعاملات را در یک درخواست واحد فراهم می‌کند.
• سقف خروجی: امکان تولید حداکثر ۵۲۴٬۲۸۸ توکن در هر پاسخ.
• حالت‌های پردازش (Modalities): پشتیبانی بومی از ورودی تصویر و ویدیو در کنار خروجی متنی.
• استدلال: قابلیت استدلال همواره فعال است و سطوح تلاش پردازشی قابل تنظیمی دارد که به توسعه‌دهندگان اجازه می‌دهد بسته به نیاز خود، میان زمان تأخیر و هزینه پردازش یا دقت بیشتر تعادل برقرار کنند.
• دسترسی از طریق API: ارائه اندپوینت‌های سازگار با OpenAI و آنتروپیک (Anthropic)، علاوه بر سرویس‌های M Plan و MiniMax Code.
• دسترسی ابری: دسترسی به مسیر رایگان اوپن‌روتر در طول دوره راه‌اندازی فراهم شده است.
• وزن‌های مدل: بیانیه مینی‌مکس تاریخ ۲۳ اکتبر را به‌عنوان زمان انتشار وزن‌های مدل مشخص کرده است، اما این شرکت هنوز مجوز (لایسنس) آن را اعلام نکرده است.

سازگاری API باید فرآیند مهاجرت را برای برنامه‌هایی که هم‌اکنون از کتابخانه‌های کلاینت OpenAI یا آنتروپیک استفاده می‌کنند، بسیار آسان‌تر کند. با وجود این، تیم‌های فنی همچنان باید مواردی مثل استریم پاسخ‌ها، ساختار ابزارها، مدیریت خطاها، محدودیت نرخ درخواست و خروجی‌های ساختاریافته را آزمایش کنند؛ چراکه سازگاری اندپوینت‌ها لزوماً تضمین‌کننده رفتار کاملاً یکسان نیست.

نتایج بنچمارک‌ها با تمرکز بر عملکرد ایجنت‌ها

مینی‌مکس درخشان‌ترین نتایج مدل خود را در حوزه‌های مهندسی خودکار نرم‌افزار، کنترل دسکتاپ و امنیت سایبری گزارش کرده است. هر یک از این بنچمارک‌ها یک فرآیند کاری چندمرحله‌ای را ارزیابی می‌کنند که در آن مدل باید محیط را بررسی کند، دست به اقدام بزند و به بازخوردهای دریافت‌شده واکنش نشان دهد.

این نتایج مستقیماً توسط مینی‌مکس ارائه شده‌اند و هنوز توسط مراجع مستقل تکرار یا راستی‌آزمایی نشده‌اند. این شرکت پیش‌تر برای مدل اصلی M3 در بنچمارک SWE-bench Verified امتیاز ۸۰٫۵ درصد را اعلام کرده بود، اما تفاوت ساختاری این بنچمارک با DeepSWE v1.1 اجازه مقایسه مستقیم کیفیت میان این دو مدل را نمی‌دهد.

۳ نکته و محدودیت مهم که باید راستی‌آزمایی شوند

• روش محاسبه هزینه انجام وظایف: کاهش ۷۰ درصدی ادعاشده به اجرای کامل چرخه فعالیت ایجنت‌ها بستگی دارد. بنابراین بسته به نوع پرامپت‌ها، طراحی ابزارها، سیاست‌های تلاش مجدد و سطح پردازش استدلالی، نتایج واقعی ممکن است متغیر باشد.
• ارزیابی مستقل: برای تأیید نهایی امتیازهای بنچمارک، میزان تأخیر، پایداری و عملکرد پنجره کانتکست طولانی در شرایط بار کاری واقعی، به آزمایش‌های عمومی و مستقل نیاز است.
• مجوز انتشار وزن‌ها: مدل M3.1 Flash در زمان عرضه کاملاً انحصاری و تجاری است. انتشار وزن‌های این مدل تنها در صورتی امکان میزبانی شخصی (Self-hosting) را فراهم می‌کند که مجوز نهایی، حقوق مربوط به استفاده تجاری، تحقیقاتی یا تغییر و توسعه مدل را مجاز بداند.

استقرار آزمایشی مدل Space Bunny نشان داد که این مدل توانایی مدیریت ترافیک میزبانی‌شده بسیار سنگینی را دارد. با این حال، هنوز پرسش‌های بی‌پاسخی درباره تنوع درخواست‌ها، نرخ شکست، شرایط مسیریابی شبکه و کیفیت عملکرد مدل در وظایفی خارج از بنچمارک‌های انتخابی مینی‌مکس باقی مانده است.

جایگاه M3.1 Flash و کاربردهای اصلی آن

تیم‌هایی که در حال ساخت ایجنت‌های کدنویسی، ایجنت‌های مرورگر و دسکتاپ یا سیستم‌های پژوهشی مداوم هستند، روشن‌ترین دلیل را برای بررسی و ارزیابی M3.1 Flash دارند. پنجره زمینه یک میلیون توکنی این مدل می‌تواند حجم وسیعی از داده‌های کاری را در خود نگه دارد، در حالی که قیمت پایین‌تر توکن‌ها و امکان تنظیم سطح استدلال، به توسعه‌دهندگان اجازه می‌دهد هزینه‌های عملیاتی را به‌دقت مدیریت کنند.

یک ارزیابی مقایسه‌ای دقیق باید مواردی نظیر میزان موفقیت سرتاسری وظایف، زمان واقعی اجرا، مجموع توکن‌های ورودی و خروجی، تعداد فراخوانی ابزارها، تلاش‌های مجدد و هزینه نهایی به‌ازای هر وظیفه تکمیل‌شده را بسنجد. توسعه‌دهندگان همچنین باید بازیابی اطلاعات از متون طولانی (Long-context retrieval)، پردازش تصویر و ویدیو، تولید خروجی‌های ساختاریافته و سازگاری با ابزارهای موجود را مورد سنجش قرار دهند.

برای کاربری‌های چت و تولید متن‌های کوتاه تک‌مرحله‌ای، بهتر است کیفیت و زمان پاسخگویی این مدل را با پشته فعلی خود مقایسه کنید؛ چراکه بزرگ‌ترین ادعای صرفه‌جویی مینی‌مکس به ایجنت‌های چندمرحله‌ای اختصاص دارد. با این حال، برای بارهای کاری که نیازمند استدلال مداوم و استفاده مکرر از ابزارها هستند، مدل M3.1 Flash با ترکیب قیمت‌گذاری رقابتی و پشتوانه عملیاتی اثبات‌شده در مدیریت ترافیک سنگین، گزینه‌ای بسیار وسوسه‌کننده خواهد بود.