مدل M3.1 Flash شرکت مینی‌مکس در یک معیار کلیدی کسب‌وکار از دیپ‌سیک و اوپوس ۵ پیشی گرفت؛ با هزینه کمتر اما نرخ توهم بالاتر

شرکت چینی هوش مصنوعی مینی‌مکس (MiniMax) مدل جدید M3.1 Flash را عرضه کرده است

مینی‌مکس می‌گوید مدل جدید تقریباً سه برابر سریع‌تر از نسخه قبلی عمل می‌کند و هزینه کلی استفاده از عامل‌های هوش مصنوعی را ۷۰ درصد کاهش می‌دهد.

بااین‌حال، شواهد جالب‌تر از آزمایش‌های مستقل به دست آمده‌اند: مؤسسه Artificial Analysis به M3.1 Flash در شاخص هوش خود امتیاز ۴۲ داده است؛ امتیازی که ۱۳ واحد بیشتر از مدل قبلی مینی‌مکس، یعنی M3، است. هزینه ارزیابی هر وظیفه نیز به کمتر از نصف هزینه نسخه پیشین رسیده است.

بر این اساس، M3.1 Flash از نظر عملکرد در سطح مدل GLM-5.3 Flash شرکت Z.ai قرار می‌گیرد، اندکی از Gemini 3.8 Flash گوگل جلوتر است و فاصله چندانی با DeepSeek V4.1 Flash-1017 ندارد؛ مدل جدید و کم‌هزینه چینی دیگری که امتیاز ۴۵ گرفته است.

بااین‌همه، یک محدودیت مهم نیز وجود دارد. Artificial Analysis دریافت که M3.1 Flash بیش از نیمی از پرسش‌های مربوط به دانش واقعی را به‌درستی پاسخ داده، اما تمایل بسیار زیادی به تولید پاسخ‌های نادرست به‌جای پذیرفتن عدم اطمینان از خود نشان داده است.

این نتایج هم از افزایش رقابت‌پذیری مدل‌های ارزان‌قیمت هوش مصنوعی چین حکایت دارند و هم بر بده‌بستان‌هایی تأکید می‌کنند که شرکت‌ها هنگام استفاده از این مدل‌ها برای وظایف نیازمند دقت، قابلیت اطمینان و حداقل نظارت انسانی باید در نظر بگیرند.

آزمایش‌های مستقل: عملکردی نزدیک به دیپ‌سیک با هزینه کمتر

بر اساس ارزیابی Artificial Analysis، مدل M3.1 Flash در بالاترین سطح تلاش برای استدلال، امتیاز ۴۲ را در شاخص هوش کسب کرده است؛ درحالی‌که امتیاز نسخه قبلی، M3، برابر با ۲۹ بود.

این نتیجه نشان‌دهنده پیشرفت چشمگیر توانایی‌های اندازه‌گیری‌شده مدل است. در همین حال، متوسط هزینه تکمیل هر وظیفه در آزمون شاخص هوش از حدود ۰٫۵۱ دلار به ۰٫۲۲ دلار کاهش یافته است؛ کاهشی نزدیک به ۵۷ درصد.

نزدیک‌ترین رقبای آن عبارت‌اند از GLM-5.3 Flash با امتیاز ۴۲ و هزینه تقریبی ۰٫۲۸ دلار برای هر وظیفه؛ DeepSeek V4.1 Flash-1017 با امتیاز ۴۵ و هزینه تقریبی ۰٫۲۶ دلار؛ و Gemini 3.8 Flash با امتیاز ۴۱ و هزینه تقریبی ۱٫۲۴ دلار برای هر وظیفه.

M3.1 Flash همچنان در شاخص کلی از پیشرفته‌ترین مدل‌های شرکت‌های آنتروپیک و اوپن‌ای‌آی عقب‌تر است، اما ترکیب عملکرد نسبتاً قوی و هزینه عملیاتی پایین، آن را به گزینه‌ای جذاب برای کسب‌وکارهایی تبدیل می‌کند که سامانه‌های هوش مصنوعی آن‌ها باید تعداد زیادی وظیفه را اجرا کنند.

Artificial Analysis به‌ویژه پیشرفت این مدل در استدلال پیچیده را قابل‌توجه دانسته است. M3.1 Flash در آزمون Humanity’s Last Exam امتیاز ۴۸ درصد کسب کرد؛ درحالی‌که امتیاز M3 برابر با ۳۹ درصد بود. این نتیجه از امتیاز ۴۰ درصدی GLM-5.3 Flash و ۴۳ درصدی DeepSeek V4.1 Flash-1017 بیشتر است و با عملکرد Gemini 3.8 Flash برابری می‌کند.

در آزمون CritPt که توانایی استدلال در فیزیک را می‌سنجد، امتیاز مینی‌مکس از تنها ۴ درصد به ۲۲ درصد افزایش یافت. این رقم از امتیاز ۱۵ درصدی GLM-5.3 Flash و ۱۸ درصدی Gemini 3.8 Flash بالاتر است، اما اندکی از امتیاز ۲۴ درصدی دیپ‌سیک پایین‌تر می‌ماند.

مدل جدید در ارزیابی شاخص هوش، توکن‌های خروجی کمتری نیز مصرف کرد. طبق اعلام Artificial Analysis، این مدل حدود ۱۸۹ میلیون توکن تولید کرد؛ در مقایسه با حدود ۳۲۴ میلیون توکن برای GLM-5.3 Flash و ۳۳۴ میلیون توکن برای Gemini 3.8 Flash.

این تفاوت اهمیت دارد، زیرا توسعه‌دهندگان برای توکن‌هایی که مدل‌های هوش مصنوعی تولید می‌کنند، از جمله توکن‌های مربوط به استدلال‌های میانی برای حل وظایف دشوار، هزینه می‌پردازند. بنابراین، مدلی که با تولید توکن‌های کمتر به نتایجی مشابه دست پیدا کند، علاوه بر تفاوت نرخ‌های اعلام‌شده در رابط برنامه‌نویسی کاربردی (API)، می‌تواند صرفه‌جویی قابل‌توجهی به همراه داشته باشد.

تمرکز مینی‌مکس بر خودکارسازی سازمانی، برنامه‌نویسی و کار با رایانه

مینی‌مکس در اطلاعیه رسمی خود بر توانایی مدل در اجرای زنجیره‌های طولانی از اقدامات در نرم‌افزارهای کسب‌وکار، محیط‌های برنامه‌نویسی و رابط‌های رایانه‌ای تأکید کرده است.

این شرکت اعلام کرده است که مدل در آزمون Automation-Bench v1.0.6 امتیاز ۶۲٫۲ را به دست آورده است. این آزمون، عملکرد عامل‌های هوش مصنوعی را در گردش‌کارهای سازمانی با استفاده از برنامه‌های فروش، بازاریابی، عملیات، پشتیبانی مشتری، امور مالی و منابع انسانی ارزیابی می‌کند.

این امتیاز اندکی بالاتر از ۶۰٫۵ ثبت‌شده برای DeepSeek V4.1 Flash-1017 است و به‌مراتب از نتایج گزارش‌شده برای GPT-5.6 Sol و Claude Opus 5 در مقایسه مینی‌مکس بهتر است.

در آزمون BankerToolBench که گردش‌کارهای چندمرحله‌ای مالی، از جمله سازگاری اسناد، رعایت الزامات انطباق و استفاده از ابزارها را ارزیابی می‌کند، M3.1 Flash امتیاز ۷۶٫۲ گرفته است؛ نتیجه‌ای که در داده‌های منتشرشده از سوی شرکت با Claude Opus 5 برابر است.

نتایج این مدل در برنامه‌نویسی نیز رقابتی است. مینی‌مکس اعلام کرده که M3.1 Flash در آزمون DeepSWE v1.1 به امتیاز ۷۳٫۷ درصد رسیده است؛ درحالی‌که امتیاز Claude Opus 5 برابر با ۷۴ درصد، GPT-5.6 Sol برابر با ۷۳ درصد و DeepSeek V4.1 Flash-1017 برابر با ۷۷ درصد بوده است.

در زمینه کار با رایانه، مدل در آزمون OSWorld 2.0 امتیاز ۶۱٫۷ و در Agents’ Last Exam امتیاز ۲۹٫۶ را کسب کرده است. این آزمون‌ها توانایی سامانه‌های هوش مصنوعی را در کار با نرم‌افزارها و تکمیل وظایف پیچیده حرفه‌ای می‌سنجند.

اگرچه این ارقام از عملکرد قوی‌ترین مدل‌های آنتروپیک و اوپن‌ای‌آی پایین‌تر است، مقایسه‌های هزینه‌ای ارائه‌شده از سوی مینی‌مکس نشان می‌دهد که این شرکت می‌تواند بخش قابل‌توجهی از توانایی‌های کاربردی آن مدل‌ها را با هزینه‌ای بسیار کمتر برای هر وظیفه فراهم کند.

این شرکت همچنین اعلام کرده است که مدل در آزمون CyberGym، معیار سنجش امنیت سایبری با تمرکز بر کشف و اعتبارسنجی آسیب‌پذیری‌ها، امتیاز ۸۲٫۲ را به دست آورده است.

این ارقام نتایج آزمون‌های معیار هستند، نه شواهد مستند از استقرار مدل در محیط‌های عملیاتی واقعی. همچنین، تفاوت در تنظیمات ارزیابی باعث می‌شود مقایسه مستقیم نتایج کاملاً دقیق نباشد. بااین‌حال، یافته‌ها نشان می‌دهند که مدل‌های ارزان‌قیمت به‌تدریج برای انجام وظایف دشوار سازمانی که پیش‌تر به گزینه‌های بسیار گران‌تر نیاز داشتند، مناسب‌تر می‌شوند.

نرخ توهم ۹۳ درصدی، پرسش‌هایی درباره قابلیت اطمینان ایجاد می‌کند

یکی از مهم‌ترین یافته‌های Artificial Analysis به دقت واقعی اطلاعات تولیدشده توسط این مدل مربوط می‌شود.

در آزمون AA-Omniscience این مؤسسه، M3.1 Flash به ۵۶ درصد پرسش‌ها پاسخ درست داد. این میزان برای DeepSeek V4.1 Flash-1017 برابر با ۴۳ درصد و برای GLM-5.3 Flash برابر با ۲۸ درصد بود.

بااین‌حال، Artificial Analysis دریافت که مینی‌مکس تقریباً به تمام پرسش‌ها پاسخ می‌دهد و بر اساس تعریف این آزمون، نرخ توهم آن به ۹۳ درصد می‌رسد.

نکته مهم این است که این عدد به معنای نادرست بودن ۹۳ درصد از تمام پاسخ‌های مدل نیست. این معیار سهم پاسخ‌های غیرصحیحی را اندازه‌گیری می‌کند که کاملاً نادرست‌اند، نه پاسخ‌های ناقص یا مواردی که مدل از پاسخ‌دادن خودداری می‌کند.

به بیان دیگر، وقتی M3.1 Flash نمی‌توانست پاسخ درستی ارائه دهد، در اغلب موارد ترجیح می‌داد پاسخی نادرست تولید کند تا اینکه صریحاً بپذیرد اطلاعات کافی ندارد.

در نتیجه، امتیاز کلی این مدل در آزمون AA-Omniscience فقط ۱۶ بود؛ با وجود آنکه توانایی نسبتاً خوبی در بازیابی اطلاعات واقعی از خود نشان داده بود.

این تفاوت برای شرکت‌هایی که قصد دارند از عامل‌های هوش مصنوعی برای به‌روزرسانی خودکار سوابق، تحلیل اسناد مالی، بررسی اطلاعات مشتریان یا تصمیم‌گیری‌های عملیاتی استفاده کنند، اهمیت زیادی دارد. امتیاز بالا در آزمون‌های هوش به‌تنهایی تضمین نمی‌کند که مدل بتواند محدودیت‌های خود را به‌درستی تشخیص دهد.

ازاین‌رو، کسب‌وکارهایی که M3.1 Flash را برای گردش‌کارهای مبتنی بر دانش به کار می‌گیرند، ممکن است برای کاهش خطر خروجی‌های نادرست اما با لحنی مطمئن، به سازوکارهای راستی‌آزمایی بیشتر، سامانه‌های بازیابی اطلاعات، محدودیت‌های کنترلی یا بازبینی انسانی نیاز داشته باشند.

قیمت API از ۰٫۱۵ دلار به‌ازای هر یک میلیون توکن ورودی آغاز می‌شود؛ انتشار وزن‌های مدل در ۲۳ اکتبر

مینی‌مکس مدل M3.1 Flash را از طریق رابط برنامه‌نویسی کاربردی اختصاصی خود، اشتراک M Plan و برنامه دسکتاپ MiniMax Code ارائه می‌کند.

هزینه استفاده از این مدل ۰٫۱۵ دلار به‌ازای هر یک میلیون توکن ورودی و ۰٫۶۰ دلار به‌ازای هر یک میلیون توکن خروجی است. هزینه توکن‌های ورودی ذخیره‌شده در حافظه نهان نیز به ۰٫۰۱۵ دلار برای هر یک میلیون توکن کاهش می‌یابد.

با این تعرفه، پردازش یک میلیون توکن ورودیِ ذخیره‌نشده و تولید یک میلیون توکن خروجی، ۰٫۷۵ دلار هزینه استفاده از مدل خواهد داشت؛ هزینه‌های زیرساختی یا سایر مخارج مربوط به برنامه در این محاسبه لحاظ نشده‌اند.

این قیمت‌گذاری، M3.1 Flash را در میان ارزان‌ترین مدل‌های پیشرفته هوش مصنوعی عرضه‌شده در بازارهای جهانی قرار می‌دهد.

به‌گفته Artificial Analysis، این مدل از ورودی‌های متنی و تصویری پشتیبانی می‌کند، خروجی متنی تولید می‌کند و پنجره زمینه‌ای با ظرفیت یک میلیون توکن دارد.

مینی‌مکس همچنین ادعا می‌کند که مدل می‌تواند در هر ثانیه بیش از ۲۰۰ توکن تولید کند و سرعت خروجی میانه آن به‌طور پیوسته از ۱۷۰ توکن در ثانیه بیشتر است.

این شرکت بخشی از بهبود عملکرد را به افزایش پراکندگی در معماری مدل نسبت می‌دهد؛ رویکردی که هدف آن کاهش میزان محاسبات موردنیاز برای تولید پاسخ است.

وزن‌های مدل هنگام عرضه همچنان اختصاصی هستند، اما مینی‌مکس اعلام کرده است که قصد دارد آن‌ها را در ۲۳ اکتبر منتشر کند. این شرکت هنوز شرایط مجوز انتشار را اعلام نکرده است؛ بنابراین، در حال حاضر نمی‌توان مشخص کرد که کسب‌وکارها تا چه اندازه اجازه خواهند داشت مدل را تغییر دهند یا آن را روی زیرساخت‌های خود میزبانی کنند.

مینی‌مکس در افشاگری دیگری اعلام کرده است که نسخه‌ای قدیمی‌تر از M3.1 Flash پیش‌تر به‌صورت ناشناس و با نام Space Bunny فعالیت می‌کرده و پیش از افشای هویت آن، بیش از ۲۰۰ تریلیون توکن را پردازش کرده است. این شرکت جزئیات دقیقی درباره نحوه استفاده از آن ارائه نکرده است.

مینی‌مکس می‌گوید عرضه مدل Pro با توانایی‌های بیشتر نیز در برنامه قرار دارد، اما هنوز تاریخ انتشار آن را اعلام نکرده است.

برای تیم‌های سازمانی فعال در حوزه هوش مصنوعی، M3.1 Flash نشانه دیگری است از اینکه عملکرد قوی در برنامه‌نویسی و خودکارسازی، با هزینه‌هایی هرچه کمتر در دسترس قرار می‌گیرد. نتایج آزمون‌های مستقل نیز این روند را تأیید می‌کنند، اما یافته‌های مربوط به توهم یادآور می‌شوند که هنگام انتخاب مدل‌های هوش مصنوعی برای انجام عملیات واقعی کسب‌وکار، قیمت و امتیازهای هوش تنها بخشی از معیارهای تصمیم‌گیری هستند.