MiniMax-M3.1-Flash kommt auf die Ultralytics Platform, landet im Benchmark aber auf Platz 23 von 38

Was MiniMax-M3.1-Flash ist

MiniMax hat MiniMax-M3.1-Flash am 19. Oktober 2026 veröffentlicht. Es ist das schnelle, kostengünstige Modell der M3.1-Reihe des Unternehmens. Laut Ultralytics plant MiniMax später ein größeres Pro-Modell.

Das Modell ist nativ multimodal und setzt auf eine Mixture-of-Experts-Architektur mit 428 Milliarden Parametern, von denen 23 Milliarden pro Token aktiv sind. Es bietet ein Kontextfenster von 1 Million Token und verarbeitet Bild- und Videoeingaben. MiniMax hat es für agentische Aufgaben, Coding und Computer Use entwickelt und gibt an, dass es im Median mehr als 170 Token pro Sekunde erzeugt. Die Gewichte wurden am 23. Oktober 2026 unter der MiniMax Community License auf Hugging Face veröffentlicht.

Die gelisteten Preise liegen pauschal bei 0,15 US-Dollar pro Million Eingabe-Token und 0,60 US-Dollar pro Million Ausgabe-Token.

So funktioniert es in der Ultralytics Platform

MiniMax-M3.1-Flash erscheint im Annotationseditor unter einem neuen Anbieter MiniMax bei den klassengesteuerten Vision-Language-Modellen. Bei einem Objekterkennungs-Datensatz mit 1 bis 200 Klassen liefert es Bounding Boxes für die Instanzen der Datensatzklassen, die es findet. Nutzer prüfen und speichern sie wie jede andere Vorhersage.

• Einzelnes Bild: in den Smart-Modus wechseln, unter MiniMax das Modell auswählen und auf Predict klicken.
• Gesamter Datensatz: auf der Datensatzseite Batch Annotation starten, um jedes unbeschriftete Bild zu labeln.

Kostenpflichtige Modelle laufen über den eigenen API-Schlüssel des Nutzers beim Anbieter. Daher muss in den API-Key-Einstellungen des Workspace ein MiniMax-API-Schlüssel hinterlegt werden. Für Batch Annotation fällt zusätzlich die übliche Gebühr der Ultralytics Platform von 1,00 US-Dollar pro 1.000 Bilder an, unabhängig von dem, was MiniMax berechnet. Jeder Durchlauf speichert zuvor eine Datensatzversion, sodass sich der Vorgang rückgängig machen lässt.

Ultralytics hat nach Tests außerdem zwei Einstellungen festgelegt. Standardmäßig arbeitet das Modell mit maximalem Reasoning-Aufwand, der bei mehr als der Hälfte der getesteten Bilder das 115-Sekunden-Limit der Platform überschritt. Von den Stufen low, medium und high schnitt medium am besten ab, weshalb die Platform medium verwendet. Außerdem platziert das Modell Boxen in Pixelkoordinaten um etwa 0,02 mAP50 genauer als auf dem Raster von 0 bis 1000, deshalb fordert die Platform Pixelwerte an.

Benchmark-Ergebnisse

Das VLM Leaderboard nutzt einen festen Test namens UL37 v2: je 10 beschriftete Bilder aus 36 Erkennungsdatensätzen, insgesamt 360. Die Datensätze decken Bereiche wie medizinische Bildgebung, Luftbilder, Leiterplatteninspektion, Sicherheits-Röntgen, Einzelhandel, Verkehr und Unterwasserszenen ab. Jedes Bild durchläuft die Produktiv-Pipeline für die Annotation, darunter einen SAM-3.1-Schritt, der die Boxen präzisiert. Die Werte der 36 Datensätze gehen gleichgewichtet in den Durchschnitt ein.

MiniMax-M3.1-Flash erreichte 0,317 mAP50 und liegt damit auf Rang fünf unter den acht kostenpflichtigen Modellen, die weniger als 5 US-Dollar pro 1.000 Bilder kosten. Besser schnitten Claude Haiku 5.5 (0,429), Gemini 3.5 Flash-Lite (0,380), GPT-6 Luna (0,370) und GLM-5.3-Flash (0,341) ab. Vor MiMo-V2.6-Flash (0,277), DeepSeek Flash (0,264) und MiMo-V2.6-Pro (0,239) landete es. Auch die gehosteten Modelle Qwen3.8 27B (0,351) und Gemma 4 26B (0,344), die auf Ultralytics' eigenen GPUs ohne Anbieter-Schlüssel laufen, erzielten höhere Werte.

Der Recall von 0,413 lag über der Precision von 0,379. Gegenüber Gemini 3.5 Flash-Lite, das etwa gleich viel kostet (1,77 US-Dollar pro 1.000 Bilder), lag es bei Luftbildern und Fernerkundung vorn (0,32 gegenüber 0,27), gleichauf bei medizinischen Bildern und in neun weiteren Bereichen hinten. Bei Sicherheits-Röntgenbildern erzielten beide null. Zu den besten Datensätzen zählten SSDD zur Schiffserkennung per Satellitenradar (0,86), EgoHands (0,90) und GRAZPEDWRI-DX mit Handgelenk-Röntgenbildern von Kindern (0,25).

Kosten, Tempo und Bedeutung für Nutzer

Der Großteil der 1,84 US-Dollar pro 1.000 Bilder entfällt auf die Reasoning-Ausgabe, denn der Token-Preis gehört zu den niedrigsten der Platform, das Modell denkt aber vor der Antwort nach. Ultralytics weist darauf hin, dass es nicht der günstigste Weg zu dieser Genauigkeit ist: Claude Haiku 5.5 erzielte rund 0,11 mAP50 mehr bei etwa 0,37 US-Dollar pro 1.000 Bilder, und auch GPT-6 Luna (etwa 0,77 US-Dollar) und GLM-5.3-Flash (etwa 0,99 US-Dollar) schnitten bei geringeren Kosten besser ab.

Zudem ist es langsamer, als sein Preis vermuten lässt. Eine Anfrage dauerte im Median etwa 16 Sekunden pro Bild, gegenüber 1,6 Sekunden bei Gemini 3.5 Flash-Lite und 2,7 Sekunden bei Claude Haiku 5.5. Rund 1,4 Prozent der Anfragen wurden nicht innerhalb des 115-Sekunden-Limits abgeschlossen. Ein solches Bild kommt ohne Boxen zurück und kann erneut vorhergesagt werden.

Für Nutzer bietet die Ergänzung eine weitere Option, insbesondere für Luftbild- und Fernerkundungsdaten. Ultralytics rät, die Boxen als ersten Entwurf für die menschliche Prüfung zu betrachten und vor der Annotation eines ganzen Datensatzes einige Vorhersagen an den eigenen Bildern zu kontrollieren.