MiniMax M3.1 Flash 必要スペック早見表

MiniMax M3.1 Flash は、MiniMax が公開した総428B・活性約23BのマルチモーダルMoEモデルで、4bit（NVFP4）の重みは約250GB、動かすのに必要なメモリは KVキャッシュ込みで約260〜300GBが目安。 24GBや32GBのGPU1枚、64GBのMacでは動かせず、メモリ512GBのMac Studio（M3 Ultra）か、96GB級GPUを4枚そろえたサーバーが現実的なラインになる。ローカルにこだわらないなら、公式APIは入力100万トークンあたり$0.15、出力$0.60と安く、個人の試用はAPIで足りる。

MiniMax M3.1 Flash は2026年10月19日にサービスとして先行提供され、10月23日にHugging Face（MiniMaxAI/MiniMax-M3.1-Flash）とModelScopeで重みが公開された。公開当日からvLLMが対応している。開発中は「Space Bunny」というコードネームで予告されていた。本記事では、公開されたファイルサイズと公式の数値から必要スペックを整理し、公式が示していない部分は当サイトの推定として明記する。ベンチマークの多くは開発元の公表値である点にも注意してほしい（2026年10月24日時点）。

手元のGPU・Macで動くかをすぐ確かめたい場合は、モデル・量子化・コンテキスト長を選ぶだけで必要VRAMを試算できるVRAM計算ツール（無料・登録不要）も用意している。MiniMax M3.1 Flashもモデル一覧から選択できる。

表のうち、252.4GB（リポジトリ）と250.1GB（vLLM向けNVFP4チェックポイント）は公式の値で、BF16・FP8・3bit・2bitは総パラメータ428Bから当サイトが算出した推定値である（BF16=2バイト、FP8=1バイト、3bit級≒3.5bit、2bit級≒2.7bit換算）。「必要メモリの目安」はこれにKVキャッシュと実行時バッファの余裕を足したもので、公式が示した数字ではない。公式は個人向けGPUの必要スペックを公表していない。

活性が約23Bなので、1トークンあたりの計算量は20B級のモデルに近い。ただし、どのエキスパートが選ばれるかはトークンごとに変わるため、428B分の重みはすべてメモリ上に置く必要がある。「活性23Bだから軽い」のは生成速度の話で、必要メモリは428B級のままだ。

Hugging Faceのsafetensorsメタデータでは、パラメータ数が約220Bと表示される。公式の数値は428Bで、約2倍の差がある。これは、4bit（NVFP4）の重みが8bit整数（U8）に2要素ずつ詰め込まれて保存されており、ビューアがその詰め込み後の要素数をそのまま数えているためとみられる。実際、重みのファイルサイズ（約252GB）は、428Bを4bit前後で持った場合の計算（約214GB＋スケール値や高精度で残した層）と矛盾しない。メモリ見積もりでは、表示の220Bではなく公式の428Bを基準にすること。

同じ現象は他のモデルでもよく見られる。たとえばDeepSeek V4.1 Flash の必要スペック記事でも、資料によって総パラメータ数が食い違う話を扱っている。モデルページの数字だけで判断せず、リポジトリの実ファイルサイズを必ず確認する習慣をつけたい。

M3.1 Flashは、完成したモデルを後から4bitに削るのではなく、学習の段階から低精度で動くことを前提に鍛える量子化認識学習（QAT）で作られている。公開情報によると、ルーティング対象のエキスパートとスパース注意のKV経路はNVFP4、共有エキスパートはMXFP8、クエリ経路はFP8で学習された。精度を落としても性能が崩れにくい部分だけを4bitにし、重要な部分は8bitに残す混在構成である。

結果として、前世代のMiniMax M3（MXFP8）が451.5GBだったのに対し、vLLM向けNVFP4チェックポイントは250.1GBと44.6%小さい。公式配布の形がすでに4bitなので、「さらに小さい量子化に落とす」場合は、コミュニティ製のGGUFなどに頼ることになる。HF上には約25種のコミュニティ量子化版が並んでいるが、品質の検証はまだ十分とはいえない。

長いコンテキストを使うときに効いてくるのがKVキャッシュだ。公式の数値では、M3.1 Flashは1トークンあたり34,560バイトで、M3の61,440バイトより43.75%小さい。ここから当サイトで計算すると、次のようになる。

この表は1リクエスト分の値で、同時リクエストが増えれば比例して増える。4×B300（公式の報告）で256Kトークンの系列を76本同時に処理できたとされているのは、重みを4bitに圧縮したうえで、KVキャッシュも小さくなったためだ（M3では28本）。個人利用で1本だけ処理するなら、256Kまでは重みの250GBに対して9GB前後の上乗せで済み、1Mでも約35GBである。ただし、画像や動画を入れると入力トークンが急に増える点には注意が必要だ。

ユニファイドメモリのMacは、GPUメモリの壁を気にせず巨大なMoEを載せられる点が強い。M3.1 Flashの4bitは約250GBなので、メモリ512GBのMac Studio（M3 Ultra）なら、重みとKVキャッシュ、OSの分を含めても余裕をもって載る。256GBのMacは、4bitの重みだけでほぼ上限になり、macOSとKVキャッシュの余裕が残らないため、3bit級（約170〜190GB）に下げて、コンテキストも短くするのが現実的だ。128GB以下のMacは、2bit級でも厳しい。

なお、Mac向けの実行環境は、公開直後の時点では整っていない。公式が推奨する推論エンジンはSGLang、vLLM、TokenSpeedで、いずれもNVIDIA・AMDのサーバー向けが中心だ。TransformersやKTransformers、unslothへの対応は「進行中」とされ、llama.cppも公式の推奨には入っていない。MLX形式やGGUFでの動作は、コミュニティ製の量子化版を自分で検証する前提になる。

- B300×4（公式の報告構成）: 256K系列を76本同時処理。サーバー向けで、個人調達の対象外
- RTX PRO 6000（96GB）×4＝384GB: 4bit（約250GB）を載せたうえで、KVキャッシュに約130GBの余裕。ワークステーション級で、この記事の中では個人・小規模チームが手を出せる数少ないNVIDIA構成
- H100 80GB×8＝640GB: FP8（約430GB超）も載せられる、昔ながらのサーバー構成
- H200×8＝1,128GB: BF16（約856GB）まで載せたい場合の構成
- RTX 5090（32GB）や4090（24GB）の単枚: 重みが桁違いに大きく、載らない。複数枚を束ねても、24GB×8＝192GBでは4bitが入らない

GPUを複数枚束ねる場合は、PCIe接続だとGPU間の通信が遅くなり、MoEのエキスパートを複数GPUに分散するときに速度が落ちやすい。NVLink付きのサーバー向けGPUのほうが、同じメモリ容量でも速度の面で有利だ。公式がGB300、Rubin、AMD MI355Xでも動作を確認しているのは、こうしたデータセンター向けの構成が主な想定だからだ。

GPUのメモリが足りない場合は、エキスパートの重みをCPU側のRAMに置き、アクティブなものだけをGPUで処理する方法がある。KTransformersなどが得意とする方式で、メモリ256〜512GBのDDR5を積んだワークステーションに、24〜48GBのGPUを1枚組み合わせる構成が想定される。ただし、M3.1 FlashへのKTransformersの対応は公開時点では「進行中」で、まだ使えるとはいえない。対応が整った後も、速度はRAMの帯域に縛られ、サーバーのGPUで動かした場合よりずっと遅くなる点は覚悟しておきたい。

公式APIの料金は、入力100万トークンあたり$0.15、出力$0.60、キャッシュ入力$0.015で、長いコンテキストの追加料金はない。OpenRouterでは入力$0.10、出力$0.50と報じられているなど、提供元によって価格は異なる。Together AIもサーバーレスのエンドポイントを用意している。たとえば、月に入力1億トークン、出力2,000万トークンを使った場合の目安は、$0.15×100＋$0.60×20＝$27（約4千円前後）だ。

注意点は、M3.1 Flashが推論（reasoning）を切れないモデルだという点だ。チャットテンプレートでは推論の強さを low／medium／high／xhigh／max から選べるが、オフにはできず、未指定ならmaxになる。推論トークンは出力として課金されるため、短い質問でも出力が想定より膨らむことがある。まずは low で試して、コストを確認するとよい。

セルフホストは、機材の購入費や電気代、運用の手間を考えると、月$27のようなAPI利用量に見合う損益分岐点は現実的には来ない。ローカルで動かす意味があるのは、機密性の高いデータを外に出せない場合、大量のトークンを常時処理する場合、あるいはモデルを検証・改造したい場合に限られる。

M3.1 FlashはMiniMax Community Licenseで公開されている。商用利用は認められるが、「Built with MiniMax M3」という表記が求められる。年間売上が2,000万米ドル以下の場合は、1回限りのメールでの通知が必要で、2,000万米ドルを超える場合は事前の書面による許可が必要になる。OSI基準のオープンソースではなく、同じ時期に出たDeepSeek V4.1 Flash（MITライセンス）とは条件が大きく異なる。商用で組み込む場合は、配布ページのLICENSE全文を必ず確認してほしい。

- vLLM: vllm serve MiniMaxAI/MiniMax-M3.1-Flash でOpenAI互換のサーバーが立ち上がる。公開当日から対応
- SGLang: Dockerイメージ lmsysorg/sglang:latest を使い、--shm-size 32g を付けて起動する
- TokenSpeed: 公式が推奨する推論エンジンの一つ
- Docker Model Runner: docker model run hf.co/MiniMaxAI/MiniMax-M3.1-Flash
- Transformers・KTransformers・unsloth: 対応は進行中
- llama.cpp: 公式推奨には入っていない。コミュニティ製GGUFを使う場合は自己責任

推奨のサンプリング設定は temperature 1.0、top_p 0.95。推論の強さはチャットテンプレートで指定する。DSpark投機的デコードのドラフトヘッド（2.3GB）はリポジトリに同梱されているので、対応するエンジンでは速度向上に使える。複数GPUで動かす場合は、エンジン側のテンソル並列の設定をGPU枚数に合わせること。

上の表のうち、開発元公表値は自己申告で、独立した再現は少ない。第三者のArtificial AnalysisによるAA-Omniscienceでは、ハルシネーション率が93%と報告されている。これは「知らない質問に誤って答えてしまう割合」を測る指標で、高い数字は、わからないときにわからないと答えにくい傾向を示す。事実確認が重要な用途では、検索や社内文書を併用し、出力を検証する前提で使いたい。

同じ「オープンウェイトの大型MoE」でも、M3.1 Flashは重みがDeepSeek V4.1 Flashの約半分で、Kimi K3の数分の一に収まる。個人が手を出せるぎりぎりの上限に近い。関連する記事は、DeepSeek V4.1 Flash の必要スペック、Kimi K3 オープンウェイトのセルフホスト、前々世代にあたるMiniMax M2.5にまとめている。手元の1枚のGPUで動かしたいなら、Recursive Flint の必要スペックのような小型モデルが現実的な代替になる。

- メモリ不足（OOM）: コンテキスト長と同時リクエスト数を下げる、--max-model-len を小さくする、GPU枚数を増やす、の順で試す。KVキャッシュは1Mトークンで約35GBに達する
- モデルが読み込めない: vLLMやSGLangのバージョンが古い可能性がある。公開当日から対応したのは最新版なので、まず更新する
- Dockerで共有メモリ不足: SGLangでは --shm-size 32g が必要
- 出力が遅い・トークンが多い: 推論の強さが未指定でmaxになっている。low／mediumに下げる
- 品質が落ちた: コミュニティ製の2〜3bit量子化は、検証が不十分。公式のNVFP4と比べて確認する
- 画像・動画を入れたらメモリが急増: 入力トークンが増えるぶんKVキャッシュも増える。解像度やフレーム数を減らす