Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
fragen-fundeohne Datum · Q004679

Hugging Face

huggingface.co · Originalbericht öffnen ↗

Zusammenfassung

Kurz

MiniMax-M3.1-Flash wird als multimodales Modell für Coding und agentische Aufgaben mit bis zu einer Million Tokens Kontext beschrieben; als Neuerungen nennt der Bericht Sparse Attention, quantisierungsbewusstes Training und DSpark-Decoding. Die Benchmark-Ergebnisse sind je nach Aufgabe unterschiedlich und wegen variierender Testkonfigurationen nur eingeschränkt direkt vergleichbar.

Mittel

Der Bericht beschreibt MiniMax-M3.1-Flash als multimodales Mixture-of-Experts-Modell für Coding, agentische Aufgaben, Computerbedienung und Cybersicherheit. Es verarbeitet Text, Bilder und Videos, erzeugt Text und unterstützt laut Anbieter ein Kontextfenster von bis zu einer Million Tokens. Gegenüber M3 nennt die Seite Sparse Attention im gesamten Modell, quantisierungsbewusstes Training und DSpark für speculative decoding als zentrale Änderungen. Die Nutzung des Kontextfensters und die Geschwindigkeit hängen von Hardware und Bereitstellung ab.

In den Benchmarks erreicht das Modell beispielsweise 62,8 bei Automation-Bench, 76,2 bei BankerToolBench, 73,7 Prozent bei DeepSWE v1.1 und 82,2 bei CyberGym. Die Rangfolge variiert je nach Aufgabe: Bei OSWorld und Terminal Bench liegen aufgeführte Konkurrenzmodelle höher, während M3.1-Flash bei anderen Tests zu den stärksten Tabellenwerten zählt. Leere Einträge stehen laut Bericht für fehlende offizielle Ergebnisse. Die Tests nutzten unterschiedliche Werkzeuge und Konfigurationen, weshalb die Ergebnisse nur eingeschränkt direkt vergleichbar sind. Angegeben sind offizielle Gewichte; Quantisierungen Dritter können abweichen. Für den Betrieb nennt die Seite MiniMax Code und API sowie lokale Frameworks wie SGLang, vLLM und TokenSpeed.

Ausführlich lesen

Der Bericht stellt MiniMax-M3.1-Flash als multimodales Mixture-of-Experts-Modell für Programmierung, agentische Arbeitsabläufe, Computerbedienung und Cybersicherheit vor. Es verarbeitet Text-, Bild- und Videoeingaben und gibt Text aus. Das Kontextfenster reicht laut Anbieter bis zu einer Million Tokens; praktisch nutzbare Länge und Durchsatz hängen jedoch von GPU-Speicher und Bereitstellungskonfiguration ab.

Das Modell umfasst laut Seite rund 428 Milliarden Parameter, von denen pro Token 23 Milliarden aktiviert werden. Gegenüber M3 nennt der Bericht drei Änderungen: Sparse Attention wird im gesamten Modell eingesetzt, quantisierungsbewusstes Training soll Speicherbedarf und Aufwand beim Betrieb verringern, und DSpark ersetzt einen früheren EAGLE-ähnlichen Ansatz für speculative decoding. Ein passender Entwurfskopf für DSpark ist enthalten. Als empfohlene Einstellungen werden Temperatur 1,0 und top_p 0,95 genannt; der Denkaufwand lasse sich über die Stufen low bis max festlegen.

Die aufgeführten Benchmarks zeichnen ein gemischtes Vergleichsbild. M3.1-Flash erzielt in der Tabelle unter anderem 62,8 bei Automation-Bench, 76,2 bei BankerToolBench, 60,3 bei LOCA-Bench 256K, 73,7 Prozent bei DeepSWE v1.1 und 82,2 bei CyberGym. Das Modell liegt damit in einzelnen Vergleichen vorn oder nahe an den dort aufgeführten Konkurrenzwerten, etwa bei Automation-Bench und LOCA-Bench. In anderen Aufgaben fallen die angegebenen Ergebnisse niedriger aus: Bei OSWorld 2.0 stehen 61,7 den 65,7 für GPT-5.6 Sol und 70,6 für Opus 5 gegenüber; bei Terminal Bench 4.0 erreicht das Modell 38,1, während Opus 5 mit 51,8 gelistet ist. Bei DeepSWE v1.1 liegt der höchste Tabellenwert bei DeepSeek V4.1 Flash-1017 mit 77,0. Fehlende Tabellenwerte bedeuten laut Bericht, dass kein offizielles Ergebnis vorlag, nicht einen Wert von null.

Die Ergebnisse stammen laut Seite von den offiziellen Gewichten; Quantisierungen Dritter können abweichen. Die Evaluationen verwendeten je nach Benchmark verschiedene Werkzeuge, Kontextlängen, Ausführungsvarianten und teils externe oder modellspezifische Auswertungen. Für NL2Repo-Bench wurden zwei widersprüchliche Aufgaben korrigiert; die Scores beruhen auf dem korrigierten Satz. HLE umfasst nur eine textbasierte Teilmenge mit 2.158 Fragen. Diese Unterschiede schränken die direkte Vergleichbarkeit der Resultate ein.

Zum Einsatz verweist der Bericht auf MiniMax Code und die MiniMax-API sowie lokale Bereitstellung mit SGLang, vLLM oder TokenSpeed. Für den Mehrchipbetrieb wird FlagOS genannt. Integrationen mit Transformers, KTransformers, unsloth und ATOM seien noch in Arbeit. Die Seite nennt außerdem 62.973 Downloads im letzten Monat und führt Modellgröße und Dateiformate auf; an anderer Stelle nennt sie eine Parameterzahl von rund 428 Milliarden. Diese Angaben werden im Bericht nebeneinander dargestellt, ohne die Abweichung zwischen der Parameterangabe und der ausgewiesenen Modellgröße zu erläutern.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Die Bewertung bezieht sich auf beide Zusammenfassungen (kurz und mittel). Die kurze ist treu, die mittlere hat einen Mangel: Sie verallgemeinert, dass leere Tabelleneinträge fehlende offizielle Ergebnisse bedeuten, der Bericht sagt das nur für Agents' Last Exam. Außerdem fehlt der Parameter-Widerspruch. Bei den Einordnungen weicht Luna bei SF-F1-T02 und SF-F1-T05 deutlich nach oben ab, weil der Bericht dazu praktisch nichts enthält.

Im Bericht, aber nicht in der Zusammenfassung

  • Der Bericht nennt 428B Parameter gesamt (23B aktiv), die Metadaten 220B Modellgröße. Der Widerspruch wird in keiner der beiden Zusammenfassungen erwähnt.

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Vorfälle melden
Fähigkeiten messen
  1. SF-F1 Wie misst man gefährliche Fähigkeiten eines Modells, vor allem im Cyberbereich, mit gemeinsam anerkannten, wiederholbaren Tests, die keine Sprache, Kultur oder Seite bevorzugen?
    • clef 18 %Hintergrund, keine Belege
    • Luna 42 %einzelne zitierbare Belege
    • JEV offen
    • amos 45 %gleiches Oberthema, hilft nicht
    • SubQ 31 %gleiches Oberthema, hilft nicht
    • drex 22 %Hintergrund, keine Belege
    • d3-ultra 30 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung einzelne zitierbare Belege

    • SF-F1-T01 Welche Belege zu Cyberfähigkeiten soll ein Labor vor der Freigabe eines Modells veröffentlichen (Methoden, Aufgabenfamilien, Fehlerraten, getestete Version, reproduzierbare Cyber-Tests in abgeschirmter Umgebung für unabhängige Prüfer), damit jedes Ministerium sie nachstellen kann, statt ihnen vertrauen zu müssen? Und führt es für dieselbe Modellversion abgestimmte Cyber-Tests durch, die sowohl den durch Schutzmaßnahmen verhinderten Missbrauch als auch die legitimen Abwehraufgaben messen, die dieselben Schutzmaßnahmen blockieren, und weist es beide Ergebnisse aus? Luna: Stufe 4 · 32 % · einzelne zitierbare Belege · Haiku-Prüfung: Stufe 4 · einzelne zitierbare Belege
    • SF-F1-T02 Veröffentlichen Labore abgestimmte Cyber-Tests, die zeigen, was jedes Modell mehr leistet als ein Mensch ohne KI-Hilfe? Luna: Stufe 4 · 29 % · einzelne zitierbare Belege · Haiku-Prüfung: Stufe 1 · gleiches Oberthema, hilft nicht
    • SF-F1-T05 Welche Cyber-Prüfungen und welche Testbausteine (Testfälle, Bewertungswerkzeuge, Datensätze) würden jedes Labor und jedes Ministerium anstelle einer bloßen Behauptung als gültig anerkennen, wenn andere sie an ihrem Modell durchführen? Und welche genormte Testsammlung würden Labore verschiedener Staaten gemeinsam an eingefrorenen Modellversionen laufen lassen, verwaltet von einer dritten Stelle, der alle trauen? Luna: Stufe 3 · 21 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 2 · nur am Rande erwähnt
  2. SF-F2 Wenn ein Staat ein Modell als Beleg für eine überschrittene Schwelle nennt oder ein Risiko an der Herkunft eines Modells festmacht: Wie wird das überprüfbar?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV offen
    • amos 26 %Hintergrund, keine Belege
    • SubQ 45 %gleiches Oberthema, hilft nicht
    • drex 41 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Unabhängig prüfen
  1. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 100 %kein Bezug
    • Luna 44 %einzelne zitierbare Belege
    • JEV offen
    • amos 29 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 27 %gleiches Oberthema, hilft nicht
    • d3-ultra 50 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung einzelne zitierbare Belege

Tempo und Grenzen
  1. SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV offen
    • amos 27 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 42 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Vertrauen in Modelle
  1. SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
    • clef 100 %kein Bezug
    • Luna 25 %Hintergrund, keine Belege
    • JEV offen
    • amos 44 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
  2. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 38 %einzelne zitierbare Belege
    • JEV offen
    • amos 25 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 48 %gleiches Oberthema, hilft nicht
    • d3-ultra 50 %gleiches Oberthema, hilft nicht

Agenten und vernetzte Systeme
Modelle teilen und schützen
  1. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 58 %umfangreiche Belege
    • JEV offen
    • amos 31 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 54 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung beantwortet teilweise oder widerspricht

Frieden und Sicherheit
Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl
Wirtschaft und Haftung

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →