MiniMax M3.1 Flash: Aufwandsstufen – warum der Standardwert bei derselben Fehlerbehebung 7× so viel kostet

MiniMax M3.1 Flash bietet fünf Denkstufen und lässt sich nicht ausschalten. Wenn Sie keine Stufe auswählen, wählt das Modell die tiefste für Sie. Laut MiniMax-Leitfaden zur Textgenerierung gilt: Der Aufwand „ist standardmäßig max, wenn kein Wert angegeben wird“.

Dieser Standardwert ist auf eine Weise teuer, die leicht zu übersehen ist. AIHubMix hat dieselbe Behebung von zwei Fehlern mit jeder Stufe durchgeführt. Beim Standardwert wurden etwa 10× so viele Denktokens wie bei low verwendet, und der Vorgang dauerte etwa 6× so lange. Außerdem bestanden alle Durchläufe auf allen Stufen sämtliche 215 Tests. Die Kosten für das Denken des Modells stiegen mit der Aufwandsstufe, während der Schwierigkeitsgrad der Aufgabe gleich blieb.

Die kurze Antwort: Beginnen Sie mit low, schalten Sie nur dann eine Stufe höher, wenn eine Aufgabe fehlschlägt oder Wiederholungen erfordert, und lassen Sie das Feld niemals leer.

Fünf Stufen, kein Ausschalter

Das Denken lässt sich nicht deaktivieren. Laut MiniMax-Referenz zur Messages-API gibt die API für thinking: {"type": "disabled"} und für den Aufwand none den HTTP-Statuscode 400 zurück, zusammen mit der Meldung model "MiniMax-M3.1-Flash" requires adaptive thinking. Ältere MiniMax-Modelle ignorieren das Aufwandsfeld vollständig. Bisher ist M3.1 Flash das einzige MiniMax-Modell, bei dem es eine Wirkung hat.

Alle drei Protokolle sind für minimax-m3.1-flash auf AIHubMix verfügbar. Ein Unterschied zur API von MiniMax selbst: AIHubMix akzeptierte reasoning_effort: "none" und "minimal" mit HTTP 200, und das Modell dachte trotzdem nach. Betrachten Sie diese Werte als wirkungslos, nicht als Möglichkeit, das Denken auszuschalten.

Was die einzelnen Stufen bei einer Aufgabe kosteten

Der Test: eine Abrechnungsfunktion mit zwei Fehlern. Bei einer Pause, die über das Ende des Abrechnungszeitraums hinausgeht, wird ein Tag doppelt gezählt, und sich überschneidende Pausen werden doppelt abgezogen. Das Modell gibt die korrigierte Funktion zurück, und ein lokaler Test-Harness prüft sie anhand von 215 verborgenen Testfällen. Jede Stufe wurde am 19. Oktober 2026 dreimal über den Chat-Completions-Endpunkt von AIHubMix ausgeführt, mit max_tokens auf 32,768 gesetzt. Alle Werte wurden von AIHubMix gemessen; niemand sonst hat sie reproduziert.

Für die Kosten wurden die Preise von AIHubMix für minimax-m3.1-flash zugrunde gelegt: $0.165 pro Million Eingabetokens, $0.66 pro Million Ausgabetokens und $0.0165 pro Million zwischengespeicherter Eingabetokens. Denktokens werden als Ausgabetokens abgerechnet. In der Zeile „nicht angegeben“ wurden beispielsweise durchschnittlich 464 Prompt-Tokens (davon etwa 192 aus dem Cache) und 6,673 Ausgabetokens erfasst. Das entspricht ungefähr $0.0045 pro Fehlerbehebung.

Was die Zahlen aussagen

Für diese Aufgabe reichte low aus. Jede Stufe lieferte jedes Mal eine korrekte Fehlerbehebung. Bei einem klar abgegrenzten Fehler in einer einzelnen Funktion brachte das zusätzliche Denken mit höheren Stufen keinen messbaren Nutzen.

Von low zu medium gibt es einen deutlichen Sprung. Bei medium wurden durchschnittlich etwa 2.6× so viele Denktokens wie bei low verbraucht und die Dauer war mehr als doppelt so lang.

Ab medium verschwimmen die Unterschiede zwischen den Stufen. Unsere xhigh-Durchläufe verbrauchten im Durchschnitt weniger Tokens als high, und max überschnitt sich mit beiden. Drei Durchläufe pro Stufe reichen nicht aus, um sie voneinander abzugrenzen. Bei dieser Aufgabe bedeuteten „high“, „xhigh“ und „max“ alle: „mehr Denken, manchmal deutlich mehr“.

Ohne Angabe verhält sich die Einstellung wie max. Das entspricht der Dokumentation von MiniMax. Unser Durchschnitt für „nicht angegeben“ lag über dem für „max“, aber die Wertebereiche überschneiden sich, und der Unterschied liegt innerhalb der Schwankungen zwischen den Durchläufen.

Die Schwankungen sind auf jeder Stufe groß. Beim Standardwert dauerte derselbe Prompt zwischen 39 und 82 Sekunden. Beim Anthropic-Messages-Endpunkt verbrauchten drei low-Durchläufe 511, 1,861 und 6,060 Denktokens. Der letzte dauerte 56 Sekunden – so lange wie ein typischer max-Durchlauf. Die Aufwandsstufe bestimmt die durchschnittliche Denktiefe, setzt ihr aber keine feste Obergrenze.

Der Durchsatz blieb bei allen 24 Flash-Durchläufen mit etwa 112 Ausgabetokens pro Sekunde konstant. Die Dauer steigt also nahezu linear mit der Anzahl der Denktokens. Bei diesem Tempo bedeutet ein Denkprozess mit 6,000 Tokens eine Wartezeit von fast einer Minute.

MiniMax hat keine eigenen Daten zu Tokenverbrauch oder Latenz pro Stufe veröffentlicht. Wenn eine schwierigere Aufgabe höhere Stufen erfordert, können wir anhand dieses einzelnen Tests keine Aussage treffen. Die Zahlen oben zeigen nur, was die einzelnen Stufen kosten, wenn die Aufgabe sie nicht benötigt.

Bei kurzen Prompts wird kaum nachgedacht

„Denkt immer“ bedeutet nicht „denkt immer viel“. Das Denken ist adaptiv, seine Tiefe richtet sich also danach, wie schwierig der Prompt erscheint:

• Fünf Support-Tickets einer von vier Kategorien zuordnen: bei low 0 Denktokens und beim Standardwert durchschnittlich 6. Alle Kategorien waren korrekt.
• „Was ist 17 × 23?“ mit low: überhaupt kein Denken, 2 Ausgabetokens.

Der fehlende Ausschalter kostet bei kurzen Klassifizierungs-, Extraktions- und Routing-Aufrufen also fast nichts. Die Kosten fallen bei offenen Aufgaben wie Programmierung an, bei denen das Modell mehr Ansatzpunkte zum Nachdenken findet, je tiefer man es denken lässt.

Wo Sie anfangen sollten

Dies sind Ausgangspunkte. Nur die ersten beiden Zeilen wurden direkt gemessen; der Rest sind unsere Empfehlungen, die Sie anhand Ihrer eigenen Wiederholungsversuche überprüfen sollten:

Verwenden Sie max nur, wenn Sie beobachtet haben, dass high bei dieser Art von Aufgabe scheitert.

Was sich ändert oder teurer wird, wenn Sie den Aufwand anpassen

• Abgeschnittene Antworten. Denktokens zählen zu max_tokens. In einem Standard-Durchlauf wurden 9,376 Denktokens für eine einzelne Funktion verbraucht. Ein für Antworten von M2.x festgelegtes Limit von 4K oder 8K kann daher die Antwort mit finish_reason: "length" abschneiden. MiniMax empfiehlt 131,072 und erlaubt 524,288.
• Zeitüberschreitungen. Bei high und höheren Stufen kann ein einzelner Aufruf eine Minute dauern. Client- und Proxy-Timeouts, die auf ein schnelles Modell ausgelegt sind, müssen auf mindestens 120 Sekunden erhöht werden.
• Werte, die stillschweigend wirkungslos bleiben. Über AIHubMix wurden none, minimal und ein unbekannter Wert wie auto alle akzeptiert, und das Modell dachte trotzdem nach. Laut den Tests eines Gateway-Projekts lehnen die eigenen Endpunkte von MiniMax unbekannte Werte ab (sub2api-Problem #8025). Verwenden Sie einen der fünf dokumentierten Werte.
• Tools, die die Stufen nicht verfügbar machen. OpenCode löst derzeit für dieses Modell keine Varianten mit Aufwandsstufe auf, und einige Frameworks senden „thinking disabled“, was den Fehler 400 auslöst. Prüfen Sie, was Ihr Tool tatsächlich sendet.
• Verschiedene Modelle in derselben Pipeline. M3 und M2.x ignorieren das Aufwandsfeld. Wenn Sie zwischen Modellen weiterleiten, spart eine Aufwandsstufe, die bei Flash Kosten senkt, bei den anderen nichts.

Einstellung für die einzelnen Protokolle

Alle drei Protokolle über AIHubMix mit einem einzigen Schlüssel. Der Schnellstart erklärt die Schlüssel, und die Seite zu einheitlichen Reasoning-Parametern beschreibt, wie AIHubMix Reasoning-Felder verschiedener Anbieter verarbeitet.

Chat Completions:

curl https://aihubmix.com/v1/chat/completions \
  -H "Authorization: Bearer $AIHUBMIX_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"model": "minimax-m3.1-flash",
       "reasoning_effort": "low",
       "max_tokens": 32768,
       "messages": [{"role": "user", "content": "Write a function that merges overlapping date ranges."}]}'

Anthropic Messages (Python-SDK; wenn Ihre SDK-Version das Feld nicht kennt, gehört output_config in extra_body):

import os
import anthropic

client = anthropic.Anthropic(base_url="https://aihubmix.com", api_key=os.environ["AIHUBMIX_API_KEY"])

msg = client.messages.create(
    model="minimax-m3.1-flash",
    max_tokens=32768,
    messages=[{"role": "user", "content": "Write a function that merges overlapping date ranges."}],
    extra_body={"output_config": {"effort": "medium"}},
)
print(msg.usage)

Responses:

import os
from openai import OpenAI

client = OpenAI(base_url="https://aihubmix.com/v1", api_key=os.environ["AIHUBMIX_API_KEY"])

resp = client.responses.create(
    model="minimax-m3.1-flash",
    reasoning={"effort": "low"},
    max_output_tokens=32768,
    input="Write a function that merges overlapping date ranges.",
)
print(resp.usage)

Prüfen Sie bei den ersten Aufrufen usage. Chat Completions meldet den Denkaufwand als completion_tokens_details.reasoning_tokens, Messages als output_tokens_details.thinking_tokens und Responses als output_tokens_details.reasoning_tokens. Wenn sich diese Zahlen beim Ändern der Stufe nicht verändern, wird die Einstellung nicht an das Modell weitergegeben.

FAQ

Was ist die standardmäßige Aufwandsstufe für MiniMax M3.1 Flash?
Max. Wenn die Anfrage kein Aufwandsfeld enthält, denkt das Modell auf der tiefsten Stufe.

Kann ich das Denken vollständig ausschalten?
Nein. Wenn das Denken deaktiviert wird, gibt die API von MiniMax den HTTP-Statuscode 400 zurück. Die niedrigste Stufe ist low, und bei kurzen Prompts werden mit low oft gar keine Denktokens verwendet.

Welche Aufwandsstufe sollte ich fürs Programmieren verwenden?
Beginnen Sie bei Fehlerbehebungen in einzelnen Funktionen und kleineren Reviews mit low, bei Änderungen über mehrere Dateien hinweg mit medium, und schalten Sie nur dann eine Stufe höher, wenn eine Aufgabe fehlschlägt. In unserem Test korrigierte low eine Funktion mit zwei Fehlern jedes Mal korrekt.

Ist max genauer?
Nicht bei unserer Testaufgabe: Alle Stufen bestanden sämtliche 215 Tests. Max verbrauchte deutlich mehr Tokens und Zeit. Höhere Stufen können bei schwierigeren Aufgaben helfen, aber niemand hat Daten dazu veröffentlicht, wann genau.

Warum dauerte dieselbe Anfrage einmal 10 Sekunden und beim nächsten Mal 56 Sekunden?
Die Denktiefe schwankt selbst bei einer festgelegten Stufe von Durchlauf zu Durchlauf. Ein Durchlauf mit geringem Aufwand über den Messages-Endpunkt verbrauchte etwa zehnmal so viele Denktokens wie ein anderer.

Funktioniert reasoning_effort none über AIHubMix?
Der Wert wird ohne Fehler akzeptiert, aber das Modell denkt trotzdem nach. Verwenden Sie stattdessen low.

Wie sehe ich, wie viele Denktokens ein Aufruf verbraucht hat?
Sehen Sie sich das usage-Objekt an: reasoning_tokens bei Chat Completions und Responses, thinking_tokens bei der Messages-API.

Weiterlesen: die MiniMax-M3.1-Flash-Reihe

• Zum größeren Zusammenhang dieser Einstellung – vom Start von Space Bunny bis zum Preis im Vergleich zu M2.7 und M3: MiniMax M3.1 Flash ist Space Bunny: Was sich gegenüber M2.7 und M3 geändert hat und was es kostet
• Der Aufwand ist eine von mehreren Änderungen beim Umstieg von M2.5/M2.7 für Programmieraufgaben. In diesem Beitrag geht es um die 400-Fehler und alles Weitere: Vor dem 18. Nov von MiniMax M2.5/M2.7 umsteigen: Den Fehler 400 „requires adaptive thinking“ von M3.1 Flash beheben
• Bei geringem Aufwand war Flash von drei Modellen das günstigste für dieselbe Fehlerbehebung. Hier erfahren Sie, wie sein Standardwert im Vergleich zu DeepSeek und Haiku abschneidet: MiniMax M3.1 Flash vs. DeepSeek V4.1 Flash vs. Claude Haiku 5.5: Eine Fehlerbehebung, drei Rechnungen

Quellen

• MiniMax: Modellaufruf (Leitfaden zur Textgenerierung)
• MiniMax: Referenz zur Messages-API
• AIHubMix: MiniMax M3.1 Flash
• AIHubMix: Einheitliche Reasoning-Parameter
• sub2api-Problem #8025: Unterstützung von Aufwandsstufen für MiniMax M3 / M3.1 Flash