MiniMax M3.1 Flash ist Space Bunny: Was sich gegenüber M2.7 und M3 geändert hat und was es kostet

Ende September stand ein Modell ohne Herstellernamen an der Spitze der Tagesrangliste von OpenRouter, vor DeepSeek V4.1 Flash, und blieb fünf Tage in Folge das meistgenutzte Modell bei OpenCode. Es wurde als Space Bunny Alpha gelistet und war kostenlos. Bei diesem Modell handelte es sich um MiniMax M3.1 Flash. Seit dem 19. Oktober 2026 kannst du es bei AIHubMix pro Token über minimax-m3.1-flash aufrufen – für 0,165 $ pro Million Input-Tokens und 0,66 $ pro Million Output-Tokens.

Die Kurzfassung:

• Es ersetzt M2.7. Ab dem 19. Oktober leitet MiniMax Anfragen mit M Plan und Token Plan für M2.5 und M2.7 an M3.1 Flash weiter. Beide älteren Modellfamilien werden am 18. November eingestellt.
• Pro Token kostet es bei AIHubMix etwa 43% weniger als M3. MiniMax hat noch keinen eigenen Tokenpreis veröffentlicht.
• Thinking ist immer aktiviert, und standardmäßig ist die höchste Stufe eingestellt. Bei einer kleinen Fehlerbehebung wurden mit der Standardeinstellung etwa 7× so viele Output-Tokens wie mit der Einstellung low verwendet, und die Bearbeitung dauerte etwa 6× so lange. Beide Einstellungen bestanden alle Tests.

Von Space Bunny zur Modell-ID

Die Daten und Ranglistenpositionen stammen aus CellCogs Space-Bunny-Zeitleiste, die Beiträge von OpenRouter und OpenCode zusammenstellt. Während der geheim gehaltenen Woche identifizierte die Community das Modell anhand seines Tokenizers, noch bevor MiniMax etwas dazu sagte. cheaty stellte in einem Tokenizer-Vergleich auf X fest, dass der Text-Tokenizer von Space Bunny „perfekt mit dem von MiniMax M3 übereinstimmt“. Andere Tester erhielten bei 36 von 36 und 50 von 50 Testzeichenfolgen Übereinstimmungen. Auch die veröffentlichten technischen Daten von Space Bunny entsprachen exakt den später von MiniMax dokumentierten Angaben: 1M Kontext, Text-, Bild- und Videoeingabe sowie Thinking, das sich nicht deaktivieren lässt. Ein früher Nutzer brachte es auf den Punkt: „unglaublich schnell, braucht aber klare und konkrete Anweisungen, sonst ist es zu faul“. Behalte das beim Schreiben deiner Prompts im Hinterkopf.

In den Dokumenten von MiniMax ist der Zusatz „Preview“ inzwischen entfallen. Die Modellliste bezeichnet es jetzt als MiniMax-M3.1-Flash, ein „führendes multimodales Coding-Modell mit einem Kontextfenster von 1M und einstellbarer Thinking-Tiefe“. Auch in jeder Antwort von AIHubMix wird der Upstream-Modellname angegeben.

Was sich gegenüber M2.7 geändert hat

Für alle mit einem MiniMax-Tarif ist M2.7 das Modell, das M3.1 Flash über Nacht ersetzt hat. Hier sind die Unterschiede, die in der Praxis wichtig sind:

Videoeingabe ist in den Dokumenten von MiniMax aufgeführt. AIHubMix nennt für dieses Modell derzeit Text- und Bildeingabe. Sowohl Bilder in Base64 als auch direkte Bild-URLs funktionierten in unseren Tests.

Einige Dinge sind gleich geblieben. Beide Modelle führen bei jeder Anfrage Thinking aus. Beide unterstützen die Anthropic-kompatiblen und OpenAI-kompatiblen APIs von MiniMax. Laut API-Referenz von MiniMax akzeptieren beide nur tool_choice: auto. Wenn dein M2.7-Code weder Thinking-Einstellungen noch Caching verwendet hat, läuft er auch mit M3.1 Flash. Allerdings verhält es sich anders, und die Thinking-Stufe erklärt den Großteil davon.

Die neue Stellschraube ist der Aufwand. MiniMax führt in seinem Leitfaden zur Textgenerierung die Stufen low, medium, high, xhigh und max auf und gibt an, dass das Modell max verwendet, wenn das Feld nicht gesetzt ist. Bei M2.7 gab es keine Einstellung dafür. Wenn deine Anfrage also keine Aufwandsstufe enthält, denkt M3.1 Flash so intensiv wie möglich nach.

Wie nahe es an M3 herankommt – und wo M3 weiterhin die Nase vorn hat

M3 ist die nächsthöhere Modellklasse: das Open-Weight-Flaggschiff von MiniMax, veröffentlicht am 1. Juni mit demselben Kontextfenster von 1M. Bei AIHubMix kostet die Ausgabe von M3 pro Token 1,75× so viel wie bei Flash (1,152 $ gegenüber 0,66 $). Das ist ein deutlicher Unterschied, aber kein Klassenunterschied.

Die ehrliche Antwort auf die Frage „Wie nahe kommt Flash an M3 heran?“ lautet: Bisher hat niemand Zahlen für Flash veröffentlicht. MiniMax hat für M3.1 Flash keine Benchmark-Tabelle veröffentlicht, und Artificial Analysis führt das Modell nicht. Für M3 gibt es beides. MiniMax meldete 59,0% bei SWE-Bench Pro (eigene Angaben), und Artificial Analysis bewertet M3 im Intelligence Index mit 29,2. Jede Benchmark-Tabelle zu M3.1 Flash, die du findest, bezieht sich entweder auf M3 oder ist nicht belegt.

In vier Punkten liegt M3 weiterhin klar vorn:

• Belege. Für M3 gibt es unabhängige Bewertungen; für Flash nur Erfahrungsberichte und unsere eigenen Tests.
• Offene Gewichte. Die Gewichte von M3 sind auf Hugging Face unter der MiniMax Community License verfügbar. Für Flash gibt es bisher keine; MiniMax hat eine Veröffentlichung angekündigt, aber keinen Termin genannt.
• Thinking deaktivieren. M3 kann Thinking vollständig überspringen. Bei Flash geht das nicht, wodurch sich latenzkritische Einzelaufrufe schwerer beschleunigen lassen.
• Prioritätsstufe. MiniMax bietet für M3 eine schnellere Prioritätsstufe zum 1,5-fachen Preis an. Flash weist das Feld service_tier zurück.

Flash punktet mit niedrigeren Kosten pro Token und dem einstellbaren Aufwand, sodass ein Modell sowohl für schnelle Korrekturen als auch für langwieriges Schlussfolgern geeignet ist.

Preis und tatsächliche Kosten

Preise pro Million Tokens, geprüft am 19. Oktober 2026. Die Angaben von MiniMax stammen von der Seite mit den nutzungsbasierten Preisen. Der offizielle Preis für M3 enthält einen von MiniMax als „dauerhaften 50%-Rabatt“ bezeichneten Nachlass.

Der offizielle Preis von M3 verdoppelt sich bei mehr als 512K Input-Tokens. Für M3.1 Flash nennt AIHubMix einen einheitlichen Preis.

Bei AIHubMix liegt der Preis von Flash pro Token etwa 44% unter dem von M2.7 (0,165 $ ÷ 0,2958 $ ≈ 0,56) und etwa 43% unter dem von M3 (0,165 $ ÷ 0,288 $ ≈ 0,57). Für Output-Tokens gilt dasselbe Verhältnis.

Der Preis pro Token ist allerdings nicht die ganze Rechnung. Da Thinking immer aktiviert ist, bestimmt die Aufwandsstufe, wie viele Tokens eine Aufgabe benötigt. Um das zu beziffern, führte AIHubMix am 19. Oktober eine realistische Aufgabe aus. Alle folgenden Werte wurden von AIHubMix gemessen; bisher hat sie niemand sonst reproduziert.

Die Aufgabe: Eine Abrechnungsfunktion mit zwei Fehlern korrigieren. Eine Pause, die über das Ende des Abrechnungszeitraums hinausläuft, zählt einen Tag doppelt, und sich überschneidende Pausen werden doppelt abgezogen. Das Modell gibt die korrigierte Funktion zurück, und ein lokaler Test-Harness führt 215 verborgene Testfälle aus. Jede Einstellung wurde dreimal über den Chat-Completions-Endpunkt von AIHubMix getestet.

Hier die Rechnung für die Standardzeile. Eine Anfrage verwendete 464 Prompt-Tokens, davon etwa 192 aus dem Cache, sowie 6.673 Output-Tokens. Das ergibt (272 × 0,165 $ + 192 × 0,0165 $ + 6.673 × 0,66 $) ÷ 1.000.000 ≈ 0,0045 $. Bei 1.000 ähnlichen Korrekturen wären das mit der Standardeinstellung etwa 4,45 $ und mit low 0,64 $ – bei denselben Testergebnissen.

Drei Durchläufe pro Einstellung sind eine kleine Stichprobe, und die Schwankungen zwischen den Durchläufen waren groß: Bei der Standardeinstellung reichte die Zahl der Output-Tokens von 4.589 bis 9.680. Die Tendenz ist trotzdem eindeutig. Wenn du von M2.7 migrierst, ohne eine Aufwandsstufe festzulegen, können Thinking-Tokens bei anspruchsvolleren Aufgaben den niedrigeren Preis pro Token wieder zunichtemachen. Der Beitrag zum Aufwand in dieser Reihe (am Ende verlinkt) enthält die vollständige Leiter mit fünf Stufen.

Wann es nicht die beste Wahl ist

• Interaktive Arbeit mit der Standardeinstellung. Eine kleine Korrektur an einer einzelnen Funktion dauerte mit der Standardstufe 39 bis 82 Sekunden. Wenn jemand auf das Ergebnis wartet, verwende low oder medium oder wähle ein schnelleres Modell. Claude Haiku 5.5 erledigte dieselbe Korrektur in unseren Tests in etwa 7 Sekunden.
• Alles, wofür ein veröffentlichter Bewertungswert benötigt wird. Wenn eine Beschaffungsprüfung oder ein SLA einen unabhängigen Benchmark voraussetzt, gibt es solche Werte für M3 oder DeepSeek V4.1 Flash, für Flash bislang nicht.
• Anfragen, die ohne Thinking ausgeführt werden müssen. Flash kann Thinking nicht überspringen. Bei kurzen Klassifizierungs-Prompts verbrauchte das adaptive Thinking fast nichts (0 bis 6 Tokens), aber null lässt sich nicht garantieren.
• Self-Hosting. Ohne veröffentlichte Gewichte gibt es nichts, was du bereitstellen könntest.

Wer sollte jetzt wechseln, wer warten und wer bleiben?

• Nutzer von M Plan und Token Plan mit M2.5 oder M2.7: Ihr seid bereits umgestellt, denn MiniMax leitet Anfragen für diese Modellnamen ab sofort um. Führt eure Evaluationen erneut aus und ergänzt eure Anfragen um eine Aufwandsstufe.
• Nutzer mit nutzungsbasierter Abrechnung für M2.5 oder M2.7: Ihr habt bis zum 18. November Zeit. Für den Wechsel zu M3.1 Flash bei AIHubMix müsst ihr die Modell-ID ändern und reasoning_effort hinzufügen. Der Migrationsbeitrag in dieser Reihe behandelt die Fehler, auf die ihr stoßen werdet.
• Teams, die bereits M3 für Coding-Agenten verwenden: Testet Flash mit low oder medium für einen Teil eures Traffics. Der Preis pro Token liegt 43% niedriger, und bei unserer Aufgabe bestand jede Einstellung alle Tests.
• Bleibt bei M3, wenn ihr offene Gewichte, deaktivierbares Thinking, unabhängige Benchmarks oder die Prioritätsstufe benötigt.

Am schnellsten prüfst du es, indem du deinen eigenen Prompt mit demselben Schlüssel an MiniMax M3.1 Flash bei AIHubMix und an M3 sendest. Die Vergleichsseite zeigt die Preiskarten beider Modelle. Die AIHubMix-Schnellstartanleitung erklärt API-Schlüssel und Basis-URLs:

import os
from openai import OpenAI

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

resp = client.chat.completions.create(
    model="minimax-m3.1-flash",
    reasoning_effort="low",  # omit it and the model runs at max
    messages=[{"role": "user", "content": "Find the bug: def avg(xs): return sum(xs) / len(xs) - 1"}],
)
print(resp.choices[0].message.content)
print(resp.usage)

FAQ

Ist MiniMax M3.1 Flash dasselbe Modell wie Space Bunny Alpha?
Ja. Space Bunny Alpha war vom 23. September 2026 an die anonyme Listung von M3.1 Flash auf OpenRouter und OpenCode. Community-Tests mit dem Tokenizer ordneten das Modell MiniMax zu, bevor MiniMax es am 27. September benannte.

Wie lautet die Modell-ID bei AIHubMix?
minimax-m3.1-flash. In den eigenen Dokumenten von MiniMax heißt es MiniMax-M3.1-Flash; frühere Materialien verwendeten MiniMax-M3.1-Flash-Preview.

Wie viel kostet MiniMax M3.1 Flash?
Bei AIHubMix kostet es 0,165 $ pro Million Input-Tokens, 0,66 $ pro Million Output-Tokens und 0,0165 $ pro Million gecachter Input-Tokens. Bis zum 19. Oktober 2026 hatte MiniMax keinen eigenen Preis pro Token veröffentlicht.

Kann ich Thinking deaktivieren?
Nein. Das Modell führt immer Thinking aus. Die niedrigste Stufe ist Aufwand low; bei kurzen Prompts werden damit oft nur sehr wenige Thinking-Tokens verwendet.

Was passiert mit meinen M2.7-Anfragen?
Im M Plan und Token Plan von MiniMax werden Anfragen, die M2.5 oder M2.7 angeben, ab dem 19. Oktober 2026 an M3.1 Flash weitergeleitet. Beim Pay-as-you-go-Angebot von MiniMax können bestehende Nutzer M2.5 und M2.7 bis zum 18. November 2026 aufrufen. Danach funktionieren diese Anfragen nicht mehr.

Ist M3.1 Flash besser als M3?
Es gibt keine veröffentlichten Benchmark-Ergebnisse, die das belegen. Flash ist pro Token günstiger und bietet Effort-Stufen. M3 verfügt über offene Gewichte, unabhängige Bewertungen und eine Priority-Stufe und kann ohne Thinking ausgeführt werden.

Unterstützt das Modell Bilder und Videos?
MiniMax dokumentiert die Eingabe von Text, Bildern und Videos. AIHubMix führt für dieses Modell derzeit die Eingabe von Text und Bildern auf. Sowohl Bilder im Base64-Format als auch Bild-URLs funktionierten in unseren Tests.

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

• Wenn du deinen Code vor der Abschaltung am 18. November von M2.5 oder M2.7 migrierst, listet dieser Beitrag alle Fehler und stillen Änderungen auf, auf die wir gestoßen sind: Von MiniMax M2.5/M2.7 migrieren, bevor sie am 18. November eingestellt werden: Den 400-Fehler „requires adaptive thinking“ von M3.1 Flash beheben
• Die standardmäßige Effort-Stufe verursachte den größten Teil der oben genannten Kosten. In diesem Beitrag werden alle fünf Stufen anhand derselben Fehlerbehebung verglichen: Effort-Stufen von MiniMax M3.1 Flash: Warum die Standardeinstellung bei derselben Fehlerbehebung 7× so günstig war
• Hier erfährst du, wie Flash bei derselben Aufgabe im Vergleich zu den beiden anderen günstigen Coding-Modellen abschneidet, die im selben Monat erschienen sind: MiniMax M3.1 Flash vs. DeepSeek V4.1 Flash vs. Claude Haiku 5.5: Eine Fehlerbehebung, drei Rechnungen

Quellen

• MiniMax: Modelle
• MiniMax: Modellaufruf (Anleitung zur Textgenerierung)
• AIHubMix: MiniMax M3.1 Flash
• CellCog: Space Bunny Alpha, das Stealth-Modell und die Hinweise auf MiniMax
• Developers Digest: Einstellung von MiniMax M2.5 und M2.7