MiniMax M3.1 Flash: Model Murah yang Kalahkan Frontier di Benchmark, Tapi Hallucinate 93%

MiniMax rilis M3.1 Flash dengan harga 0.15 dolar per juta token dan skor benchmark yang menyamai DeepSeek. Tapi hallucination rate 93 persen bikin enterprise ragu. Murah bukan berarti aman.

MiniMax rilis Space Bunny yang ternyata M3.1 Flash

Pada awal Oktober 2026, sebuah model anonim bernama Space Bunny muncul di OpenRouter dan OpenCode. Model ini gratis dan langsung jadi favorit komunitas. Banyak yang berspekulasi siapa pembuatnya. Pada 19 Oktober, MiniMax mengonfirmasi: Space Bunny adalah versi awal dari M3.1 Flash.

M3.1 Flash adalah model mixture-of-experts dengan 428 miliar parameter total, tapi hanya sekitar 23 miliar yang aktif per inference. Artinya, model ini besar tapi berjalan seperti model kecil. Context window-nya 1 juta token, dan kecepatan output bisa mencapai 200+ token per detik.

Harga: 0.15 dolar per juta token input, 0.60 dolar per juta token output. Untuk perbandingan, GPT-6 Sol harganya 2.00 dolar untuk input dan 10.00 dolar untuk output per juta token. MiniMax 13x lebih murah untuk input, 16x lebih murah untuk output.

MiniMax mengklaim biaya agent turun 70% dibanding model sebelumnya. Artificial Analysis mengonfirmasi: cost per task turun dari 0.51 dolar ke 0.22 dolar, hampir 57% lebih murah. Itu angka yang signifikan untuk perusahaan yang menjalankan jutaan request per hari.

Benchmark: naik tajam, tapi bukan frontier

Di Artificial Analysis Intelligence Index, M3.1 Flash mencapai skor 42, naik 13 poin dari M3 yang hanya 29. Itu kenaikan besar dalam satu generasi. Tapi posisinya masih di belakang beberapa frontier model.

DeepSeek V4.1 Flash-1017 mencapai skor 45, GLM-5.3 Flash juga 42 (sama dengan M3.1 Flash), Gemini 3.8 Flash di 41, dan GPT-6 Sol jauh lebih tinggi. Jadi M3.1 Flash bukan yang terpintar, tapi dia salah satu yang termurah di kelasnya.

Di HLE (Humanity's Last Exam), M3.1 Flash mencapai 48%, naik dari 39% di M3. Itu di atas GLM-5.3 Flash (40%) dan DeepSeek V4.1 Flash (43%), tapi masih di bawah Gemini 3.8 Flash yang lebih tinggi.

Di CritPt (physics reasoning), M3.1 Flash naik dari 4% ke 22%. Itu mengalahkan GLM-5.3 Flash (15%) dan Gemini 3.8 Flash (18%), tapi kalah tipis dari DeepSeek (24%).

Di coding, lewat DeepSWE v1.1, M3.1 Flash mencapai 73.7%. Itu hampir sama dengan Claude Opus 5.5 (74%) dan GPT-5.6 Sol (73%). Di OSWorld 2.0 yang mengukur kemampuan computer use, skornya 61.7, di bawah Claude Opus 5.5 (70.6) dan GPT-5.6 Sol (65.7).

Singkatnya: M3.1 Flash bukan model terpintar di pasaran, tapi model paling murah yang "cukup pintar" untuk banyak tugas praktis. Ibaratnya mobil LCGC: bukan yang tercepat, tapi yang paling hemat bensin dan cukup untuk jalan-jalan harian.

Masalah besar: hallucination rate 93%

Ini yang bikin enterprise ragu. Di benchmark AA-Omniscience, M3.1 Flash menjawab benar 56% pertanyaan factual. Itu lumayan, di atas rata-rata. Tapi ketika model tidak tahu jawabannya, 93% waktu model tetap memberi jawaban yang salah, bukan mengakui tidak tahu.

Artinya: M3.1 Flash tidak "tahu bahwa ia tidak tahu." Ia lebih memilih mengarang jawaban yang salah daripada bilang "saya tidak yakin." Ini berbeda dengan model seperti Claude atau GPT yang cenderung bilang "saya tidak memiliki informasi yang cukup" ketika tidak yakin.

Untuk enterprise yang pakai AI agent untuk update record, analisis dokumen keuangan, atau riset pelanggan, ini masalah serius. Model yang pintar tapi tidak tahu batasnya bisa lebih berbahaya daripada model yang kurang pintar tapi jujur. Bayangkan agent yang mengarang angka di laporan keuangan karena "terlalu percaya diri."

VentureBeat menyebut ini "high hallucination rate" dan menyarankan tambahan verifikasi, retrieval system, guardrail, atau review manusia. MiniMax sendiri mengakui M3.1 Flash "lebih memilih memberi jawaban salah daripada mengakui tidak tahu."

Trade-off: murah vs andal

M3.1 Flash mewakili tren baru di AI: model murah yang "cukup baik" untuk tugas-tugas praktis. Harganya 13x lebih murah dari GPT-6 Sol untuk input, dan 16x lebih murah untuk output. Untuk workload dengan jutaan request per hari, selisih ini bisa jutaan dolar per bulan.

Tapi harga murah bukan segalanya. Enterprise yang butuh akurasi tinggi (hukum, keuangan, medis) akan tetap pilih model yang lebih mahal tapi lebih andal. M3.1 Flash cocok untuk tugas-tugas yang toleransi error-nya tinggi: drafting, brainstorming, coding sederhana, customer service dasar, atau analisis data eksploratif.

MiniMax juga berencana rilis model Pro yang lebih capable, tapi tanggalnya belum diumumkan. Weights M3.1 Flash akan dirilis 23 Oktober, tapi lisensinya belum diumumkan. Apakah open-source atau proprietary, belum jelas.

Perbandingan langsung dengan kompetitor terdekat

Untuk memahami posisi M3.1 Flash, mari bandingkan dengan model yang paling dekat harganya.

M3.1 Flash dan DeepSeek V4.1 Flash harganya hampir sama (0.15-0.30 dolar input, 0.60-1.20 dolar output), tapi DeepSeek skornya 3 poin lebih tinggi di Intelligence Index. Artinya, untuk harga yang sama, DeepSeek sedikit lebih pintar.

Tapi M3.1 Flash punya keunggulan di kecepatan: 200+ TPS dibanding DeepSeek yang lebih lambat. Untuk workload yang butuh respons cepat (chatbot, customer service), kecepatan bisa lebih penting daripada 3 poin benchmark.

GLM-5.3 Flash harganya 9x lebih mahal dari M3.1 Flash tapi skornya sama (42). Gemini 3.8 Flash 5-10x lebih mahal dengan skor lebih rendah (41). Jadi dalam kelas "murah tapi cukup pintar," M3.1 Flash dan DeepSeek V4.1 Flash adalah dua pilihan teratas.

Mekanisme: bagaimana MoE membuat model besar jadi murah

Mixture-of-Experts (MoE) adalah arsitektur yang membuat model besar bisa berjalan seperti model kecil. Cara kerjanya: model punya banyak "expert" (sub-network), tapi setiap token hanya diarahkan ke beberapa expert saja, bukan semua.

M3.1 Flash punya 428 miliar parameter total, tapi per inference hanya sekitar 23 miliar yang aktif. Itu artinya sebagian besar parameter "tidur" saat inference. Hasilnya: model besar dengan biaya inference model kecil.

MiniMax juga menggunakan "sparse attention" yang mengurangi komputasi yang diperlukan untuk generate respons. Ditambah dengan optimasi inference yang membuat output speed mencapai 200+ TPS.

Ini bukan teknologi baru. GPT-4 juga MoE. Tapi MiniMax berhasil membuatnya jauh lebih murah dengan sparsity yang lebih agresif. Trade-off-nya: sparsity lebih tinggi berarti akurasi bisa turun, terutama untuk tugas yang butuh penalaran panjang.

Dampak bagi developer dan enterprise

Bagi developer individual, M3.1 Flash adalah kabar baik. Harga 0.15 dolar per juta input token berarti prototyping dan eksperimen jauh lebih murah. Developer bisa mencoba berbagai pendekatan tanpa khawatir biaya.

Bagi enterprise, situasinya lebih nuanced. Harga murah memungkinkan scaling: aplikasi yang sebelumnya terlalu mahal untuk di-deploy (karena biaya per request) sekarang bisa jalan. Tapi hallucination rate 93 persen berarti enterprise harus menambah layer verifikasi.

MiniMax juga menawarkan M Plan (subscription) dan MiniMax Code (desktop app), selain API. Ini berarti mereka menargetkan bukan hanya developer yang pakai API, tapi juga end-user yang pakai aplikasi langsung.

Konteks geopolitik: MiniMax dan DeepSeek

MiniMax adalah perusahaan China, sama seperti DeepSeek. Ini punya implikasi: data yang dikirim ke API MiniMax bisa disimpan di server China (sama seperti kekhawatiran terhadap DeepSeek), pemerintah AS bisa membatasi penggunaan model China di agensi federal, dan enterprise yang sensitif terhadap data mungkin enggan pakai model China.

Di sisi lain, open-weight model dari China (DeepSeek, Qwen, MiniMax) mendorong kompetisi harga. Tanpa mereka, OpenAI dan Anthropic bisa menaikkan harga seenaknya. Jadi meski ada kekhawatiran geopolitik, kehadiran model China secara keseluruhan menurunkan biaya AI untuk semua orang.

Analisis: apa artinya ini untuk industri AI

M3.1 Flash bukan sekadar model murah baru. Ia sinyal bahwa industri AI sedang bergeser dari "siapa yang paling pintar" ke "siapa yang paling murah dan cukup pintar." Ini pergeseran besar.

Selama dua tahun terakhir, persaingan AI didominasi oleh benchmark: siapa yang skornya tertinggi di HLE, siapa yang menang di coding eval, siapa yang paling baik di reasoning. Tapi sekarang, dengan M3.1 Flash dan DeepSeek V4.1 Flash, ada model yang "cukup pintar" dengan harga 10-15x lebih murah dari frontier.

Implikasinya: aplikasi yang sebelumnya tidak masuk akal secara ekonomi sekarang bisa jalan. Chatbot customer service dengan jutaan request per hari. Agent yang menganalisis ribuan dokumen. Coding assistant yang terjangkau untuk startup kecil.

Tapi ada biaya tersembunyi: hallucination rate 93 persen berarti setiap output harus diverifikasi. Untuk aplikasi yang toleransi error-nya tinggi, ini tidak masalah. Untuk aplikasi yang butuh akurasi, ini masalah besar.

Pertanyaan yang belum terjawab: apakah model murah akan semakin pintar tanpa kehilangan kejujuran? Atau apakah trade-off "murah tapi hallucinate" adalah batas fundamental dari arsitektur MoE dengan sparsity tinggi? Kalau yang kedua, maka enterprise akan selalu butuh model mahal untuk tugas kritis, dan model murah hanya untuk tugas non-kritis.

Yang jelas: industri AI sedang bergeser dari "satu model untuk semua" ke "model yang tepat untuk tugas yang tepat." M3.1 Flash adalah bukti bahwa model murah punya tempatnya sendiri, asal dipakai dengan benar.

Kesimpulan: murah bukan berarti aman

M3.1 Flash adalah contoh sempurna dari trade-off yang dihadapi industri AI: harga turun, capability naik, tapi reliability belum ikut naik. Model ini murah, cepat, dan cukup pintar untuk banyak tugas. Tapi hallucination rate 93 persen bikin ia tidak cocok untuk tugas yang butuh kepercayaan tinggi.

Pertanyaan bagi enterprise bukan "model ini cukup pintar?" tapi "model ini cukup jujur?" Untuk M3.1 Flash, jawabannya: belum. Tapi dengan guardrail dan verifikasi yang tepat, ia bisa jadi pilihan yang sangat cost-effective untuk tugas-tugas yang toleransi error-nya tinggi.

Apa yang perlu diperhatikan

• M3.1 Flash cocok untuk agentic tasks yang toleransi error tinggi
• Untuk tugas yang butuh akurasi (keuangan, hukum, medis), tambahkan verifikasi
• Harga 0.15 dolar per juta input sangat murah, tapi kecepatan 170+ TPS median berarti 3 menit per pertanyaan kompleks
• Weights belum dirilis, lisensi belum jelas
• MiniMax adalah perusahaan China, ada pertimbangan geopolitik (sama seperti DeepSeek)
• Model mendukung text dan image input, text output, context window 1 juta token
• Output maksimal 524.288 token per request
  BEOF
  echo "indonesian body appended"