MiniMax M3.1 Flash mı, M3 mü? Fiyat ve özellik farkı

Kısa yanıt: aynı aile, yarı fiyat, farklı düşünme kontrolü

LLMTR, farklı sağlayıcıların dil modellerine tek bir OpenAI uyumlu API ile erişim veren bir gateway'dir. MiniMax M3.1 Flash burada minimax/minimax-m3.1-flash, MiniMax M3 ise minimax/minimax-m3 kimliğiyle sunulur; ikisi de https://llmtr.com/v1 adresindeki /v1/chat/completions uç noktasından, llmtr.com hesabınızın aynı API anahtarıyla çağrılır. Birinden ötekine geçmek çoğu istekte model dizgesini değiştirmektir.

İki modelin bağlam penceresi 1.000.000 token, tek yanıttaki çıktı sınırı 524.288 token'dır ve ikisi de görsel ve video girdisi, araç çağrısı ve istem önbelleği sunar. Fark üç yerdedir: fiyat, düşünmenin nasıl kontrol edildiği ve JSON nesne modu. M3.1 Flash, 512.000 token'a kadar olan istemlerde M3'ün fiyatının yarısıdır, uzun istemlerde fark daha da büyür. M3.1 Flash'ta düşünme kapatılamaz ve beş seviyeli reasoning_effort ile ayarlanır; M3'te düşünme açılıp kapatılır.

MiniMax M3.1 Flash mı, MiniMax M3 mü?

Yeni bir entegrasyona başlıyorsanız ve düşünmeyi tamamen kapatmanız gerekmiyorsa M3.1 Flash ile başlayın: aynı bağlam ve çıktı sınırını daha düşük fiyatla verir, düşünme derinliğini istek başına seçmenize izin verir ve JSON nesne modunu destekler. M3'ü tercih etmenin katalogdaki gerekçesi düşünmeyi kapatabilmektir: kısa sınıflandırma ya da tek cümlelik özet gibi işlerde düşünmesiz cevap gecikmeyi ve çıktı token'larını azaltır. Bu ihtiyaç yoksa katalogda M3'e özgü bir yetenek kalmaz.

Tablo iki satırı LLMTR kataloğundaki değerlerle yan yana gösterir. Fiyatlar 1 milyon token başına, girdi / önbellekten okunan girdi / çıktı sırasıyladır. M3'ün iki fiyat satırı, istemin 512.000 token'ı aşıp aşmamasına göre seçilir; aşan istekte çıktı da yüksek kademeden faturalanır.

• MiniMax, Pay-as-you-go pricing · 2026-10-19

Aynı istek iki modelde ne kadar tutar?

20.000 token'lık bir istem ve 2.000 token'lık bir yanıt, önbellek isabeti olmadan M3.1 Flash'ta (20.000 x 0,15 $ + 2.000 x 0,60 $) / 1 milyon = 0,0042 $, M3'te (20.000 x 0,30 $ + 2.000 x 1,20 $) / 1 milyon = 0,0084 $ tutar. 600.000 token'lık bir istem ve 4.000 token'lık bir yanıtta fark büyür: M3.1 Flash'ta 0,0924 $, M3'te istem 512.000 token'ı aştığı için yüksek kademeden 0,3696 $.

Gerçek tutarı token sayıları belirler ve iki model aynı soruya farklı uzunlukta cevap verebilir. Aşağıdaki Python örneği aynı soruyu iki modele gönderir ve her biri için token sayılarını ve bu fiyatlarla hesaplanan tutarı yazdırır. reasoning_effort yalnızca M3.1 Flash'a gönderilir, çünkü M3 bu alanı kabul etmez ve 400 döner. Karşılaştırmayı kendi istemlerinizle birkaç kez yapın; tek bir örneğin token sayısı genelleme için yeterli değildir.

Aynı soruyu minimax/minimax-m3.1-flash ve minimax/minimax-m3 modellerine https://llmtr.com/v1/chat/completions üzerinden gönderip token kullanımını ve tutarı yan yana yazdıran OpenAI Python SDK örneği.

import os

from openai import OpenAI

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

# Per 1M tokens: input, cached input, output (M3: prompts up to 512,000 tokens).
PRICES = {
    "minimax/minimax-m3.1-flash": (0.15, 0.015, 0.60),
    "minimax/minimax-m3": (0.30, 0.06, 1.20),
}
# reasoning_effort is sent only to the model that accepts it.
EXTRA = {"minimax/minimax-m3.1-flash": {"reasoning_effort": "low"}}
messages = [{"role": "user", "content": "Explain optimistic locking in three sentences."}]

for model, (inp, cached, out) in PRICES.items():
    response = client.chat.completions.create(
        model=model, messages=messages, max_tokens=4096, **EXTRA.get(model, {})
    )
    usage = response.usage
    details = usage.prompt_tokens_details
    hit = (details.cached_tokens or 0) if details else 0
    cost = ((usage.prompt_tokens - hit) * inp + hit * cached + usage.completion_tokens * out) / 1_000_000
    print(model, usage.prompt_tokens, usage.completion_tokens, f"${cost:.6f}")

Düşünme kontrolü iki modelde farklı çalışır

M3.1 Flash'ta düşünme kapatılamaz. Derinliği reasoning_effort ile low, medium, high, xhigh ve max arasından seçersiniz; alan gönderilmediğinde MiniMax'in varsayılanı max uygulanır. reasoning: false, reasoning: { enabled: false } ve thinking: { type: disabled } bu modelde 400 döner. Model düşünmeyi isteğin zorluğuna göre ayarlar; basit bir soruda iz hiç gelmeyebilir.

M3'te düşünme varsayılan olarak açıktır ve kapatılabilir: gövdede reasoning: false gönderebilir ya da model kimliğine :fast son ekini ekleyebilirsiniz. M3 reasoning_effort seviyesi kabul etmez. Bu yüzden iki model arasında geçerken düşünme ayarını taşıyan alanı da değiştirmeniz gerekir: M3'ten M3.1 Flash'a geçerken reasoning: false ya da :fast yerine reasoning_effort: low kullanın; ters yönde reasoning_effort alanını gövdeden çıkarın.

• MiniMax, OpenAI-compatible API reference · 2026-10-19

JSON, araç çağrısı ve girdi türleri

İki model de araç çağrısını destekler ve tool rolüyle dönen sonucu işleyerek cevabı tamamlar. M3.1 Flash'ta çok adımlı döngülerde araç çağrısını içeren asistan mesajını reasoning_content alanıyla birlikte geri gönderin. JSON nesne modu, yani response_format içinde type: json_object, M3.1 Flash'ın kartında listelenir; M3'ün kartında listelenmez. Katı json_schema iki modelin kartında da listelenmez; gelen alanları kendi tarafınızda doğrulayın.

Girdi türleri aynıdır: metin, görsel ve video. M3.1 Flash'ta görseli image_url parçasıyla, videoyu video_url parçasıyla base64 data URL olarak gönderin. Görsel ve video token'ları iki modelde de prompt_tokens içinde sayılır ve girdi fiyatından faturalanır; bu yüzden aynı medya isteği M3.1 Flash'ta, 512.000 token'a kadar olan istemlerde, M3'teki tutarın en fazla yarısına gelir.

M3'ten ya da önizlemeden geçiş

M3 kullanıyorsanız geçiş, model dizgesini minimax/minimax-m3.1-flash yapmak ve düşünme ayarını yukarıda anlatıldığı gibi reasoning_effort alanına taşımaktır. Kendi istemlerinizden küçük bir değerlendirme seti ayırın, iki modelin cevaplarını ve usage içindeki token sayılarını karşılaştırın, sonuç işinize uyuyorsa kimliği değiştirin. M3 katalogda listelenmeye devam eder.

Kapalı beta önizlemesi minimax/minimax-m3.1-flash-preview, 7 Ekim 2026'dan beri 410 model_retired yanıtı verir ve yanıt minimax/minimax-m3.1-flash kimliğini önerir. Önizlemede kullandığınız reasoning_effort seviyeleri ve JSON nesne modu bu modelde aynı çalışır; kimliği değiştirmeniz yeterlidir. Bu model ücretlidir ve her istek bakiyenizden düşer. Geçiş kendiliğinden olmaz: siz kimliği değiştirene kadar istekler bu modele gitmez.

MiniMax M3'ten MiniMax M3.1 Flash'a geçiş

İki modeli aynı anahtar ve aynı istemlerle yan yana deneyin, düşünme ayarını reasoning_effort alanına taşıyın ve model kimliğini minimax/minimax-m3.1-flash yapın.

1. Yan yana deneme. Aynı istemi minimax/minimax-m3 ve minimax/minimax-m3.1-flash ile gönderin.
2. Düşünme ayarı. reasoning: false ya da :fast yerine reasoning_effort: low kullanın.
3. Kimlik. Sonuçlar işinize uyuyorsa model kimliğini minimax/minimax-m3.1-flash yapın.

Sık sorulan sorular

MiniMax M3.1 Flash, M3'ten ucuz mu?

Evet. 512.000 token'a kadar olan istemlerde M3.1 Flash 0,15 $ / 0,015 $ / 0,60 $, M3 0,30 $ / 0,06 $ / 1,20 $ (1 milyon token başına). Daha uzun istemlerde M3 0,60 $ / 0,12 $ / 2,40 $ olur, M3.1 Flash'ın fiyatı değişmez.

M3.1 Flash'ta M3'teki gibi düşünmeyi kapatabilir miyim?

Hayır. M3.1 Flash'ta düşünme kapatılamaz; en az düşünme için reasoning_effort: low gönderin. M3'te reasoning: false ya da :fast ile kapatılır.

M3'ten M3.1 Flash'a geçerken kodda ne değişir?

Model kimliği minimax/minimax-m3.1-flash olur. reasoning: false ya da :fast kullanıyorsanız bunların yerine reasoning_effort: low yazın; görsel, video ve araç tanımları aynı kalır.

İlgili yazılar

• MiniMax M3.1 Flash API: ilk istek, reasoning_effort ve fiyat
• 1M bağlamlı Flash modelleri: MiniMax, DeepSeek, Qwen, GLM
• MiniMax M3.1 ve M3 farkı: hangisini ne zaman kullanmalı?
• MiniMax M3.1 Flash, Haiku 5.5, GPT-6 Luna ve Gemini 3.8 Flash
• Hangi MiniMax modeli? M3.1 Flash, M3, M2.7 ve M2.5

• MiniMax M3.1 Flash model sayfası
• MiniMax M3 model sayfası
• MiniMax M3.1 Flash dokümantasyonu