MiniMax-M3.1-Flash 现已支持在 Ultralytics Platform 中进行自动标注

MiniMax 于 2026 年 10 月 19 日发布了 MiniMax-M3.1-Flash，今天起你可以在 Ultralytics Platform 中使用它进行自动标注。我们按照测试其他所有模型时采用的相同方法对它进行了测试，结果已列入我们的 VLM Leaderboard：测试集包含来自 36 个真实场景检测数据集的 360 张图像。

MiniMax-M3.1-Flash 的 mAP50 得分为 0.317，在 38 个模型中排名第 23，每 1,000 张图像的费用约为 $1.84。这是 Ultralytics Platform 中的首个 MiniMax 模型。它的表现超过 MiMo-V2.6-Flash、DeepSeek Flash 和 Grok 4.7，但不及表现最好的低价模型，其中 Claude Haiku 5.5 和 Gemini 3.5 Flash-Lite 领先。

MiniMax-M3.1-Flash 有哪些新变化#

MiniMax-M3.1-Flash 是 MiniMax M3.1 系列中速度快、成本低的模型，MiniMax 计划稍后发布更大型的 Pro 模型。它是一款原生多模态混合专家模型，拥有 4,280 亿个参数，每个 token 激活 230 亿个参数，上下文窗口为 100 万个 token，并支持图像和视频输入。MiniMax 为智能体任务、编程和计算机操作打造了这款模型，并表示其生成速度中位数超过每秒 170 个 token。MiniMax 于 2026 年 10 月 23 日在 Hugging Face 上以 MiniMax Community License 发布了模型权重。MiniMax 的公告介绍了该模型在智能体任务和编程方面的结果。

它的价格也很低。MiniMax-M3.1-Flash 的定价为每百万个输入 token $0.15，每百万个输出 token $0.60，不设阶梯价格。

在 Ultralytics Platform 中使用 MiniMax-M3.1-Flash 自动标注#

MiniMax-M3.1-Flash 已加入 Ultralytics Platform 标注编辑器中的类别提示式视觉语言模型，并作为新的 MiniMax 提供商上线。对于包含 1–200 个类别的目标检测数据集，它会检查每张图像，并为它找到的数据集类别实例返回边界框，你可以像处理其他预测结果一样检查并保存这些框。

你可以通过两种方式使用它：

• 一次处理一张图像：在标注编辑器中切换到 Smart 模式，在模型选择器的 MiniMax 下选择 MiniMax-M3.1-Flash，然后点击 Predict（或按 P）。
• 标注整个数据集：在数据集页面中，依次点击 More actions > Batch Annotation，运行批量标注，即可在一次运行中为所有尚未标注的图像添加标签。

想先看看效果再添加密钥？打开 Ultralytics Platform 上的 MiniMax-M3.1-Flash 模型页面。页面会将 MiniMax-M3.1-Flash 在 10 张 COCO 图像上的记录预测结果与预期框并排重放，并显示它在每个基准数据集上的得分。

我们如何对 MiniMax-M3.1-Flash 进行基准测试#

一个能在日常照片中找到几乎所有物体的模型，在医学扫描图或电路板图像中仍可能漏掉大多数物体。因此，VLM 排行榜上的每个模型都会接受同一项固定测试 UL37 v2：从 UL37 的 36 个检测数据集中各随机抽取 10 张带标注图像。UL37 是 Ultralytics 用于评估的真实场景基准数据集集合，涵盖医学成像、航空和卫星图像、PCB 检测、安检 X 光、零售货架、交通、体育、水下场景、热成像视频等领域。

每张图像都会使用其数据集的类别名称，通过 Ultralytics Platform 的生产标注流水线处理；这与 Smart 模式和批量标注调用的流程完全相同，包括用于收紧每个模型边界框的 SAM 3.1 步骤。我们使用 Ultralytics 软件包自带的检测指标对边界框评分，并对 36 个数据集进行等权平均。VLM 排行榜评测方法中有详细说明。

添加新模型前，我们会测试 Ultralytics Platform 已支持的其他模型请求设置，并采用得分最高的设置。针对 MiniMax-M3.1-Flash，我们选择了以下两项设置：

• 推理强度：MiniMax-M3.1-Flash 默认使用 MiniMax 的最高推理强度。在最高强度下，我们测试的图像中有一半以上的处理时间超过了 Ultralytics Platform 的 115 秒限制；在高强度下，超时比例为 9%。在低、中、高三种强度中，中强度得分最高，因此 Ultralytics Platform 将 MiniMax-M3.1-Flash 的推理强度设为中等，基准测试也采用了这一设置。
• 框坐标：与 Claude、Grok 和 GLM 一样，MiniMax-M3.1-Flash 使用像素坐标定位边界框，比大多数模型使用的 0–1000 网格坐标准确约 0.02 mAP50，因此 Ultralytics Platform 会要求它返回像素坐标。

MiniMax-M3.1-Flash 与 Claude Haiku 5.5、Gemini 3.5 Flash-Lite 和 GPT-6 Luna 的对比#

MiniMax-M3.1-Flash 的 mAP50 得分为 0.317，在每 1,000 张图像费用低于 $5 的 8 个付费模型中排名第 5。Claude Haiku 5.5（0.429）、Gemini 3.5 Flash-Lite（0.380）、GPT-6 Luna（0.370）和 GLM-5.3-Flash（0.341）的得分更高；它的表现超过 MiMo-V2.6-Flash（0.277）、DeepSeek Flash（0.264）和 MiMo-V2.6-Pro（0.239）。在 Ultralytics Platform 自有 GPU 上运行、无需提供商密钥的托管模型 Qwen3.8 27B（0.351）和 Gemma 4 26B（0.344）得分也更高。

它的召回率（0.413）高于精确率（0.379）：每五个标注对象中，它大约能找到两个，但只有约 38% 的边界框与标注对象匹配，在所有排名高于它的模型中，这一比例最低。

MiniMax-M3.1-Flash 与 Gemini 3.5 Flash-Lite 的对比：各自的优势#

Gemini 3.5 Flash-Lite 每张图像的费用与 MiniMax-M3.1-Flash 大致相同（每 1,000 张图像分别为 $1.77 和 $1.84），因此是最接近的对比对象。MiniMax-M3.1-Flash 在航空和遥感领域表现更好（0.32 对 0.27），而这两个领域对大多数模型来说都比较困难。两者在医疗图像上的表现大致相当，在安检 X 光图像上的得分均为零。Flash-Lite 在其他九个领域领先，优势最大的是零售、道路与交通以及体育领域。

MiniMax-M3.1-Flash 在表现最好的数据集上的成绩，体现了它的适用范围。在 SSDD 卫星雷达船舶检测数据集（0.86）、EgoHands 手部检测数据集（0.90）和 GRAZPEDWRI-DX 儿童腕部 X 光数据集（0.25）上，它在 32 个视觉语言模型中排名第 6。工业 PCB 缺陷和安检 X 光图像上的得分仍接近于零，大多数模型在这些数据集上的表现也一样。专业图像对所有模型来说仍然很难，因此请把 MiniMax-M3.1-Flash 的边界框当作人工参与审核的初稿，并在标注整个数据集前，先检查它在你自己的图像上的几条预测结果。

准确率、成本和速度#

付费模型使用你自己的提供商 API 密钥运行，因此提供商会直接对每次预测收费。在我们的基准测试中，MiniMax-M3.1-Flash 每 1,000 张图像的费用约为 $1.84。大部分费用来自推理输出：虽然它的 token 价格在 Ultralytics Platform 的所有模型中属于最低之列，但它会在回答前进行推理。

要达到这样的准确度，MiniMax-M3.1-Flash 并不是最便宜的选择。Claude Haiku 5.5 的 mAP50 高约 0.11，每 1,000 张图像的费用约为 $0.37；GPT-6 Luna（约 $0.77）和 GLM-5.3-Flash（约 $0.99）的得分也更高，费用却更低。

MiniMax-M3.1-Flash 的速度也不如它的价格所暗示的那样快。它的请求耗时中位数约为每张图像 16 秒，而 Gemini 3.5 Flash-Lite 为 1.6 秒，Claude Haiku 5.5 为 2.7 秒；此外，它有 1.4% 的请求未能在 Ultralytics Platform 的 115 秒限制内完成。超时的图像不会返回任何边界框，你可以再次运行预测。

开始在 Ultralytics Platform 中使用 MiniMax-M3.1-Flash#

1. 在 MiniMax API Platform 上创建 API 密钥，然后在拥有你数据集的工作区中打开 Settings > API Keys 并添加密钥，或者请工作区所有者添加密钥（查看操作方法）。
2. 在 Ultralytics Platform 中打开一个检测数据集，将标注编辑器切换到 Smart 模式，然后在 MiniMax 下选择 MiniMax-M3.1-Flash。
3. 点击 Predict 为当前图像添加标签，然后审核、调整并保存边界框。
4. 结果看起来没问题后，运行 Batch Annotation 为数据集中的其余图像添加标签。

批量标注会收取 Ultralytics Platform 的标准处理费，即每 1,000 张图像 $1.00；这笔费用与 MiniMax 向你的 API 密钥收取的费用分开计算。每次运行前都会先保存一个数据集版本，因此你随时可以回滚。

数据集标注完成后，在同一工作区中用它训练 Ultralytics YOLO26 模型（参阅训练文档）。想把 MiniMax-M3.1-Flash 与准确度最高的模型进行比较，可以阅读我们的 Gemini 4 Argon 和 Kimi K3.1 Pro 自动标注文章，也可以浏览 VLM Leaderboard 和 Ultralytics Platform 模型页面中的所有模型。然后登录 Ultralytics Platform，在你自己的数据上试用 MiniMax-M3.1-Flash。