Minimax M3.1 Flash (testado por completo): este modelo é bem bom!

Autoria: AICodeKing · Assistir no YouTube

Vídeo de autoria do canal indicado, não da IANIA; todos os direitos pertencem ao criador. Transcrição, resumo e tradução gerados automaticamente; o conteúdo no idioma original é preservado na versão em idioma original.

Idioma original: inglês

Vídeo original: Minimax M3.1 Flash (Fully Tested): Okay, this MODEL is PRETTY GOOD! · Canal: AICodeKing · 15:15 · Assistir no YouTube

Tópicos: Avaliação e benchmarks de IA, Engenharia de software com IA, Modelos de IA, Modelos locais e open source

Resumo

O vídeo testa o Minimax M3.1 Flash em oito tarefas do Kingbench 3, com resultados que somam 53 de 80 pontos (66,25%). O modelo se destaca na mesa dobrável, no estojo de lentes de contato e no problema de matemática, mas apresenta falhas importantes em algumas interações e elementos visuais. O projeto de treinamento local demonstra uma pipeline funcional, embora a qualidade dos dados e a confiabilidade das respostas precisem melhorar. O apresentador considera o avanço em relação ao Minimax M3 animador, mas recomenda testar as interações e não confiar no modelo sem supervisão.

Pontos-chave

O Minimax M3.1 Flash marcou 66,25% no Kingbench 3, contra 31,25% do Minimax M3 anterior.
A simulação de elevadores falha ao tentar criar passageiros, e o jogo de arco e flecha tem alvos e temporizador com problemas.
A mesa dobrável recebeu 9/10, com movimento suave e geometria convincente.
O estojo de lentes de contato recebeu 8/10; as tampas funcionam, mas o interior não tem compartimentos bem modelados.
O modelo acertou o problema de matemática e recebeu 10/10, assim como os demais modelos comparados.
O projeto de treinamento local inclui 184 fatos distintos, exemplos de treinamento e validação, pesos salvos e uma interface web.
A validação do projeto de pandas reutiliza os mesmos fatos do treinamento, e a base de dados contém uma contradição sobre a digestão dos pandas.
O relógio 3D tem leitura de hora e personalização funcionais, mas os marcadores do mostrador ficam agrupados no lugar errado.
Os resultados variam bastante entre tarefas, e o vídeo recomenda verificar as interações antes de usar as saídas como base para outros projetos.
O apresentador não confirma o preço por token nem a velocidade de geração do M3.1 Flash.

Capítulos

Início	Capítulo	Resumo
00:02	Apresentação e contexto do teste	O apresentador introduz o M3.1 Flash, explica os limites das informações públicas disponíveis e descreve o formato do Kingbench 3.
02:09	Elevador, estojo e mesa dobrável	O teste revela uma falha crítica na simulação de elevadores, mas resultados melhores no estojo de lentes e na mesa dobrável.
05:55	Ilustração, arco e flecha e matemática	A ilustração de panda é compreensível, o jogo de arco e flecha tem problemas de execução e o modelo acerta a tarefa de matemática.
08:08	Treinamento local e relógio 3D	O projeto com Gemma mostra uma pipeline local substancial, mas tem limitações nos dados, enquanto o relógio apresenta erros no mostrador.
11:56	Pontuações, leaderboard e conclusão	O vídeo compara os resultados no leaderboard e conclui que o avanço é promissor, mas recomenda cautela e supervisão.

Citações

A pontuação sobe 35 pontos percentuais. — 00:02

O M3.1 Flash consegue produzir um resultado forte quando a geometria e a interação funcionam juntas. — 05:21

O grande avanço em relação ao Minimax M3 está claro neste benchmark, mas o M3.1 Flash ainda fica atrás dos modelos mais fortes no geral. — 14:11

Se você pretende usá-lo para protótipos, inspecione o resultado e teste a interação principal antes de construir em cima dele. — 14:44

Conceitos e entidades

MiniMax M3.1 Flash (modelo): Modelo avaliado no vídeo em oito tarefas do Kingbench 3.
KingBench 3 (benchmark): Benchmark com oito tarefas, cada uma pontuada em até 10 pontos, usado para comparar os modelos.
MiniMax Code (ferramenta): Produto para o qual o Minimax anunciou o M3.1 Flash preview.
MiniMax M3 (modelo): Modelo anterior usado como referência para comparar a pontuação do M3.1 Flash.
Gemma 2 2B (modelo): Modelo usado no projeto local de geração de fatos sobre pandas.
LoRA (conceito): Método de adaptação que adiciona um conjunto menor de pesos treináveis ao modelo-base.
fine-tuning (conceito): Processo de adaptação do modelo com dados de treinamento, demonstrado no projeto local sobre pandas.
AICodeKing (pessoa): Canal que publicou o vídeo de avaliação.

Tradução completa (pt-BR)

00:02 [música] Oi, bem-vindos a mais um vídeo. Hoje estamos testando o MiniMax M3.1 Flash. E este modelo tem um resultado bem interessante. Ele marca 66,25% no Kingbench 3, em comparação com 31,25% da entrada anterior, MiniMax M3. Isso representa um salto de 35 pontos percentuais. Mas, quando você abre as gerações em si, o quadro fica mais complicado. A mesa dobrável é um dos resultados mais fortes. O estojo para lentes de contato parece bom e as tampas abrem. Depois, temos uma simulação de

00:34 elevador que falha quando você aperta o botão principal e um jogo de arco e flecha com os alvos no lugar errado. Então, examinei o código salvo, abri as prévias e testei as principais interações. Vamos analisar os oito testes, as pontuações e a posição deste modelo em relação ao restante do ranking. O nome oficial é M3.1 Flash preview, e a MiniMax o anunciou para o MiniMax Code em 27 de setembro. A empresa o apresenta como um modelo de texto para o desenvolvimento do dia a dia, desde correções de bugs até recursos completos. O anúncio

01:05 também mostra cinco configurações de raciocínio, de baixa até máxima. Ainda não consegui verificar uma tabela numérica de benchmarks publicada, preços da API pública ou pesos para download para esta prévia. A documentação pública da API ainda lista o M3 anterior, então eu não atribuiria ao M3.1 Flash o context window, os recursos multimodais ou as pontuações de benchmark daquele modelo. Os números que estamos testando aqui vêm do Kingbench, e a planilha não especifica qual configuração de raciocínio foi usada para o M3.1 Flash. Para contextualizar os preços, a página de planos de tokens da MiniMax lista o Plus por

01:36 US$ 20 por mês, o Max por US$ 50 e o Ultra por US$ 120. Esses são preços de assinatura da plataforma. Eles não estabelecem o custo por token nem as condições exatas de acesso a este modelo específico. Portanto, confira o modelo disponível na sua conta antes de pagar por ele. O KingBench 3 tem oito tarefas aqui, cada uma avaliada de 0 a 10, totalizando 80 pontos. Há simulações interativas, objetos 3D, uma ilustração em SVG, um jogo, um problema de matemática e uma tarefa de treinamento de modelo local. Essa porcentagem é a parcela dos

02:09 pontos disponíveis. Isso não significa que o modelo tenha resolvido completamente 66% das tarefas, porque vários resultados recebem crédito parcial. E estou avaliando aqui as saídas salvas. Portanto, isso não determina quantas tentativas ou correções foram necessárias para cada geração. Vamos direto ao assunto. O primeiro teste é a simulação de elevador. O pedido é criar três elevadores, cada um transportando apenas uma pessoa. As pessoas devem surgir em andares diferentes, ter seus próprios destinos e esperar por outro elevador. Se o primeiro estiver ocupado, passar o cursor sobre uma pessoa deve mostrar o destino dela. Visualmente, temos uma

02:40 interface escura com três poços separados e oito andares. Há controles deslizantes para o número de pessoas e a velocidade, um botão para criar pessoas e contadores de passageiros esperando, embarcados e levados ao destino. Mas, quando clicamos em criar pessoas, nada acontece de útil. Os contadores continuam zerados e o navegador informa um erro antes que qualquer passageiro apareça. Também conferi o código. Ele cria um número para a posição horizontal do passageiro e depois tenta chamar esse número como se fosse uma função, o que interrompe imediatamente o processo de criação. Os elevadores também aparecem cortados na parte de baixo dos

03:12 poços na prévia. Então, os controles e o layout estão lá, mas a interação central não funciona. Não posso dar crédito por indicadores de funcionamento, dicas de ferramenta com os destinos ou entrega de passageiros só porque há código tentando implementar esses recursos. Isso recebe 3 de 10. Para comparar, SEU 2 e Opus 5.5 recebem 8 aqui, enquanto Grocke 4.7 e GPT6 sole recebem 7. Este é o resultado mais fraco do M3.1 Flash no conjunto. Agora, o segundo teste é um estojo 3D para lentes de contato. Ele precisa ter compartimentos esquerdo e direito claramente identificados, e

03:46 as tampas devem abrir ao clicar nelas. Este resultado é bem melhor. Temos um estojo branco arredondado, um detalhe laranja no lado esquerdo, um detalhe azul no direito e rótulos grandes L&R. A iluminação e as sombras dão a ele a aparência de uma renderização de produto bem acabada. Clicar diretamente na tampa esquerda a abre, e o status muda para mostrar que o lado esquerdo está aberto. Também há controles separados para cada tampa e um botão para abrir as duas. Testei isso também, e as duas tampas abrem. Porém, há um problema visível de modelagem. Quando as tampas abrem, o interior parece formado por superfícies brancas sólidas, em vez de compartimentos devidamente rebaixados. Analisando

04:19 o código, dá para entender o motivo. O corpo principal é sólido, e a geometria da lente e do líquido que se tentou criar fica embaixo da superfície opaca. Gosto da apresentação e da interação funcional das tampas, mas o interior precisa de mais trabalho. Isso recebe 8 de 10. É a mesma pontuação do SEU2, supera os 6 do GPT6 Souls e fica abaixo do Grock 4.7, com 9, e do Opus 5.5, com 10. O terceiro teste é a mesa dobrável. A instrução é simples: mover um controle deslizante para a direita deve desdobrá-la. Mover para a esquerda deve

04:49 dobrá-la. E o movimento deve ser animado suavemente em 3D. Esta provavelmente é minha geração visual favorita desta rodada. Ela tem um tampo de madeira clara com veios visíveis, bordas arredondadas, pernas de metal, suportes diagonais e pés de borracha pretos. Parece uma mesa dobrável de verdade. Mover o controle para a esquerda coloca as duas estruturas das pernas embaixo do tampo, e a mesa desce em direção ao chão. Ao movê-lo de volta para a direita, as pernas se abrem e a mesa sobe novamente. Conferi as posições totalmente dobrada, intermediária e totalmente aberta. O código também faz algo sensato aqui. As

05:21 duas estruturas das pernas têm larguras diferentes, então podem se encaixar uma embaixo da outra sob o tampo, e o movimento desacelera gradualmente ao se aproximar da posição selecionada. Isso faz a mudança parecer muito melhor do que simplesmente saltar de uma posição para outra. Isso recebe 9 de 10, empatando com Grock 4.7 pela melhor pontuação nesta tarefa. SUI 2 e Opus 5.5 recebem 8, e GPT6 soul recebe 7. Portanto, o M3.1 Flash consegue, sem dúvida, produzir um ótimo resultado quando a geometria e a interação funcionam bem juntas. Em seguida, temos um SVG de um panda comendo um hambúrguer. Este é fofo. Há um fundo pastel arredondado, um

05:55 panda com grandes manchas pretas ao redor dos olhos, bochechas rosadas e patas segurando um hambúrguer inclinado. O hambúrguer tem sementes de gergelim e camadas separadas de alface, tomate, queijo e carne. Há migalhas perto da boca e pequenas estrelas decorativas ao redor da ilustração. O ponto fraco é a mordida. Há um pedaço redondo do pão perto da boca, com um recorte estranho embaixo, então não parece uma mordida bem definida no hambúrguer. Dá para entender a cena pretendida, mas a sobreposição entre a boca e a comida poderia ser muito melhor. Este é um SVG estático, e tudo bem, porque não foi pedida uma animação.

06:29 Recebe 7 de 10. Sui 2 recebe 8, Groke 47 recebe 4, e tanto GPT6 soul quanto Opus 5.5 recebem 10. Agora, vamos ao jogo de arco e flecha. O requisito é ter quatro alvos, e concluir mais rápido deve fazer o jogador subir no ranking. A princípio, a apresentação parece promissora. Ele cria uma paisagem com montanhas, um sol brilhante, grama, um arqueiro e uma interface na tela mostrando o cronômetro, o vento, os alvos e as flechas. Há uma interação de puxar e soltar e uma trajetória pontilhada para as flechas. Mas, quando começo o jogo, os suportes dos alvos

07:03 aparecem espalhados pelo campo, enquanto os alvos propriamente ditos ficam amontoados no canto superior esquerdo. Ou seja, os alvos nos quais você deveria mirar não são exibidos onde o jogo verifica os acertos. O código confirma o problema. Ele desenha os círculos dos alvos na origem da tela sem antes mover a posição de desenho para a localização de cada alvo. Também há um erro separado no quarto alvo, que se move. A animação dele usa uma altura inicial que nunca foi definida. E o cronômetro também tem um problema. Depois que disparei uma flecha, ele parou em 1,24 segundo enquanto eu preparava o próximo disparo. O cronômetro pausa sempre que você está mirando entre os disparos, então deixa de contar parte do tempo

07:35 que você está realmente jogando. Isso importa porque a tarefa deveria ser uma prova contra o tempo. Um ranking baseado nesse cronômetro não mediria quanto tempo você realmente levou para concluir a rodada. E o quarto alvo com defeito impede uma conclusão normal com quatro alvos. Enfim, o cenário é bonito, mas há grandes problemas na jogabilidade. Isso recebe 4 de 10. Sway 2 e Grock 4.7 recebem 7, GPT6, Soul recebe 6, e Opus 5.5 recebe 9. O sexto teste é o problema de matemática. Temos 60 pares ordenados distribuídos por 20 valores possíveis de x e três possíveis valores de y

08:08 com regras específicas sobre como pares consecutivos podem se conectar. Precisamos contar as ordenações válidas que começam na fileira de cima e terminam na fileira de baixo. A resposta esperada no benchmark é 20.460, e o M3.1 Flash é registrado como correto, com 10 de 10. Os cinco modelos na tabela comparativa tiram 10 nesta questão. Portanto, este é um resultado perfeito, mas não diferencia esses modelos. Agora, o sétimo teste é bem mais ambicioso. Ele pede que o modelo crie um conjunto de dados com fatos sobre pandas, faça fine-tuning de um modelo Gemma de 2 bilhões de parâmetros

08:41 e construa uma interface web local que exiba um fato sempre que a página for atualizada. E há bastante trabalho aqui. O projeto contém 184 fatos distintos, expandidos para 920 exemplos de treinamento e 184 exemplos de validação. Ele usa um modelo Gemma 22B de 4 bits com adaptadores LoRA, que são um conjunto menor de pesos treináveis adicionados ao modelo-base. Há arquivos de modelo e pesos dos adaptadores realmente salvos. O registro de treinamento chega a 600 iterações, e a perda de validação informada cai de 3,893 para 0,207.

09:17 Então, não é apenas uma página com uma frase aleatória e a alegação de que houve treinamento. A interface se chama Aopota. Ela tem um fundo em tom de papel quente, texto grande com serifa para o fato, uma categoria logo abaixo e outro botão de fato. Abri o app local, cliquei nesse botão e atualizei a página. Ele exibiu entradas diferentes, mas há limitações importantes. Os exemplos de validação usam os mesmos fatos do treinamento, com prompts diferentes. Portanto, essa perda menor mostra uma melhora nesse conjunto de dados restrito. Não prova que o modelo consiga responder com confiabilidade a novas perguntas sobre pandas. Além disso, o app compara

09:49 o texto gerado com o próprio conjunto de dados e pode substituir uma correspondência próxima pela redação armazenada. Quando diz “verificado”, significa que houve uma correspondência com esse corpus. Não significa que uma fonte independente verificou a afirmação. E, na verdade, vi por que essa distinção importa. Uma entrada exibida dizia que o sistema digestivo do panda é adaptado ao bambu, e não à carne. O National Zoo do Smithsonian o descreve como mais semelhante ao sistema digestivo de um carnívoro. E outra entrada no próprio conjunto de dados deste projeto diz essencialmente a mesma coisa. Portanto, o corpus contém uma contradição. Há bastante coisa de que gostar

10:21 no pipeline local, mas a qualidade e a confiabilidade dos dados precisam melhorar. Este recebe 7 de 10, enquanto os outros quatro modelos da tabela recebem 10. Por fim, temos o relógio de pulso 3D. Ele precisa mostrar a hora atual com ponteiros suaves, incluir o dia e a data e acompanhar dois fusos horários. O resultado se chama Meridian GMT e é bastante ambicioso. Ele tem uma caixa de metal, uma pulseira envolvendo um pulso de exibição, uma coroa, um mostrador escuro, janelas para o dia e a data e um ponteiro separado para o segundo fuso horário. Há controles para a cor do mostrador,

10:52 a pulseira, o movimento dos ponteiros, a iluminação e o ângulo da câmera. O relógio ao vivo funciona na prévia. Mudei o segundo fuso horário de Londres para Tóquio, e a indicação passou de 5 horas à frente de Nova York para 13 horas à frente. A animação dos ponteiros também usa frações de segundo, como é preciso para um movimento suave, mas o mostrador tem um problema geométrico bem evidente. Os marcadores das horas estão todos amontoados perto do topo, formando esse estranho agrupamento em formato de estrela, em vez de ficarem distribuídos pelo mostrador. O código atribui a eles a mesma posição inicial e gira cada marcador localmente, em vez de posicioná-lo ao redor do centro

11:25 do relógio. Os números externos também parecem estar de cabeça para baixo. E clicar na predefinição de câmera do mostrador leva a uma visão muito inclinada, quase de perfil, que dificulta a inspeção do mostrador, quando o botão deveria ajudar a enxergá-lo. Portanto, a marcação do tempo e a personalização estão presentes, mas o mostrador propriamente dito precisa de ajustes. Este recebe 5 de 10. O SWE2 recebe oito, o Grok 4.7 recebe seis, e GPT-6 Soul e Opus 5.5 recebem 10. Agora, vamos ver as pontuações finais. O M3.1 Flash recebe três no elevador,

11:56 oito no estojo para lentes de contato, nove na mesa dobrável, sete no SVG do panda, quatro no arco e flecha, 10 em matemática, sete na tarefa de treinamento local e cinco no relógio. Isso soma 53 de 80, ou 66,25%. Na comparação detalhada, o Grok 4.7 recebe 62 de 80, ou 77,5%. O GPT-6 Soul no nível médio recebe 66, ou 82,5%. O SWE2 recebe 67, ou 83,75%. E o Opus 5.5 no nível médio recebe 75, o que corresponde a 93,75%. O gráfico separado da tabela de classificação

12:29 indica 93,5 para o Opus, mas 75 de 80 resulta em 93,75. Então, vou usar a tabela detalhada nessa comparação. Na tabela de classificação completa, o M3.1 Flash fica logo acima do Grok 4.5, com 65, e abaixo do Q3.8 Flash, que vem em seguida, com 70. Acima deles, GPT-5.6 Soul e Muse Spark 1.3 têm ambos 71,25. O DSV4 Flash tem 72,5, e o GLM 5.2 tem 75. Muse Spark 1.2 e DSV4 Pro têm ambos 76,25.

13:01 Kimmy K3, Opus 5 e Grok 4.7 estão empatados, com 77,5. O GLM 5.3 Flash tem 78,75, e o Opus 4.8 tem 80. Quen 3.8 Max, Gemini 3.8 Flash e Deepseek V4.1 Flash têm todos 81,25. GPT-6 Soul e Fable 5 têm 82,5, seguidos pelo SWE2, com 83,75, e pela entrada 3.8 MAX0902, com 86,25. No topo, GPT-6 Astra tem 90, GLM 5.3 tem 91,25, Fable 5.1 tem 92,5 e, depois, temos

13:37 o Opus 5.5, com a discrepância percentual que acabei de mencionar. Abaixo do M3.1 Flash, temos Muse Spark 1.1, com 60; GPT-5.6 Terra, com 56,25; Opus 4.7, com 50; Sonnet 5, com 48,75; GPT-5.6 Luna, com 40; e GPT-5.5, com 35. A entrada anterior do Minimax M3 tem 31,25; o Gemini 3.5 Flash tem 30. A entrada Deepseek V4 Pro, rotulada separadamente, tem 24,8, e o High3 tem 20. Esses são os rótulos e valores mostrados no gráfico fornecido. Em particular, ele lista Deepseek V4 Pro e DS V4 Pro

14:11 separadamente, então eu não combinaria essas entradas sem saber qual é a diferença entre as execuções. Portanto, a grande melhora em relação ao Minimax M3 está clara neste benchmark, mas o M3.1 Flash ainda fica atrás dos modelos mais fortes no geral, e os resultados variam bastante dependendo da tarefa. Pessoalmente, gosto da mesa dobrável, e o estojo para lentes de contato nos dá um ponto de partida útil. O projeto de treinamento local também mostra que ele consegue reunir vários componentes reais, incluindo preparação de dados, treinamento, inference e uma interface web. O problema é que alguns erros básicos permanecem no resultado final. Um

14:44 botão trava antes de iniciar qualquer coisa. Os gráficos de alvo são desenhados no lugar errado. Os marcadores do relógio ficam todos na mesma posição. São problemas que uma verificação rápida no navegador pode revelar. Então, se você estiver testando isso para protótipos, inspecione o resultado e teste a interação principal antes de desenvolver em cima dele. A melhora na pontuação é animadora, mas eu ainda gostaria de ver mais consistência antes de confiar nele com menos supervisão. E, sem preços verificados para este modelo específico ou medições da velocidade de geração, eu não diria que ele oferece o melhor custo-benefício só

15:15 porque tem “Flash” no nome. No geral, é bem legal. Enfim, conte o que você acha nos comentários. Se você gostou deste vídeo, [música] considere fazer uma doação pela opção Super Thanks ou se tornar membro clicando no botão “Participar”. Além disso, [música] deixe um gostei neste vídeo e inscreva-se no meu canal. Vejo você no próximo. [música] Até lá, tchau.

Transcrição original

[00:02] [music] Hi, welcome to another video. So, today we’re testing Miniax M3.1 Flash. And this one has a pretty interesting result. It scores 66.25% on Kingbench 3 compared with 31.25% for the earlier Miniax M3 entry. That’s a jump of 35 percentage points. But once you open the actual generations, the picture gets more complicated. The folding table is one of its strongest results. The contact lens case looks good and its caps open. Then you get an

[00:34] elevator simulation that breaks when you press the main button and an archery game with its targets in the wrong place. So, I went through the saved code, opened the previews, and tested the main interactions. We’re going to look at all eight tests, the scores, and where this model sits against the rest of the leaderboard. The official name is M3.1 Flash preview, and Miniax announced it for Miniax Code on September 27th. They’re presenting it as a text model for everyday development from bug fixes to complete features. The announcement

[01:05] also shows five reasoning settings from low up to max. I couldn’t verify a published numerical benchmark table, public API pricing, or downloadable weights for this preview yet. The public API documentation still lists the older M3, so I wouldn’t transfer that model’s context window, multimodal features, or benchmark scores to M3.1 Flash. The numbers we’re testing here come from Kingbench, and the sheet doesn’t specify which reasoning setting was used for M3.1 Flash. For pricing context, Miniaax’s token plan page lists plus at

[01:36] $20 a month, max at $50, and Ultra at $120. Those are platform subscription prices. They don’t establish the per token cost or exact access conditions for this particular model. So, check the model available in your account before paying for it. Now, KingBench 3 has eight tasks here, each scored out of 10 for a total of 80 points. There are interactive simulations, 3D objects, and SVG illustration, a game, a math problem, and a local model training task. That percentage is the share of available

[02:09] points. It doesn’t mean the model completely solved 66% of the tasks because several results receive partial credit. And I’m reviewing the saved outputs here. So, this doesn’t establish how many attempts or corrections each generation needed. So, let’s get right into it. The first test is the elevator simulation. The request is for three elevators with each elevator carrying just one person. People should spawn on different floors, have their own destinations, and wait for another elevator. If the first one is occupied, hovering over a person should show their destination. Now, visually, we get a

[02:40] dark interface with three separate shafts and eight floors. There are sliders for the number of people and the speed, a spawn people button and counters for waiting, boarded, and delivered passengers. But if we actually click spawn people, nothing useful happens. The counters stay at zero and the browser reports an error before a passenger appears. I check the code as well. It creates a number for the passenger’s horizontal position, then tries to call that number like a function that breaks the spawning process immediately. The elevator graphics also sit clipped down at the

[03:12] bottom of the shafts in the preview. So the controls and the layout are there, but the central interaction doesn’t work. I can’t give it credit for working cues, destination tool tips, or passenger delivery just because there is code attempting those features. This gets three out of 10. For comparison, SEU 2 and Opus 5.5 get eight here, while Groke 4.7 and GPT6 sole get seven. This is the weakest result for M3.1 flash in the set. Now, the second test is a 3D contact lens case. It needs clearly marked left and right compartments, and

[03:46] clicking the caps should open them. This is much better. We get a rounded white case, an orange accent for the left side, a blue accent for the right, and large L&R labels. The lighting and shadows give it a clean product render appearance. Clicking directly on the left cap opens it, and the status changes to show that the left side is open. There are also separate controls for each cap and a both button. I tested that too and both lids open. There is one visible modeling problem though. When the lids open, the insides look like solid white surfaces rather than proper recessed compartments. Looking at

[04:19] the code explains it. The main body is solid and the attempted liquid and lens geometry sits underneath its opaque surface. So, I like the presentation and the working cap interaction, but the inside needs more work. This gets 8 out of 10. That matches SEU2 beats GPT6 Souls 6 and sits below Grock 4.7 at 9 and Opus 5.5 at 10. The third test is the folding table. The instruction is simple. Moving a slider to the right should unfold it. Moving left should

[04:49] fold it. And the movement should be smoothly animated in 3D. And this is probably my favorite visual generation from this run. It has a light wooden tabletop with visible grain, rounded edges, metal legs, diagonal supports, and black rubber feet. It looks like an actual folding table. Moving the slider left brings the two leg frames underneath the tabletop, and the table lowers toward the ground. Moving it back to the right brings the legs out and raises it again. I checked the fully folded position, the halfway position, and the fully open position. The code also does something sensible here. The

[05:21] two leg frames have different widths, so they can nest underneath the top, and the motion eases toward the selected position. That makes the change feel much better than simply snapping from one pose to another. This gets 9 out of 10, tying Grock 4.7 for the best score on this task. SUI 2 and Opus 5.5 get 8 and GPT6 soul gets seven. So, M3.1 Flash absolutely can produce a strong result when the geometry and interaction come together. Next, we have an SVG of a panda eating a burger. This one is cute. There is a rounded pastel background, a

[05:55] panda with large black eye patches, pink cheeks, and paws holding a tilted burger. The burger has sesame seeds and separate layers for the lettuce, tomato, cheese, and patty. There are crumbs near the mouth and little decorative stars around the illustration. The weak part is the bite. There is a round piece of bun sitting near the mouth with an awkward cutout underneath it, so it doesn’t read as a clean bite taken from the burger. You can understand the intended scene, but the overlap between the mouth and the food could be much better. This is a static SVG, and that’s fine because animation wasn’t required.

[06:29] It gets 7 out of 10. Sui 2 gets eight, Groke 47 gets four, and both GPT6 soul and Opus 5.5 get 10. Now, let’s come to the archery game. The requirement is four targets with faster completion moving the player up a leaderboard. At first, the presentation looks promising. It creates a landscape with mountains, a bright sun, grass, an archer, and a heads up display showing the timer, wind, targets, and arrows. There is a draw and release interaction and a dotted guide for the arrows trajectory. But when I start the game, the target

[07:03] stands appear across the range, while the actual target faces are piled up in the top left corner. So, the things you’re supposed to aim at aren’t displayed where the game checks for hits. The code confirms the problem. It draws the target circles around the canvas origin without first moving the drawing position to each target’s location. There’s also a separate error in the moving forth target. Its animation uses a starting height that was never defined. And the timer has a problem, too. After I fired an arrow, it stopped at 1.24 seconds while I was preparing the next shot. The timer pauses whenever you’re aiming between shots, so it leaves out part of the time

[07:35] you’re actually playing. That matters because this is supposed to be a time trial. A leaderboard based on that timer wouldn’t measure how quickly you actually completed the round. And the broken fourth target prevents a normal four target finish. Anyway, so nice scenery, but major gameplay issues. This gets four out of 10. Sway 2 and Grock 4.7 gets seven, GPT6, Soul gets six, and Opus 5.5 gets nine. The sixth test is the math problem. We have 60 ordered pairs arranged across 20 possible x values and three possible y-v values

[08:08] with specific rules for how consecutive pairs can connect. We need to count the valid orderings starting on the top row and ending on the bottom row. The expected answer in the benchmark is 20,460 and m3.1 flash is recorded as correct with 10 out of 10. All five models in the comparison sheet get 10 on this one. So this is a full score result but it doesn’t separate these models. Now the seventh test is much more ambitious. It asks the model to create a data set of panda facts, fine-tune a Gemma 2 billion

[08:41] parameter model and build a local web interface that produces a fact whenever the page refreshes. And there is substantial work here. The project contains 184 distinct facts expanded into 920 training examples and 184 validation examples. It uses a 4-bit Gemma 22B model with Laura adapters which are a smaller set of trainable weights added to the base model. There are actual saved model files and adapter weights. The training log reaches 600 iterations and the reported validation loss drops from 3.893 to 0.207.

[09:17] So this isn’t just a page with a random sentence and a claim that training happened. The interface is called aopota. It has a warm paper colored background, large serif text for the fact, a category underneath, and another fact button. I opened the local app, clicked that button, and refreshed the page. It did produce different entries, but there are important limitations. The validation examples use the same facts as training with different prompts. So, that lower loss shows improvement on that narrow data set. It doesn’t prove the model can reliably answer new Panda questions. Also, the app compares

[09:49] generated text with its own data set and can replace a close match with the stored wording. When it says verified, it means matched to that corpus. It doesn’t mean an independent source checked the statement. And I actually saw why that distinction matters. One displayed entry said the panda’s digestive system is built for bamboo rather than flesh. Smithsonian’s National Zoo describes it as more similar to a carnivore’s digestive system. And another entry in this project’s own data set says essentially the same thing. So the corpus contains a contradiction. There is a lot to like

[10:21] about the local pipeline, but the data quality and reliability need work. This gets 7 out of 10, while the other four models in the sheet get 10. Finally, we have the 3D wristwatch. This needs to show the current time with smooth hands, included day and date, and track two time zones. The result is called Meridian GMT, and it is quite ambitious. It has a metal case, a strap wrapped around a display wrist, a crown, a dark dial, day and date windows, and a separate hand for the second time zone. There are controls for the dial color,

[10:52] strap, hand movement, lighting, and camera angle. The live clock works in the preview. I changed the second time zone from London to Tokyo, and the readout updated from 5 hours ahead of New York to 13 hours ahead. The hand animation also uses fractional seconds, which is what you want for smooth movement, but the face has a very obvious geometry problem. The hour markers are all bunched near the top, forming this strange star-shaped cluster instead of being spread around the dial. The code gives them the same starting position and rotates each marker locally rather than placing it around the center

[11:25] of the watch. The outer numbers also appear upside down. And clicking the dial camera preset brings us to a steep almost edge on view that makes the face harder to inspect when the button should help you see it. So the timekeeping and customization are there, but the actual watch face needs fixing. This gets 5 out of 10. SWE2 gets eight, Grock 4.7 gets six, and GPT6 Soul and Opus 5.5 both get 10. Now let’s look at the final scores. M3.1 flash gets three for the elevator,

[11:56] eight for the contact lens case, nine for the folding table, seven for the Panda SVG, four for archery, 10 for math, seven for the local training task, and five for the watch. That adds up to 53 out of 80 or 66.25%. In the detailed comparison, Gro 4.7 gets 62 out of 80 or 77.5%. GPT6 Soul at medium gets 66 or 82.5%. Sweat 2 gets 67 or 83.75%. And Opus 5.5 at medium gets 75 which is 93.75%. The separate leaderboard graphic

[12:29] says 93.5 for opus but 75 out of 80 gives us 93.75. So I’m using the detailed sheet for that comparison. Looking at the full leaderboard M3.1 flash sits just above croc 4.5 at 65 and below Q3.8 flash next at 70. Above those GPT 5.6 Soul and Muse Spark 1.3 both have 71.25. 25. DSV4 flash has 72.5 and GLM 5.2 has 75. Muse Spark 1.2 and DSV4 Pro both have 76.25.

[13:01] Kimmy K3, Opus 5 and Grock 4.7 are tied at 77.5. GLM 5.3 Flash has 78.75 and Opus 4.8 has 80, Quen 3.8 max, Gemini 3.8 Flash and Deepseek V4.1 Flash all have 81.25. 25 GPT6 Soul and Fable 5 have 82.5 followed by SWE2 at 83.75 and the 3.8 MAX0902 entry at 86.25 at the top GPT6 Astra has 90, GLM 5.3 has 91.25, Fable 5.1 has 92.5 and then we

[13:37] have Opus 5.5 with the percentage discrepancy I just mentioned. Below M3.1 flash we have Muse Spark 1.1 at 60, GPT 5.6 Terra at 56.25, 25, Opus 4.7 at 50, Sonnet 5 at 48.75, GPT 5.6 Luna at 40, and GPT 5.5 at 35. The earlier Miniax M3 entry has 31.25, Gemini 3.5, Flash has 30. The separately labeled Deepseek V4 Pro entry has 24.8, and High3 has 20. Those are the labels and values shown in the supplied chart. In particular, it lists Deepseek V4 Pro and DS V4 Pro

[14:11] separately, so I wouldn’t silently combine those entries without knowing the difference between the runs. So, the big improvement over Miniax M3 is clear in this benchmark, but M3.1 Flash still trails the stronger models overall, and its results vary a lot depending on the task. Personally, I like the folding table and the contact lens case gives us a useful starting point. The local training project also shows that it can put together several real components, including data preparation, training, inference, and a web interface. The problem is that some basic mistakes survive into the finished output. A

[14:44] button crashes before spawning anything. Target graphics are drawn in the wrong place. Watch markers all share the same position. These are issues that a quick browser check can reveal. So, if you’re trying it for prototypes, inspect the result and test the main interaction before building on top of it. The score improvement is encouraging, but I would still want better consistency before trusting it with less supervision. And without verified pricing for this exact model or measured generation speed, I wouldn’t declare it the best value just

[15:15] because it has flash in the name. Overall, it’s pretty cool. Anyway, let me know your thoughts in the comments. If you like this video, [music] consider donating through the super thanks option or becoming a member by clicking the join button. Also, [music] give this video a thumbs up and subscribe to my channel. I’ll see you in the next one. [music] Until then, bye.