428B 的 MiniMax M3.1 Flash，本地化了：Unsloth 的 Dynamic GGUF 2-bit 版本只有 143.9GB，比官方约 252GB 小了 45%，Top-1 准确率还锁定在 91.5%，150GB 内存就能跑。以前只能调 API 的模型，现在真能塞进自家机器了。
这是一份原生多模态混合专家模型，编码、智能体工作流、计算机使用和网络安全都在行，支持文本、图像和视频输入，上下文最大可达 100 万标记。在 M3 的基础上，它在整个模型中引入稀疏注意力、量化感知训练和 DSpark 推测性解码，提高了任务性能和推理效率。
核心亮点就三条：2-bit 仅 143.9GB，1-bit 更低至 129GB，高保真不塌房；150GB 内存即可跑，16K 上下文起步友好；稀疏注意力 + QAT + DSpark，Coding、Agent、多模态全保留。实测里它在 BankerToolBench 上拿了 76.2 分，DeepSWE v1.1 上 73.7 分，OSWorld V2 上 61.7 分，CyberGym 上 82.2 分。
关键步骤也不复杂：装好 Unsloth Desktop，搜索下载 unsloth/MiniMax-M3.1-Flash-GGUF 的 UD-Q2_K_XL，加载时设 16K 上下文 + reasoning_effort: high（temp=1.0，top_p=0.95）。需要视觉或加速，可以额外启用 mmproj 与 DSpark。
加速这块还有个细节：DSpark 是推测性解码，配了一个 DFlash2 草稿模型，一次遍历就能预测整个词元块，再由轻量级选择器追踪出一条连贯路径，解码过程无损，输出与目标模型完全匹配。
评估口径也写得很清楚：运行在 SGLang（MiniMax-M3.1 版本）上，两块 NVIDIA GB300 GPU（TP2/EP2），目标权重 MXFP8，稀疏键值缓存 NVFP4，投机区块大小 8，每次验证步骤产生 7 个草稿代币，采样用 MiniMax 默认参数，新增代币上限 4096。
模型和指南都在这里：