👦🏻 作者: GaKi
🥷 编辑: Koji
🧑🎨 排版: NCon
过去 72 小时内，国内两家模型厂商前后发布了 Flash 模型。
10 月 17 日，DeepSeek 更新了 V4.1 Flash-1017。两天后，MiniMax 发布了 M3.1 Flash。两款模型发布后都受到了相当多的关注。
DeepSeek 这次更新的 Flash，编程成绩达到了大参数旗舰模型的水平。
MiniMax 的 M3.1 Flash 在正式发布前，就以匿名模型 Space Bunny 的身份在 OpenRouter 上被开发者反复测试。社区根据分词器等特征，猜它可能来自 MiniMax，这个猜测这回得到了验证。
值得一提的是，这次正式发布的 M3.1 Flash 相比早期的 Space Bunny，能力还有进一步提升。
「十字路口」团队也在《OpenCode 日榜易主：匿名模型 Space Bunny 突然登顶》中第一时间进行了测评。
我们用 SpaceBunny 在 Blender 搭建的「光庭当代美术馆」
如果把时间范围放宽到最近一个月，会发现国产 Flash 模型的更新明显加快了。越来越多的国内厂商开始把重点放在 Flash 档位上，这也让 Flash 成为了国产大模型竞争最激烈的区间之一。
这次 M3.1 Flash 的成绩也相当亮眼，在 Agents' Last Exam（ALE）榜单上拿下国产第一，Artificial Analysis（AA）综合智能指数达到 43 分，已经可以和不少大参数旗舰模型直接竞争。
在过去，「Flash」这个词代表便宜、够用。这次，两款模型给出的成绩，已经可以和旗舰模型直接对比，而它们的定价仍然在 Flash 档位。
🚥
接下来，我们用 MiniMax M3.1 Flash 做了两个实测，再结合行业里的变化，聊聊 M3.1 Flash 这次的整体表现。
先简单介绍一下 M3.1 Flash 的成绩。
在 Artificial Analysis 的综合智能指数上，M3.1 Flash 取得了 43 分，和 DeepSeek V4.1 Flash-1017 处在同一区间，而分数相近的几个模型基本都是大参数的旗舰模型。
编程方面，它在 DeepSWE 上取得 74 分，仅次于 DeepSeek V4.1 Flash-1017 的 77 分，高于 GPT-6.1 Sol、Claude Opus 5 等海外旗舰模型。
Agent 方面，在 OSWorld 2.0 和 Agents' Last Exam（ALE）两个榜单上，它的成绩都高于一些大参数旗舰模型，其中 ALE 得分为 29.6%。在金融场景的 BankerToolBench 上，它取得 76.2 分，和 Claude Opus 5 并列第一。
价格方面，M3.1 Flash 的输入、输出定价是 DeepSeek V4.1 Flash-1017 高峰期价格的一半。
现在，M3.1 Flash 对比的对象，已经从同档的 Flash 模型，换成了 Claude Opus 5 这样的大参数旗舰模型。
这其实反映了 Flash 模型正在挑战过去只有旗舰模型才能完成的任务，而且价格优势依然很大。
如果放在过去，这种对比其实很少见。
因为过去很长一段时间，开发者选择模型一直有一套默认的分工，也就是旗舰模型负责重要的任务，Flash 模型负责简单、量大的任务。选择 Flash，往往只是因为预算有限，或者任务本身不复杂。
所以在很多人的印象里，Flash 一直是旗舰模型的低配版本。
但 DeepSeek V4.1 Flash-1017 已经给出了一个例子，它的编程成绩超过了不少大参数旗舰模型，M3.1 Flash 则算是又一次证明了这件事。
如果只看 Benchmark，在 DeepSWE 上，M3.1 Flash 的 74 分高于 GPT-6.1 Sol、Claude Opus 5、Claude Fable 5 和 Gemini 3.8 Flash。
这些模型里，有不少模型的价格比 M3.1 Flash 高出一个量级：
海外开发者的反馈，基本也都集中在「智效比」这一点上。
Together AI 的开发者体验负责人 @nutlope 用同一段提示词，让 M3.1 Flash 和 Claude Opus 5.5 各做一个硬件发布会的落地页。M3.1 Flash 花了 0.014 美元，Opus 5.5 则花了 1.22 美元，相差约 88 倍，速度快了大约 4 倍。
他的评价是，M3.1 Flash 在设计上的表现很不错：
3D 场景是另一个讨论集中的方向。
@seki_anos 让 M3.1 Flash 在 Blender 里搭建东京塔，目的是测试它的自动化操作能力。发现模型在大展望台周围的结构已经能做得相当细致。
我们也做了一次实测，让 M3.1 Flash 用 Three.js r160 搭建了一个 HTML 网页。主题是一家深夜还在营业的街角便利店，外面正下着雨。这类 3D 小场景最近在小红书上还挺火的。
整体效果还不错，便利店和周围的街道都建得比较完整，画面也比较真实。尤其是灯光的处理，包括店里的灯光、路灯照在地面上的效果，都做得挺细。
另外，整个场景的底座下方还放了一层由 26×26×4 个小方块组成的「果冻海」，用来模拟水面的起伏和涟漪，看起来也比较自然。
然后，我又试着拖动视角，放大、缩小镜头，查看场景里的细节。可以看到，雨点落在地面上的效果，以及深夜便利店的招牌灯光倒映在水面上的效果，都做得挺真实的。
当然，这个效果还不能说有多完美，但作为一次快速生成的 3D 场景，已经相当不错了。
至少能看出来，像这种前端和 3D 小项目，已经可以直接交给 Flash 模型来做，而且效果还挺好。
对于更复杂的项目，开发者也可以先用 Flash 模型做一版，看看效果，再决定哪些地方需要用旗舰模型继续优化。它的成本低、速度快，所以多试几轮、多改几版的成本也基本可以接受。
这次 M3.1 Flash 最值得关注的成绩，其实集中在 Agent 能力上。
Agent 榜单和编程榜单测的东西不太一样，编程榜单主要看模型写代码的能力，Agent 榜单则更看重模型能不能自己一步步操作，完成一个需要很多步骤的任务。
Agent 相关 Benchmark 中有一个叫 OSWorld 2.0 的测试，由香港大学 XLANG Lab 牵头推出，包含 108 个需要很多步才能完成的任务，涉及 7 个领域。即使是熟练的人类，完成其中一个任务通常也要花 1.6 小时左右。
另一个测试叫 Agents' Last Exam（ALE），由加州大学伯克利分校 RDI 等机构牵头，数百名行业专家参与设计，涉及 13 个行业、55 个细分领域。
在这两个榜单上，M3.1 Flash 的成绩都高于一些大参数旗舰模型，其搭配 Claude Code 这个 Harness 之后，在 ALE 上的得分为 29.6%。
另外两个榜单测的内容，更接近企业平时的工作，而这块已经成了很多模型发布时的重点评测对象。
其中，Automation-Bench 由 SaaS 自动化平台 Zapier 推出，包含 600 个来自真实企业的任务，覆盖销售、营销、客服、财务和 HR 等业务线。
M3.1 Flash 在这个榜单上拿到了 62.8 分，而且完成一个需要在多个系统之间操作的任务，成本不到 0.05 美元。
BankerToolBench 则主要测试金融相关的任务，比如让模型自己规划操作步骤、核对不同文档里的数据，以及调用工具完成工作。M3.1 Flash 在这个榜单上拿到了 76.2 分，和 Claude Opus 5 并列第一。
再来看这张图：
横轴是完成整套 ALE 测试要花多少钱，纵轴是通过率。越靠左上方，说明模型花的钱越少，通过率越高。
M3.1 Flash 在图的最左侧，通过率为 29.6%，总成本约 739 元，是图里最省钱的模型之一。
相比之下，通过率更高的 Claude Opus 5.5 和 GPT-6 Astra，总成本都超过了 7000 元。图中红色阴影里的模型，通过率要比 M3.1 Flash 低，花的成本却更多。
所以在 Agent 任务上，更高的分数已经不一定对应更高的价格。
而 Agent 成绩变得重要，原因在于 token 的用途已经发生了变化。
据 OpenRouter 披露，今年 2 月前后，平台上 Agent 消耗的 token 首次超过了人工对话。到 8 月初，Agent 已经占到平台 token 总量的七成左右。一次 Agent 请求消耗的 token，大致为一次人工对话的 15 倍。
据 OpenRouter 统计，Agentic Workloads（智能体任务）的 Token 使用量快速增长，已远超人类直接交互产生的 Token 使用量。
所以模型厂商之间的竞争，越来越集中在 Agent 任务上。一个 Agent 任务通常由几十步调用组成，每一步都要等待模型输出。单步慢一点，整个任务就会慢非常多。
除了成本低，M3.1 Flash 的速度也很快。早在匿名测试阶段，它就因为响应速度快受到不少关注。根据官方信息透露，在日常场景下最快能达到每秒 200 多个 Token，中位数速度也有 170 TPS 以上。
这意味着，用 M3.1 Flash 跑 Agent 任务，每一步等待的时间都能缩短一些。调用次数越多，速度带来的优势就越明显。
价格便宜，速度又快，对于需要反复调用模型的 Agent 来说，M3.1 Flash 自然就更有吸引力了。
所以，在第二个实测中，我们选择了一个更接近完整项目的任务，看看 M3.1 Flash 连续执行多步任务的表现怎么样。
这次，我们用 M3.1 Flash 从零做了一个咖啡点单 App 的 Demo，名字叫「啡志」。
和前面简单的 3D 网页不同，这次我们把 M3.1 Flash 接入了自己的工作流，让它作为主 Agent，负责整个 App 的开发和修改。
因为要做一个比较完整的 App Demo，除了写代码，还需要生成一些图片。所以，我们又接入了之前一直在用的 AI 图像生成 API。
这样一来，M3.1 Flash 就可以自己调用 API 生成图片，再根据图片的内容进行分类，放到 App 对应的位置，最后把这些内容做成一个可以使用的 Demo。
整个过程中，我们也让它不断修改和完善 App，看看它能不能把写代码、生成图片、整理内容这些步骤连起来，完成一个相对完整的项目。
现在这个 App 的主页主要展示日常上新的咖啡产品。里面所有的图片都是真正由 AI 生成的，没有使用占位图。
而且，这些图片也不是随便生成的。在生成咖啡豆、成品咖啡等图片之前，我先让 M3.1 Flash 做了一轮深度搜索，自己去研究不同咖啡产品的特点，再根据搜索结果写出对应的生图提示词。
然后，它会调用图像生成 API，把图片生成出来，再放到 App 对应的位置。
也就是说，从搜索资料、研究产品，到生成图片、放进 App，这几个步骤都是由 M3.1 Flash 自己完成的。
除了咖啡成品和咖啡豆的图片，整个 App 的交互效果也做得不错。
比如，点击一个咖啡商品后，商品详情页会向左上方放大展开，中间还有比较自然的渐变动画。继续向下滑动，还能看到一个动态的风味评分区域，可以通过拖动来查看不同的风味特点。
另外，App 里还做了一个手冲咖啡计时功能。
比如，用户点击一款名叫 Stell Drum Excelsa 的手冲咖啡，完成点单后，就可以直接在 App 里开启手冲计时器，自己掌握冲泡时间。
之前订购过的咖啡豆，也都会自动保存到自己的「豆单」里，以收藏卡片的形式展示。
点击一款咖啡豆，比如瑰夏，就能看到它的酸度、风味特点，以及冲煮时推荐的用量等信息。
其实，这种展示方式现在在淘宝、京东的咖啡豆商品页里也很常见。商家会把咖啡豆的风味、酸度、冲煮参数等信息做成图表，方便用户了解不同咖啡豆的特点。
所以，我们也把这种比较常见的咖啡豆展示方式做进了 App，让用户买完咖啡豆之后，还能在自己的「豆单」里随时查看。
整体体验下来，这个咖啡 App Demo 已经做得比较完整了。从前期搜索资料、生成图片，到开发页面、添加交互功能，M3.1 Flash 都可以比较连贯地完成。
当然，这还只是一个 Demo，距离真正上线使用还有不少工作要做。但这次实测至少说明，M3.1 Flash 已经可以在一个相对完整的开发流程里，连续完成多种不同的任务。
不过，实际开发时，也不一定要把所有任务都交给同一个模型。
很多开发者会让旗舰模型负责规划任务、解决复杂问题，再让 Flash 模型去执行那些步骤多、需要反复操作的工作。
比如，Anthropic 就把 Haiku 5.5 定位为 Opus 和 Sonnet 的子代理。海外也有开发者把 M3.1 Flash 放在 Opus 5.5 之下，专门负责需要循环 30 步的网页爬取、PR 审查，以及夜间自动调研。
对于这些需要多次调用模型、又不用马上出结果的任务，M3.1 Flash 价格低、速度快的优势就更明显了。
再来说说 Flash 模型最容易获得关注的「定价」，M3.1 Flash 这回的定价是每百万 token 输入 0.15 美元、输出 0.60 美元，大约是上一代 M3 的一半，缓存读取价格降低了约 75%。
以 DeepSeek V4.1 Flash-1017 为例，该模型采用分时定价，闲时价格和 M3.1 Flash 相同，高峰期价格翻倍。所以 M3.1 Flash 的价格，大致相当于 DeepSeek 高峰期的一半。
换句话说，DeepSeek 只有闲时才提供的低价，M3.1 Flash 全天都能提供。
以前开发者为了省钱，会把不着急的任务留到半夜再跑。现在不用专门等到晚上了，白天也能以差不多的价格完成这些任务。
国内网友也很快把这件事编成了段子，比如有人说「峰时兔谷时鱼」，兔子指的是 M3.1 Flash 的匿名代号 Space Bunny，鱼指的是 DeepSeek。
如果算上缓存命中率，两者的价格就基本差不多了。
这一点对 Agent 很重要，因为 Agent 在执行任务时，经常会反复读取同样的代码、文档和工具返回的内容，所以很多输入都可以直接使用缓存。
不过，光看 token 单价并不足以论证智效比，还得看完成一个任务到底要消耗多少 token。
在 Artificial Analysis 的测试中，M3.1 Flash 完成一个任务平均花费大约 0.22 美元，DeepSeek V4.1 Flash-1017 则是 0.26 美元。
而且，完成整套测试，M3.1 Flash 总共输出了约 1.89 亿 token，不到 Gemini 3.8 Flash 的六成。
下面，我们也整理了 X 上开发者的一些对比案例：
【1】@thehypedotnews 做的是一个潜艇追逐的 HTML 小游戏。M3.1 Flash 花了 0.21 美元，Gemini 3.8 Flash 花了 1.43 美元。
【2】@domsilvestre 让 M3.1 Flash 和 Claude Opus 5.5 各做了 3 个 3D 场景。M3.1 Flash 一共花了 0.19 美元，Opus 5.5 花了 13.83 美元。
【3】@Bhavani_00007 用同一个 3D 场景任务，对比了 M3.1 Flash、Claude Opus 5 和 GPT-6 Sol。他的结论是 M3.1 Flash 更快，生成的效果也相对更佳。
整体来看，M3.1 Flash 在编程、Agent 和金融相关任务上的表现都比较稳定。再结合 DeepSeek 这几天收到的不错评价，这两款模型其实各有优势，适合处理不同的任务，开发者完全可以搭配着用。
对 MiniMax 来说，这次 M3.1 Flash 的发布其实还有另一点意义值得聊一下。
M3 发布之后，外界对 MiniMax 文本模型的评价其实并不高，甚至有人吐槽 M3 的 Coding 能力几乎没法用，这点从各个社区的反馈很轻易就能看到。
当时，不少人认为 MiniMax 的优势主要在多模态，但现在看来，它的文本模型同样有不错的表现。
现在，M3.1 Flash 在榜单和实测里，相比 M3 都有比较明显提升，从 AA 智能指数来看，M3.1 Flash 相比 M3 提高了 10 多分。
这回，MiniMax 还预告了追求智能上限的 Pro 版本，Flash 版本已经达到了目前这个还不错的水平，Pro 版本的表现可以期待。
如果考虑到完成一个完整任务的总成本，包括花费、等待时间和返工次数，旗舰模型 + Flash 模型的组合显然更优。
无论是 Opus 5.5 还是 Fable 5.1，都可以把 M3.1 Flsh 当作一个具体执行的子 Agent，带它一起「玩」。
当然，以上成绩的真实效果，还是需要将模型部署到自己的真实工作流中来验证。
M3.1 Flash 现在已经上线 MiniMax API、M Plan 和 MiniMax Code，推荐大家来爽玩一下 ～
