在近期的模型更新中，Flash 档位正在成为开发者的主力选择。曾经，Flash 标签被视作牺牲推理深度换取低延迟的“阉割版”。但随着基座能力跃升，这类轻量高频模型已逐渐接管终端、自动化 Agent 等核心工程场景。
10 月 17 日，DeepSeek 推出 DeepSeek-V4.1-Flash-1017，将 DeepSWE 成绩推至 77.0%，Automation-Bench 提至 60.5%。
仅隔两天，MiniMax 正式发布 MiniMax M3.1 Flash。该模型在 9 月底曾以测试版形式在 MiniMax Code 等工具中低调开放，此次正式版则在代码工程、Agent 执行、Computer Use 及系统安全等多维度给出了完整评测，直接对标 DeepSeek-V4.1-Flash-1017 及国内外主流旗舰。
接入真实工程后，开发者的核心诉求最终都会收敛到工程性价比上，也就是在极低的单次任务开销下，模型到底能不能独立解决真实场景里的各种麻烦。
工程与 Agent 能力实测
官方评测显示，MiniMax M3.1 Flash 在核心指标上已进入第一梯队，软件工程得分紧咬 DeepSeek 最新版，并在跨系统企业自动化、金融工具调用与桌面操作上展现出明显优势。
在衡量代码仓库级修复能力的 DeepSWE 测试中，模型需要通读数万行代码并输出补丁。DeepSeek-V4.1-Flash-1017 达到 77.0%，MiniMax M3.1 Flash 取得 73.7%，差距仅 3.3 个百分点，同时超越了 GPT-5.6 Sol（73.0%）、GLM-5.3（66.9%）与 Kimi K3（67.5%）。
在考察跨 SaaS 动态执行的 Automation-Bench v1.0.6 中，M3.1 Flash 跑出 62.8% 的成绩，超过 DeepSeek 1017 的 60.5%，更显著高于 Claude Opus 5（50.3%）与 GPT-5.6 Sol（45.8%）。而在侧重终端命令行交互的 Terminal-Bench 4.0 中，M3.1 Flash 得分为 38.1%，DeepSeek 1017 达到 42.3%，两者在终端交互与上层业务流上各有侧重。
在面向金融复杂任务的 BankerToolBench 中，M3.1 Flash 取得 76.2% 的得分，与 Claude Opus 5 并列第一，领先于 DeepSeek V4.1 Flash（73.7%）与 GPT-5.6 Sol（74.6%），验证了其在严格合规与复杂工具链下的规划稳定性。
Computer Use 领域，在长流程权威基准 OSWorld V2 中，M3.1 Flash 取得 61.7%，超过 Kimi K3（58.3%）与 DeepSeek V4.1 Flash（54.3%），逼近 GPT-5.6 Sol（65.7%）。在专业任务综合基准 ALE 中，其通过率达 29.6%，接近 GPT-5.6 Sol 的 30.6%。
此外，M3.1 Flash 在漏洞安全测试 CyberGym 中拿下 82.2%，在多模态评测 BabyVision 中达到 91.0%，可通过截图和视频辅助前端开发与调试。
重定义单任务成本
真实工程环境里 Agent 解决问题需要反复读取上下文、调用工具和重试，冗长输出与中断翻车极易推高总账单。因此，比百万 Token 标价更具参考价值的是完成单项任务的平均总成本（Cost per Task）。
MiniMax M3.1 Flash 的 API 普通输入价格为每百万 Token 0.15 美元，输出价格为 0.60 美元，缓存命中输入价格约为 0.015 美元。相比上一代 M3，其输入输出价格直接砍半，缓存读取更是降了约 75%。对比 DeepSeek-V4.1-Flash-1017，M3.1 Flash 的价格与 DeepSeek 闲时持平，仅为其忙时价格（输入 0.30 美元/输出 1.20 美元）的一半。
进一步将任务完成率与单次任务成本放在一起比较，可以看到模型在实际执行效率上的差异：
Automation-Bench 性价比领先： 随着推理档位从 low、medium、high 拉升至 xhigh 和 max，M3.1 Flash 的红色曲线始终贴着左侧低成本区爬升，最高冲至 62.8%。相比之下，DeepSeek 1017 要达到相近分数需付出更高的单任务成本，而 Claude Opus 5 与 GPT-5.6 Sol 则基本分布在右侧的高价区。
DeepSWE 紧跟第一梯队： 在软件工程任务上，DeepSeek 1017 依然保持着最高分与低成本的综合优势；M3.1 Flash 最高分略逊一筹，但相比一众高价闭源旗舰，依然稳居“高得分、低开销”区间。
ALE 专业任务账单： 在 ALE 测试中，M3.1 Flash（Claude Code max 配置）跑出 29.6% 通过率，跑完全套评测预估仅需约 739 元人民币；而 Claude Opus 5、GPT-6 Astra 等模型虽然通过率更高，但对应成本也相应上涨。
除了支持五档推理强度让开发者按需控费外，生成速度也在隐性压低成本。得益于更激进的稀疏注意力架构，M3.1 Flash 日常输出速度可达 200+ TPS，中位数（P50）稳定在 170+ TPS 以上。对于需要成百上千次循环调用模型的自动化团队来说，跑得越快、错得越少，省下的时间和算力账单就越可观。
原生多模态与工具链落地
在此次正式版发布前，MiniMax M3.1 Flash 的早期版本已经在海外开发者社区经历过一轮公开测试和大量调用。
今年 9 月下旬，全球模型路由平台 OpenRouter 上线了一款代号为 Space Bunny 的匿名免费模型。不到一周，这款模型凭借在编程与 Agent 工具中的稳定表现，9 月 28 日单日消耗达 3.99 万亿 Token，一度超过 DeepSeek V4.1 Flash（3.44 万亿）位列平台日调用量第一。在开源编程工具 OpenCode 上也刷出了数十万亿 Token 的调用规模。
当时，不少海外开发者通过测试其独特的百万上下文窗口设置以及 Tokenizer 分词特征，推测其来自 MiniMax。此次官方正式确认，Space Bunny 正是 M3.1 Flash 的早期测试版，在吸纳了社区海量实战反馈后，正式版的工具调用与指令遵循得到了进一步加固。
MiniMax 从此前的 M2.7、M3 系列迭代至 M3.1 Flash 的技术路线，这款模型针对开发者的核心特性主要集中在了百万级上下文与原生多模态输入的结合上。这直接打通了许多过去纯靠文字描述极其费劲的开发场景。
比如在前端性能调优中，面对包含海量工单的卡顿页面，Agent 可以自己跑起项目，直接“看懂”浏览器生成的火焰图和日志，揪出耗时操作并改代码重测；而在 Computer Use 桌面操作中，模型直接靠截图理解软件界面状态，联动键鼠完成跨软件的繁琐人工操作。
结语
72 小时内，DeepSeek 与 MiniMax 前后脚交出新一代 Flash 答卷。可以看出国内大模型的竞争重点正在从代码能力延伸至复杂 Agent 任务、计算机操作和实际使用成本等多个维度。
对于开发者而言，MiniMax M3.1 Flash 的实际价值在于，它在 DeepSWE、Automation-Bench 等核心工程测试中交出了具有竞争力的成绩，同时将能力覆盖到 Cowork、Computer Use 等场景，并通过多档推理强度和较低的任务消耗，为不同复杂程度的 Agent 工作提供了成本选择。
目前，M3.1 Flash 已正式上线 MiniMax API、MPlan 以及 MiniMax Code 中，并将于稍后开放权重。对于高频使用 Coding Agent，或正在尝试将 Agent 引入企业工作流的开发者和团队，这款模型提供了一个兼顾工程能力与使用成本的新选择。
