大模型行业，正在进入一场更现实的竞争。
过去几年，模型厂商比参数规模、比榜单分数、比谁能在数学题和编程基准上拿到更高的成绩。但当 AI 开始写代码、操作电脑、调用工具，甚至独立完成一整套工作流程时，问题也随之发生了变化：模型不仅要聪明，还得真的能把活干完，不仅要能干活，还得干得快、干得起。
毕竟，模型在测试题上多拿几分，未必能直接转化为生产力。但如果一个模型能够独立修复代码、操作软件、处理多步骤任务，而且调用成本足够低，开发者就有理由把更多工作交给它。
10 月 19 日，MiniMax 正式发布 M3.1 Flash。
更值得关注的是，MiniMax M3.1 Flash 不只是靠低价吸引市场注意，在 Agent 能力的基准测试中也拿出了领先成绩。
在 Agent 榜单和 AA（Artificial Analysis）榜单中，MiniMax M3.1 Flash 均冲到了第一的位置，成为国产模型在 Agent 赛道上的又一个强势选手。 这意味着，Flash 模型的竞争已经不再局限于低成本、快响应，而是开始向复杂任务执行能力和综合性能正面突围。
此前在开发者社区中引发关注的匿名模型 Space Bunny，也终于揭晓身份。MiniMax 确认，Space Bunny 正是 M3.1 Flash 的早期版本。
Space Bunny 最早引起关注是在 9 月下旬。这个匿名模型在 9 月 23 日上线后一直稳居 OpenCode 调用量榜单第二，在 OpenRouter 调用量榜单中一度排名第一，网友亲切地叫它“太空兔”。
彼时，根据开发者的测试情况，这款模型大概率也是 Flash 模型，大部分用户反映“太空兔”速度非常快并且在 3D 输出方面能力突出。
在 x 上，有开发者仅输入了一句简单的提示词，等待了大概 40 分钟，“太空兔”就生成了一个简易版《我的世界》，能够击碎和放置方块，还可以通过快捷栏切换物品。
值得注意的是，Space Bunny 并非 MiniMax M3.1 Flash 的最终形态，而是其早期版本。随着模型迭代至 M3.1 Flash，模型在 Agent 任务执行、代码生成和长程任务处理等方面进一步提升。换句话说，Space Bunny 已经展示了模型从一句自然语言指令出发、持续编写代码并交付可运行应用的能力，而 M3.1 Flash 则是在这一基础上继续向前推进，进一步强化了模型将想法转化为实际产品的能力。
此外，另一个值得关注的点并不是又一个神秘模型被认领，而是 MiniMax 想借 M3.1 Flash 传递的信号：低成本模型不应该只负责简单问答和代码补全，也有机会进入复杂编程、电脑操作和多步骤 Agent 任务的竞争。
如果说过去的模型竞赛是在比谁更聪明，那么进入 Agent 时代之后，竞争正在多出几个更现实的维度：谁能把任务做对，谁能更快完成，谁又能把成本控制在开发者和企业真正愿意承担的范围内。
M3.1 Flash 想回答的，正是这道新考题。
性能不打折，M3.1 Flash 稳坐 Agent 国模第一对于一款主打性价比的模型，最容易陷入的误区是：只要足够便宜，性能差一点也没关系。
但在 Agent 场景中，这笔账并没有那么简单。
模型如果无法理解任务、经常调用错误的工具，或者在执行过程中反复走弯路，省下来的 Token 费用很可能会被重试和人工纠错抵消。对于需要连续执行几十步甚至上百步操作的任务而言，模型能力不足带来的损耗，远不止多花几分钱。
因此，判断 M3.1 Flash 是否值得关注，第一步不是看它有多便宜，是要先看它能做什么。
具体的，我们先用数据说话。
在软件工程方向，M 3.1 Flash 在 DeepSWE v1.1 上取得 73.7% 的成绩。与单纯让模型生成一段代码不同，软件工程类任务通常要求模型理解现有代码库、定位问题、修改代码，并尽可能通过测试验证结果。它考验的不是模型能否写出看似合理的代码，是能否围绕一个具体问题推进工作。
在电脑操作方向， M3.1 Flash 在 OSWorld V2 测试中的得分为 61.7，Agents' Last Exam（ALE）得分为 29.6，位列中国模型第一，仅略逊于国际顶级模型 Opus 5、GPT-5.6 Sol。
这两项结果值得单独关注。OSWorld 的核心是让模型在真实桌面环境中完成任务，涉及应用操作、文件处理和多步骤工作流；ALE 则涵盖需要调用工具、检索信息和执行专业任务的复杂问题。它们与传统问答基准的区别在于，模型不能只给出一个正确答案，还需要采取行动，推进任务。两项成绩分别从复杂任务执行与真实电脑操作的角度，呈现了它在 Agent 场景中的能力。
另外，M3.1 Flash 在 BankerToolBench 上取得 76.2 的成绩，在 CyberGym 上取得 82%，在 Automation-Bench v1.0.6 上取得 62.2。
其中，BankerToolBench 关注复杂金融任务中的工具调用和多步骤处理；CyberGym 主要评估模型在软件漏洞分析、验证等安全任务中的能力；Automation-Bench 则试图衡量模型在自动化任务中的执行表现。
从上述测试结果来看，MiniMax 已经不满足于把 M3.1 Flash 做成一个便宜的代码生成器。它希望证明，Flash 模型同样有机会处理软件工程、电脑操作和多步骤任务。
性能媲美全球顶级模型，价格却低得多。
MiniMax 官方公布的 M3.1 Flash API 价格为：输入每百万 Token 0.15 美元，输出每百万 Token 0.60 美元，缓存输入每百万 Token 0.015 美元。
这组价格的吸引力，不只在于输入价格低，更在于它试图把具备较强任务执行能力的模型，放进开发者可以持续调用的成本区间。
假设一次任务输入 10 万 Token、输出 2 万 Token，且输入没有命中缓存，那么按官方单价计算：
输入费用：100,000 ÷ 1,000,000 × $0.15 = $0.015
输出费用：20,000 ÷ 1,000,000 × $0.60 = $0.012
合计：约 $0.027
也就是说，在这个假设下，一次调用的模型费用不到 3 美分。
MiniMax 在这次发布中还强调，M3.1 Flash 的使用成本较上一代降低 70%。
这是一个什么概念呢？
对比国内以“性价比之王”著称的 DeepSeek V4.1 Flash 1017 的价格，就能看出 Minimax 的诚意了。
DeepSeek V4.1 Flash 1017 忙时标价为输入每百万 Token 0.30 美元、输出每百万 Token 1.20 美元，闲时输入每百万 Token 0.15 美元、输出每百万 Token 0.6 美元。
M3.1 Flash 的官方标价则是输入 0.15 美元、输出 0.60 美元。按这组公开标价，M3.1 Flash 的价格与 DeepSeek V4.1 Flash 1017 闲时价格相同，是 DeepSeek V4.1 Flash 1017 忙时价格的一半。
所以也难怪有用户在国内社交媒体上调侃，“闲时梁文谷，忙时闫俊峰”。
M3.1 Flash发布后，Together AI 开发者体验负责人 Hassan 忍不住在 x 上盛赞 M3.1 Flash 做设计简直绝了，比 Opus 5.5 便宜 88 倍！
他写道：“这模型做设计简直逆天。在我的测试里，成本还比 Claude Opus 5.5 便宜 88 倍！我让 M3.1 Flash（左）和 Opus 5.5（右）各做一个硬件产品的落地页。MiniMax 只花了 0.014 美元，Opus 则花了 1.22 美元——而且前者速度快 4 倍，token 效率也更高。”
除了性能和价格，速度是 M3.1 Flash 的另一张牌。
M3.1 Flash 在日常使用中的输出速度可以超过 200 TPS，中位数速度（P50）稳定在 170 TPS 以上。此外，新版本的在线推理速度相较此前版本有显著提升。
对于普通聊天来说，速度提升最直观的感受是等待时间变短。但在 Agent 场景中，速度的意义还要更进一步。
一个复杂任务通常不是模型回答一次就结束。它可能先拆解目标，再调用工具；接着读取工具返回的信息，重新判断下一步；如果遇到错误，还要继续推理、修改和重试。每一轮模型生成都会增加等待时间，而多轮调用累积起来，可能直接影响整个任务的完成效率。
因此，更快的模型生成速度，理论上有机会缩短 Agent 工作流的等待时间。尤其是在需要连续调用模型的任务中，速度优势可能被多轮执行放大。
当模型越来越便宜，模型能力的分水岭，正在从“能不能生成正确答案”，转向“能不能在一个真实环境里，连续做出正确动作，并最终交付一个可验证的结果”。
会写一段代码，只能说明模型能生成代码，能独立定位项目中的问题、修改多个文件、执行测试、读取报错并修复，才更接近软件工程 Agent。能打开应用、跨系统搬运信息、完成表格、提交记录并核对结果，则更接近一般意义上的工作型 Agent。
要验证 Agent 的能力，当然还要从执行实际任务的效果来看。
在 x 上， M3.1 Flash 已经被开发者玩出花了。
有网友用 M3.1 Flash 通过 three.js 代码编写的第一人称竞技场 FPS 游戏，未使用任何外部资源，效果异常惊艳。
有网友将 M3.1-Flash Max 与 DeepSeek V4.1 Flash-1017 进行了对比，认为 MiniMax 胜出！
他给出了以下几点原因：“首先，它的速度令人印象深刻。我目前使用的是 MiniMax M 套餐，每秒可以获取大约 200 个 token ，与 DeepSeek 的速度非常接近。两款模型都在 38 分钟内完成了测试，但我更喜欢 MiniMax 的结果质量，尤其是考虑到它的价格如此低廉。我使用的是 22 美元的 Go 套餐，这次测试只用了我 5 小时限额的 6% 左右，不到我每周限额的 1%，所以考虑到它完成的工作量，这非常划算。我还在同时运行其他几个测试，而这实际上是第一个完成的，所以我很想看看其他测试的结果如何。祝贺 MiniMax 团队，他们打造了一款非常出色的产品！”
还有用户以同样的提示词，测试了 DeepSeek V4.1 Flash 1017 与 Minimax M3.1 Flash 的输出效果。
该用户表示，相同的提示词，相同的任务下，DeepSeek 耗时：1 小时 28 分 27 秒，token 数：89,487,454，成本：$0.54。Minimax 耗时：1 小时 6 分 51 秒，token 数：8,120,000，成本：$0.22。
事实上，考验一款模型的 Agent 能力，不只是模型能不能写出游戏代码，是要看它能否把一句自然语言需求转化为可运行的产品：理解玩法、组织代码、搭建交互逻辑，并最终交付一个用户可以直接体验的结果。相比只生成代码片段，这更接近 Agent 编程的实际工作方式——用户描述目标，模型负责推进实现。
一个更直观的例子来自游戏开发。近期，有用户使用 MiniMax M3.1 Flash 复刻经典游戏《天天过马路》（Crossy Road），整个过程只给了模型一个相对简单的指令，模型便生成了一个完整的可玩游戏。
该用户写道：“我刚用 MiniMax M3.1 Flash 做了个游戏，只给它一个简单的指令，让它重现《天天过马路》（Crossy Road），它就做出了一个完整的可玩游戏。它的速度快，编码性能惊人，价格也超级实惠。MiniMax Code 用户在 10 月 25 日之前还可以无限使用。”
另一个案例更能体现 M3.1 Flash 在复杂应用开发上的潜力。
有用户让它从零开始构建一个 AI 代理指挥中心，模型迅速生成了一个可交互的仪表板，包含 25 个模拟代理、实时执行日志、任务编排和实时遥测等模块，所有功能均可在浏览器中运行。
这项任务考验的并非单纯的代码生成能力。模型需要先理解“代理指挥中心”这一抽象概念，再将其拆解为不同的功能模块，组织界面布局、设计交互逻辑，并把各部分整合成一个能够实际操作的原型。换句话说，它需要完成从需求理解、界面构建到功能串联的一系列工作。
这个案例仍然展示了 M3.1 Flash 的一项实用价值：它可以帮助开发者更快地把复杂的产品构想变成可交互、可验证的原型，缩短从想法到第一次可运行版本的距离。
如此效果，很难不让开发者着迷。
最近一段时间，Flash 模型正在成为大模型市场中不可忽视的一条竞争路线。
DeepSeek V4.1 Flash 1017 和 MiniMax M3.1 Flash 几乎前后脚进入市场。它们都在尝试证明一件事：低成本模型不必局限于简单问答，只要模型能力、推理效率和 Agent 工程能力足够成熟，同样可以参与编程、工具调用和复杂任务执行的竞争。
按照相关 Coding 性价比评测，DeepSeek 位居第一，MiniMax M3.1 Flash 排名第二。两者都在回答同一个问题：开发者能否不必为每一次模型调用支付高昂成本，也能获得足够强的代码生成和任务执行能力？
但两者并不是简单的替代关系，与其说两款模型已经形成了明确的能力分工，不如说它们正在不同任务上展开竞争。对于主要关注代码修复、终端操作的开发者，DeepSeek 的公开成绩值得关注；对于涉及复杂自动化、电脑操作和多步骤业务流程的应用，M3.1 Flash 也提供了值得测试的选项。最终如何选择，仍然要看实际工作流中的表现，而不是仅凭某一个总榜名次下结论。
国产 Flash 模型的竞争，正在从单纯比拼 Token 单价，延伸到不同任务场景下的综合性价比。当模型开始进入真实工作流，真正重要的就不再是单次回答有多漂亮，而是完成一项任务究竟要花多少钱、需要多久，以及最终能不能交付结果。
对于普通问答来说，比较每百万 Token 的输入和输出价格，通常就能对调用成本形成基本判断。但在 Agent 工作流中，模型需要反复调用工具、读取执行结果、调整计划，有时还要修改代码并重新运行。一次任务究竟花多少钱，不仅取决于每个 Token 的价格，还取决于模型需要消耗多少 Token，才能得到符合要求的结果。
因此，Agent 的实际成本至少可以拆成四部分。
第一，模型调用成本。 包括输入、输出，以及缓存命中所产生的费用。长上下文、多轮对话和复杂推理都会影响最终账单。
第二，重试成本。 如果模型误解了需求、调用工具失败，或者生成的代码没有通过测试，就可能需要重新规划、执行和验证。单次调用便宜，并不代表反复尝试后的总成本低。
第三，时间成本。 除了模型生成速度，还要计算工具执行、环境响应、任务调度和重试所花费的时间。模型每秒可以生成多少 Token，并不等于用户能多快拿到最终结果。
第四，人工接管成本。 如果模型交付的结果仍需要开发者花费大量时间检查、纠错和补充，那么一部分成本实际上只是从模型端转移到了人工端。
MiniMax M3.1 Flash 相比前代模型，其 Agent 任务整体使用成本降低了 70%，但这还不能足够说明问题，评价一款 Flash 模型不能只盯着价格表，更有意义的指标是：在相同任务和验收标准下，模型消耗多少 Token、需要多少次工具调用、花费多长时间，以及最终有多少任务能够一次完成。
如果说过去的模型竞争主要看能力上限，那么进入 Agent 阶段后，厂商还必须回答三个更实际的问题：模型能不能完成任务，完成任务需要多少资源，以及这种结果能否稳定复现。
MiniMax M3.1 Flash 与 DeepSeek V4.1 Flash 1017 的对比，恰好能说明这三个维度为什么不能分开看。
先看性能。DeepSeek 公布的 DeepSWE v1.1 成绩为 77.0，高于 M3.1 Flash 的 73.7；在 Terminal-Bench 4.0 中，DeepSeek 也有更高的公布成绩。相较之下，M3.1 Flash 在 MiniMax 公布的 BankerToolBench 中取得 76.2 分，在 OSWorld V2 中取得 61.7 分，并在 Automation-Bench 等任务上展示出竞争力。
再看成本。Artificial Analysis 的同一套评测数据显示，M3.1 Flash 的 Intelligence Index 为 43，DeepSeek V4.1 Flash 1017 为 45；两者在其评测任务中的加权平均任务成本分别为 0.22 美元和 0.26 美元。这个结果说明，在这套特定评测及其计价方式下，M3.1 Flash 的任务成本更低。
最后，也是更容易被忽略的一点：可靠性。模型在基准测试中获得较高分数，并不自动意味着它在生产环境中能够稳定交付。
对编程 Agent 来说，代码是否通过测试、是否引入新的缺陷、能否正确处理异常情况，比生成代码的速度更重要；对电脑操作 Agent 来说，完成任务的比例、操作是否准确、失败后能否恢复，比单纯展示一段流畅的操作过程更有意义；对企业工作流来说，工具调用是否正确、任务能否端到端完成、输出是否符合业务规则，才是能否上线的关键。
从这些角度看，DeepSeek 与 MiniMax 的竞争并不是一道简单的单选题。前者在部分编程和终端任务的公开成绩上表现突出，后者则在自动化、电脑操作等方向展示了自己的特点。谁更适合某个应用，最终要由实际任务决定。
对开发者而言，最有价值的测试方法，是拿一组真实任务让不同模型在相同工具、相同环境和相同验收标准下运行，记录成功率、Token 消耗、端到端耗时、重试次数和人工介入时间。只有把这些指标放在一起，才能计算出真正有参考价值的单位任务成本。
参考链接：
https://x.com/nutlope/status/2112238098147135880
https://www.minimax.io/blog/minimax-m31f
