一只匿名“太空兔”走到台前
10月19日，MiniMax正式发布了M3.1 Flash。此前在OpenRouter和OpenCode上以“Space Bunny”名义匿名运行的模型，正是它的早期版本。据MiniMax披露，这只“兔子”在匿名期间处理了超过200 trillion tokens的调用量，一度登上两个平台的日调用榜首位。
官方发布时同步公开了完整的基准测试表和API定价，意味着此前只有跑分片段流传的模型，终于进入了可对比、可采购的阶段。
商业流程基准评分领先
在企业自动化这条线上，M3.1 Flash交出的数字相当靠前。Automation-Bench v1.0.6涵盖销售、营销、运营、客服、财务和人力资源等跨SaaS系统的业务流程，共600个任务。M3.1 Flash取得62.2分，高于DeepSeek V4.1 Flash-1017的60.5分，也明显领先Claude Opus 5的50.3分和GPT-5.6 Sol的45.8分。在侧重多步骤规划与金融合规的BankerToolBench上，它拿到76.2分，与Opus 5持平；编程基准DeepSWE v1.1为73.7%，接近Opus 5的74.0%，略低于DeepSeek的77.0%。
独立评测机构Artificial Analysis给出的智能指数为42分，比前代M3的29分高出13分。完成一次指数任务的均摊成本从M3的约$0.51降到$0.22，降幅接近57%。作为对照，DeepSeek V4.1 Flash-1017的指数为45分、单任务约$0.26，GLM-5.3 Flash为42分、约$0.28。在复杂推理分项上，M3.1 Flash在Humanity‘s Last Exam中取得48%，高于DeepSeek的43%；物理推理基准CritPt为22%，低于DeepSeek的24%。
一个不能只看跑分的数字
但同一套独立评测也指向了一个企业在部署前无法绕过的指标。在AA-Omniscience事实知识测试中，M3.1 Flash的正确率为56%，高于DeepSeek的43%；然而Artificial Analysis同时记录到93%的幻觉率。这个数字的含义需要拆开理解：不是56%的正确率对应93%的“答错率”，而是模型在面对不确定的问题时，倾向于生成一个看似确定的答案，而不是明确表示“不知道”或拒绝作答。在测试统计中，凡是模型给出了回答但回答与事实不符的情形，都被计入幻觉一侧。
这种倾向在单轮问答里表现为“过度自信”，在多步骤智能体流程中则会被放大。一个每一步都有较高出错的概率，在一个由数十次调用组成的企业工作流里，误差会随着步骤数累积。M3.1 Flash在基准测试中的输出量也偏大：智能指数评估期间生成约180 million output tokens，中位数模型为99 million，说明它更倾向于“把答案说完”而非在不确定处停住。
低价背后的工程取舍
从规格看，M3.1 Flash是一个428 billion总参数、激活参数23 billion的MoE模型，支持文本、图像和视频输入，上下文窗口为1M tokens，API定价为每百万输入token $0.15、输出$0.60、缓存读取$0.015，与前代M3相比智能体任务综合成本下降约70%，推理速度提升近3倍。模型计划于10月23日以开源形式放出。
成本下降的一个重要来源是输出策略：模型倾向于用更长的输出去覆盖不确定性，这在定价上并不直接“便宜”，因为输出token是需要付费的；但在基准测试的均摊成本上，更低的任务单价和更快的吞吐量抵消了输出量的增加。对企业来说，真正要算的账不是每百万token的价格，而是“一次业务动作的总成本”，其中包含调用次数、输出长度，以及最容易被忽略的一项：对模型输出进行校验或兜底所需的额外环节。
对于输出会进入自动执行流程的场景，比如直接触发工单、写入数据库或生成对客回复，93%的幻觉率意味着模型自己几乎不设“刹车”。MiniMax官方将M3.1 Flash定位为Coding和Agent方向的轻量模型，在漏洞发现基准CyberGym上取得82%的分数，在电脑操作基准OSWorld 2.0上为61.7分。这些能力在有人监督、有校验层的流水线中可以发挥价值；但在要求模型主动识别自身知识边界的任务里，它的行为模式与“可靠”之间存在一段不小的距离。
（素材来自：MiniMax 智算芯能前沿网综合）
本文由智算芯能前沿网编辑整理，转载请注明出处。