MiniMax M3.1-Flash 提示缓存与费用观察

一句话结论

MiniMax API 会自动识别重复上下文并按前缀匹配缓存；M3.1-Flash 可直接使用这一机制，但页面没有公布缓存 TTL、失效规则或具体费率，费用应按响应中的 token usage 和当前 Pay as You Go 价格页核算。

适用场景

• 适合的任务：多轮对话、固定系统提示词、固定工具列表、长文档或其他重复上下文的 API 调用。

• 不适合的任务：需要缓存持久化、跨会话复用、固定命中时长或固定费率承诺的配置；这些信息本页未公开。

• 适用的模型版本：MiniMax-M3.1-Flash。原页的 Supported models 还列出其他 M 系列，但本文不外推其价格或行为。

• 适用的客户端、Agent 或 API：MiniMax Anthropic-compatible API、OpenAI-compatible API，以及能读取对应 usage 字段的 SDK 或 Agent。

• 推荐的推理档位和参数：缓存本身不需要额外请求参数；将固定内容放在前面，把动态用户信息放在后面。max_tokens 等输出参数按任务设置。

可直接使用的内容

下面是按原页 Anthropic SDK 示例压缩的最小配置。第一次请求建立可复用前缀，后续请求保持工具列表、系统提示词和前置用户内容不变，再把本轮变化放到末尾。

import anthropic

client = anthropic.Anthropic(
    base_url="https://api.minimax.io/anthropic",
)

response = client.messages.create(
    model="MiniMax-M3.1-Flash",
    system="你是一个负责分析长文档的助手。",
    messages=[
        {
            "role": "user",
            "content": [
                {
                    "type": "text",
                    "text": "固定文档内容……\n\n本轮问题：请提取第三章的要点。",
                }
            ],
        }
    ],
    max_tokens=10240,
)

print({
    "input_tokens": response.usage.input_tokens,
    "output_tokens": response.usage.output_tokens,
    "cache_hit_tokens": response.usage.cache_read_input_tokens,
})

OpenAI-compatible API 的对应观察字段是：usage.prompt_tokens 表示总输入 token，usage.prompt_tokens_details.cached_tokens 表示命中缓存的 token。

测试或工作流步骤

1. 将模型固定为 MiniMax-M3.1-Flash，并确认输入达到 512 个 token；原页说明低于该阈值不适用缓存。

2. 按“工具列表 → system prompts → user messages”的顺序组织请求，把静态内容放前面，动态内容放最后。

3. 连续发送内容前缀相同的请求，分别记录总输入、缓存命中输入、新输入、输出和响应耗时。

4. Anthropic-compatible API 读取 cache_read_input_tokens；OpenAI-compatible API 读取 prompt_tokens_details.cached_tokens。

5. 按公式估算单次费用：

   新输入 token = 总输入 token − 缓存命中 token
   单次费用（美元）= (新输入 token × 输入价
                   + 缓存命中 token × 缓存命中价
                   + 输出 token × 输出价) ÷ 1,000,000
   价格单位：美元 / 百万 token

6. 输入价、缓存命中价和输出价统一按美元/百万 token，从当前 Pay as You Go pricing 页面填写。Anthropic 协议的总输入为 input_tokens + cache_read_input_tokens；OpenAI 协议的总输入直接取 prompt_tokens。不要把本文中的示例 token 数当成真实账单。

原始证据与数据

• 原页将缓存描述为 automatic caching，无需改变 API 调用方式；它声称重复内容可降低延迟和成本。

• 原页明确列出 MiniMax-M3.1-Flash 为支持模型，并在 Anthropic SDK 示例中使用 model="MiniMax-M3.1-Flash"。

• 缓存适用于输入 token 数达到 512 或以上的 API 调用。

• 匹配顺序为“工具列表 → system prompts → user messages”；任一模块内容变化都可能影响缓存效果。

• Anthropic-compatible usage：cache_read_input_tokens 是缓存命中 token，input_tokens 是新输入 token。

• OpenAI-compatible usage：prompt_tokens_details.cached_tokens 是缓存命中 token，prompt_tokens 是总输入 token。

• 原页给出的示例响应为 input_tokens: 108、output_tokens: 91、cache_creation_input_tokens: 0、cache_read_input_tokens: 14813；这是文档示例，不是 M3.1-Flash 的实测账单。

• 原页给出差异化计价规则：缓存命中输入按折扣价，新输入按标准输入价，输出按标准输出价；具体金额链接到 Pay as You Go 页面。

适用边界

• 这是上下文复用和成本、延迟观察配置，不是提高模型准确率的提示词；缓存命中不会改变模型能力或任务判断标准。

• 页面没有公开缓存 TTL、生命周期、失效条件、跨请求或跨会话保证，不能据此承诺“缓存保留多久”。

• 页面没有给出具体输入价、缓存命中价和输出价；费率变化时必须重开价格页核对。

• 页面没有给出命中率、延迟降低幅度或真实账单样本；文档示例不能替代实际工作负载测试。

• cache_creation_input_tokens 只出现在示例响应中，原页没有进一步解释其计费含义或生命周期语义，不能自行扩展为缓存写入收费规则。

• 动态内容放在末尾是官方最佳实践，但缓存是否命中仍需以每次响应的 usage 为准。

复现说明

2026-10-21 通过 Tabbit 独占任务 M31 prompt08 cache 打开并读取原始页面。正文、代码示例、支持模型、usage 字段、缓存阈值、匹配顺序和费用公式均可见；原始抽取证据保存于 /tmp/m31-cache-evidence.txt。查重时确认目标目录没有同名文件，已有文档仅导航引用该页面，未形成独立的缓存费用配置条目。