MiniMax M3.1 Flash：官方发布基准、成本与可用性

一句话结论

MiniMax 官方称 M3.1 Flash 面向 Agent、编码、Computer Use 和网络安全任务；发布页表格列出 DeepSWE v1.1 为 73.7%、OSWorld 2.0 为 61.7、CyberGym 为 82.2，API 定价为每 100 万 tokens 输入 0.15 美元、输出 0.60 美元、缓存输入 0.015 美元。以上数字是厂商发布材料，不能当作统一 harness 下的独立复测结果。

适用场景

• 适合判断的任务：需要长流程工具调用、编码、企业工作流、Computer Use 或网络安全基准的初步选型；比较公开价格和官方展示的性能/成本关系。

• 不适合外推的任务：把官方榜单分数外推为所有业务的准确率、稳定性或生产成功率；用不同 harness、模型快照、评测子集的结果做严格横向排名。

• 适用的模型版本：MiniMax M3.1 Flash；官方 API 文档列出的 API ID 为 MiniMax-M3.1-Flash，并描述为支持 1M context window 与可调 thinking depth。

• 测试环境或客户端：发布页的不同基准使用不同设置，见“测评方法”和“原始数据”；不是一次统一实验。官方称模型已通过 MiniMax API、M Plan 和 MiniMax Code 提供，模型权重稍后发布。

• 推理档位和参数：官方图表展示了 low、medium、high、xhigh、max 等档位，但未给出完整请求参数、temperature、采样设置、重复次数和模型快照。Agents' Last Exam 图注为每个模型选择最佳 harness 和 effort；M3.1 Flash 标为 Claude Code、max effort。

测评方法

这是一篇官方发布材料，正文、表格和图表均由 MiniMax 提供。发布页正文概括了“接近三倍在线推理速度”和“相对前代降低 70% 使用成本”等厂商声明，但没有给出前代型号、完整速度测量协议或成本计算过程，因此这些表述只能作为官方声明记录。

发布页的综合表把 M3.1 Flash 与其他模型放在同一张表中，但脚注明确不同基准使用不同 harness 和评测规则。部分模型列为空，官方说明空白表示没有官方评测，或只报告了 CLI 评测结果；空白不等于零分。Agents' Last Exam 的图注还说明不同评测子集或方法所得分数不可直接比较。

图表的公开时间也不同：Automation-Bench 和 Agents' Last Exam 图注标注公开数据截至 2026-10-18；DeepSWE 图注标注截至 2026-09-22。图表中 M3.1 Flash 的 Automation-Bench 分数按 effort 展示，但每个点的精确任务成本没有单独标注，不能从坐标轴估算出账单数字。

关键结果

官方正文明确提到的结果

• BankerToolBench：76.2。

• DeepSWE v1.1：73.7%。

• OSWorld V2：61.7；Agents' Last Exam（ALE）：29.6。官方称两项均为中国模型中最高，但页面没有给出该判断的完整候选集合和统一复测材料。

• CyberGym：正文写作 82%；同页基准表精确列为 82.2，应以表格精度记录，不把四舍五入的正文改写成另一项结果。

• 输出速度：官方称日常使用最高可达 200+ TPS，P50 持续达到 170+ TPS；没有公开测量输入长度、输出长度、并发、区域、服务端版本或统计分布。

统一基准表中 M3.1 Flash 一列

定价与可用性

发布页给出的固定价格是：

官方还称 Agent 任务的总体使用成本比前代低 70%，但没有在页面中给出前代型号、请求组成、token 比例或计算样本，不能据此计算任意业务的实际节省。

原始数据

发布页综合表中 M3.1 Flash 的完整列为：AutomationBench v1.0.6 62.8、BankerToolBench 76.2、GDP.pdf AA 20.8、Terminal Bench 4.0 38.1、LOCA-Bench 256K 60.3、Agents' Last Exam 29.6、OSWorld 2.0 61.7、PostTrain Bench v1.1 39.3、DeepSWE v1.1 73.7、NL2Repo-Bench 61.2、SWE Refactor Bench 23.0、CyberGym 82.2、BabyVision（w/tools）91.0、HLE（w/o tools）43.4、CharXiv RQ 82.5。表格中的破折号属于其他模型列的缺失值，不是 M3.1 Flash 的结果。

官方发布页还展示了三张“分数与成本”图：

• Automation-Bench 图把 M3.1 Flash 的 low/medium/high/xhigh/max 分数列为 52.8%/57.7%/59.2%/61.2%/62.8%，并说明图中任务成本使用对数坐标；M3.1 Flash 各档位的精确成本没有标注。

• DeepSWE v1.1 图展示 M3.1 Flash high 68.1%、xhigh 72.1%、max 73.7%；图注称数据截至 2026-09-22，评测 harness 为 mini-swe-agent，图中成本是每任务平均成本，但 M3.1 Flash 点没有单独数字标签。

• Agents' Last Exam 图展示 M3.1 Flash max 29.6% 与估算总成本 111 美元；图注写明 ALE-V1 Overall 共 152 tasks、每个模型选最佳 harness 和 effort，M3.1 Flash 使用 Claude Code、max effort。该成本是该图定义下的估算总成本，不是 API 价格表中的单次请求账单。

结论与边界

这篇发布页支持以下有限结论：M3.1 Flash 的官方定位是低成本、面向 Agent 的 Flash 模型；官方公开了多项基准分数、若干 harness 配置和固定 token 价格；官方 API 文档可发现精确模型 ID MiniMax-M3.1-Flash。这些内容足以用于初步选型和复现计划。

不能从这篇材料直接推出：

• M3.1 Flash 在任意业务任务中都优于其他模型。不同基准使用不同 harness、judge、上下文上限和评测子集。

• “中国模型中最高”或图表中的成本/分数关系代表独立审计结果。材料由模型提供方发布，比较条件并非完全统一。

• 200+ TPS、P50 170+ TPS 或成本低 70%适用于每个账号、区域、请求长度和并发。页面没有完整测量协议，也没有给出前代成本基线。

• 1M context window 等 API 文档描述等于每个部署入口都拥有相同的有效上下文、延迟和工具限制；应在实际端点复测。

发布页称模型现在可通过 MiniMax API、M Plan 和 MiniMax Code 使用，模型权重稍后发布。可用性属于官方当前声明；实际账号权限、区域、套餐和客户端模型列表应在调用时再次确认。

可发现的独立测评入口

以下链接来自官方图表或图注中提到的公开基准入口，只是后续独立复核的线索，不代表这些站点已经在本条记录中复测了 M3.1 Flash：

• AutomationBench：官方图注称使用 600 个公开任务。

• Artificial Analysis：官方称 GDP.pdf AA 结果直接取自该站。

• LOCA-Bench：官方图注指向其公开实现。

• Agents' Last Exam leaderboard：官方图注指向 ALE leaderboard。

• PostTrain Bench：官方图注指向该基准入口。

• SWE Refactor Bench：官方图注以该仓库作为评测入口。

复现说明

复现时应固定并记录：API ID MiniMax-M3.1-Flash、调用入口、账号区域与套餐、模型快照、thinking/effort 档位、最大上下文、工具与 harness 版本、请求和输出 token 数、缓存命中、并发、失败重试、费用及评测日期。多基准复现应分别采用各自官方实现和评分规则，不要把不同 harness 的分数合并为一个总体准确率。

若要核验发布页的成本声明，应分别复现 API token 价格、图表中的每任务成本和 Agents' Last Exam 的估算总成本，并记录各自的输入输出比例；这三种数字口径不同，不能互相替代。