AI Tools

MiniMax M3.1 Flash 营销人实测:业务流程基准上最便宜的第一名,以及那 93% 的硬伤

MiniMax M3.1 Flash 营销人实测:业务流程基准上最便宜的第一名,以及那 93% 的硬伤
目录

同一个模型,相隔六天发布的两组数字,指向相反的方向。

2026 年 10 月 19 日,MiniMax 发布 M3.1 Flash:总参数 4280 亿,每个 token 激活 230 亿,100 万 token 上下文,文本/图片/视频输入、文本输出。输入每百万 token 0.15 美元,输出 0.60 美元,缓存命中 0.015 美元。在 AutomationBench-AA 上——这个基准考的是跨多个 SaaS 系统执行多步业务流程,模型得从 CRM 里取数据、写进表格、起草邮件、再把整件事交回来——MiniMax 报出 62.8。这是低成本梯队里的最好成绩,排在 DeepSeek V4.1 Flash(60.5)、Claude Opus 5(50.3)、GLM-5.3(48.8)、GPT-5.6 Sol(45.8)、Kimi K3(46.7)前面。

然后是 Artificial Analysis 在同一个模型上的独立测评:在 AA-Omniscience 上,M3.1 Flash 的事实问题正确率是 56%。比 GLM-5.3 Flash(28%)和 DeepSeek V4.1 Flash-1017(43%)都高。但它几乎每道题都要答。答错的时候,它不会说「我不知道」,它会编。幻觉率:93%。这个基准上的总分:16。

同一类模型里准确率最高,诚实度最低,同一个模型。

下面所有内容都基于公开数字——MiniMax 自己的发布文章 + Artificial Analysis 的独立复测——发布后第六天整理。我还没把自己的营销 prompt 跑过 M3.1 Flash。所以:路由建议当作「带价格标签的假设」,成本算术当作「精确值」。

这次到底发了什么

  • 架构: 总参 4280 亿,每 token 激活 230 亿,Mixture-of-Experts 架构。效率来自 MiniMax Sparse Attention 加上 DSpark 投机解码。
  • 上下文: 输入 100 万 token,输出 524,288 token。
  • 输入: 文本、图片、视频。输出:仅文本。
  • 推理: 强制开启。五档——low、medium、high、xhigh、max,默认 max。关不掉。
  • 价格: 输入 $0.15/M、输出 $0.60/M、缓存命中 $0.015/M。
  • 入口: MiniMax 官方 API、Token Plan 订阅、MiniMax Code。开源权重 10 月 23 日落到 Hugging Face 和 ModelScope。
  • 速度宣称: 峰值每秒 200+ token,中位数高于 170。在线推理比 M3 快近 3 倍,Agent 场景成本降 70%。

如果你用的是旧版 MiniMax 模型,有一条上线细节你得知道:从 10 月 19 日起,Token Plan 订阅用户的 M2.5 和 M2.7 请求被自动路由到 M3.1 Flash。如果你这周的账单或输出结果变了,原因在这。

还有一个在 OpenRouter 上动手之前必须知道的:72 小时的免费上线期在 10 月 22 日结束,:free 这个 slug 已经下线,正式 slug 是 minimax/minimax-m3.1-flash。赶时间抄了这个 URL 的话,你的端点已经死了。我那套 OpenRouter 轮换工作流讲的就是为什么我宁可一把钥匙打通各家,而不是每家配一个。

比排行榜名次更值得看的三个数字

一、AutomationBench-AA 上的 62.8,以及为什么这个基准就是营销人的基准。

几乎所有模型基准考的不是写代码就是聊天质量。AutomationBench-AA 考的恰恰是真正吃掉我团队时间的那件事:跨多个 SaaS 工具的多步业务流程执行。MiniMax 自己的发布稿里,把销售、营销、运营、客服、财务和人力明确点成了目标场景。

一个在低成本档位上、却在这个特定维度上领先昂贵模型的模型,只改变一件事:让 Agent 每天摸你整套系统的单任务成本。按 $0.15/M 输入、$0.60/M 输出,一次 30 次工具调用、消耗 40 万输入 token 加 4 万输出 token 的流程,成本是 8.4 美分。同样的流程按 Opus 5.5 的价格($4/$20)算是 2.40 美元——接近三十倍。这个比值决定了你一天能跑 1000 次,还是只能跑 50 次。

「最便宜」这三个字值得加个注脚,因为单 token 标价不等于最终账单。真正可以横向比较的是 Artificial Analysis 的「每个智力指数任务成本」,在这个口径上 M3.1 Flash 是 $0.22——对照 DeepSeek V4.1 Flash-1017 的 $0.26(分数更高,45 分)、GLM-5.3 Flash 的 $0.28(同为 42 分)、Gemini 3.8 Flash 的 $1.24(分数更低,41 分)。也就是说,在 42 分以上的模型里 M3.1 Flash 最便宜,但只比 DeepSeek 便宜一点。真正该避开的反而是 Gemini 3.8 Flash:贵五倍半,分数还低一分。

有个注脚,还是个好注脚:这些 62.8 是 MiniMax 自报、走 Fireworks 跑出来的。但 AutomationBench-AA 本身就是 Artificial Analysis 智力指数 v4.3.2 十个分项之一,而那个指数给 M3.1 Flash 的总分是 42(比 M3 的 29 高)。所以独立数字并没有那么正面地打脸厂商宣称。如果 M3.1 Flash 在业务流程上其实很弱,总分一定会被拖下去。

二、93%,以及它具体是什么形状。

AA-Omniscience 这个基准的设计目的,就是把「它知道」和「它猜的」分开。这里真正重要的指标不是准确率——56% 已经是 flash 梯队里的最高,高于 DeepSeek V4.1 Flash-1017 的 43% 和 GLM-5.3 Flash 的 28%。重要的指标是答错的时候发生了什么。MiniMax 这个模型答对 56%,然后在剩下的几乎每一道题上,都直接给出一个自信的错误答案,而不是选择弃答。结果:93% 的幻觉率,基准总分 16。

把这个形状跟另外两个比一比。DeepSeek V4.1 Flash-1017:准确率更低(43%),但它知道自己不知道。GLM-5.3 Flash:准确率 28%,而且它大量弃答。MiniMax 是三者里唯一同时做到「最准」和「最敢编」的。

这跟我写过的那篇 Kimi K3.1 Pro里的失败模式正好相反——那次 Moonshot 自己公布 8.3% 的幻觉率,独立复测是 44%,厂商把自己美化了五倍。这次 MiniMax 干脆一个幻觉率数字都没公布。只读发布稿的话,你根本不会知道存在这个数字。

三、速度宣称对不上,而且诚实的那些是最慢的。

同一个模型,三个速度数字:

  • MiniMax:峰值每秒 200+ token,中位数高于 170
  • Artificial Analysis:每秒 93 token
  • OpenRouter 模型页实时数据:P50 每秒 69 token

厂商峰值宣称和供应商侧中位数之间差了大约三倍。对交互式界面来说这个差距是要命的——等 30 秒出第一个 token 和等 3 秒,是两个完全不同的产品。对批处理任务则完全无所谓。MiniMax 的吞吐宣称真正站得住脚的地方在推理栈那一侧:SGLang 报告单批次解码超过每秒 1000 token,NVIDIA 说它在 Vera Rubin 上跑到单 GPU 每秒 20 万 token。那是自建部署的路,不是 API 的路。

我会把它路由到哪

这个月我会交给 M3.1 Flash 的五类活:

  1. 漏斗顶端的批量分类。 线索打分、客服工单分流、评论审核、评论情感判断。一万行进去,JSON 出来,带标签和一句话理由。schema 本身就是校验——解析不出来的行是失败,不是自信的错误。我本地已经跑过一套类似的东西在做邮件分流;它在那里能跑通、在 API 上也能跑通,原因是从来没有人会在不对照原始输入的情况下直接读输出。

  2. 页面量级的 SEO 元数据。 500 个城市页或大目录站点的 title、meta description、H2 结构、schema 标记。每条输出长度有界、机械可查,而真正的质量线——它卖不卖力——是人看十条就够,不是看五百条。

  3. 跨 SaaS 的多步流程环节。 这就是 AutomationBench-AA 那个结果翻译成日常:线索进来 → 写 CRM 字段 → 起草跟进邮件 → 建任务 → 摘要发到 Slack。每日摘要那种形态正是如此,也是唯一能规模化而你不用盯着的形态——架构可以看我的Reddit 监控 Agent。

  4. 批量广告创意变体。 每个关键词簇、每个渠道、每个报价,50 条标题 + 50 条描述。输出有界,人选赢家,没有任何单条变体承载事实性主张。

  5. 任何「后面会被检查」的活儿的第一遍。 资料汇总、简报骨架、竞品页面抓取、排名表的初稿。这是唯一一条会随 93% 而变化的建议。第一遍草稿后面有活人或第二个模型兜底,「自信且经常错」这件事就很便宜。

我会留在别处的三类:

  1. 任何会变成客户交付物里主张的内容。 数据、市场规模、竞品定价、「我们的排名显示」。93% 意味着 M3.1 Flash 会给你一个读起来就像真数的数字,而我不告诉你哪些是编的,除非你逐条去查。如果这个数字要进 deck,它就得来自信源,而不是一个 Flash 档模型。

  2. 受监管、或对主张敏感的文案。 金融、健康、法律类声明。逻辑上和任何容易幻觉的模型一样,但出错的代价是不对称的。

  3. 品牌文风。 这次发布没有任何指标在测文笔。我给文风定的规矩一年多没变过,这次也不会变:写字的那个模型留在原位。

营销人真正会在哪遇到它

MiniMax Code 是终端里的编程 Agent,不是你的场景。MiniMax Agent 才是——网页版,以及 macOS 和 Windows 桌面版,能在本地文件夹里干活、用你的授权驱动你已经登录的浏览器,还能按周期排程。

对这篇文章真正要紧的一块:MiniMax Agent 有一个 Agent Team 模式,主导 Agent 把任务拆成并行子任务,再把结果经过 verifier agent 校验之后才交付。一个发布了 93% 幻觉率模型的公司,同时也发布了一个主打「流程里有校验层」的产品。这应该被当成设计提示,而不是宣传话术——如果这个模型在批量场景下需要一个 verifier 才安全,那你的工作流多半也需要一个,只不过你是手动搭的。

它还有 Experts 和 Skills 来固化重复行为、支持 MCP 连接器、可选长期记忆。Token Plan 档位是每月 $20(Plus)、$50(Max)、$120(Ultra),所有模型共用一个配额,按年付更便宜。配额不够可以买 $5、$25、$100 的加油包。另外工作日 15:00–17:30 有高峰期限流——晚间的竞品巡检尽量排在窗口外。

许可证那段值得读两遍

10 月 23 日开源权重,无需申请,大约 252GB 文件。适用的是 MiniMax Community License——不是 MIT,不是 Apache。商用时它实际要求你做什么:

  • 在相关网站、界面、博客文章、about 页面或产品文档里醒目展示「Built with MiniMax M3.1-Flash」。写「Powered by AI」不算。
  • 如果相关产品与服务年营收不超过 2000 万美元,给 MiniMax 发一封一次性通知邮件。
  • 如果超过 2000 万美元,商用前必须取得事先书面授权。发申请不等于拿到授权。
  • 微调版和修改版被明确写进「商用」定义里——你没法靠再训一轮绕开。

如果你是要在自建权重上给客户做一个对外产品,这个显示声明是实打实的约束:别人的品牌要印在你的产品上。早点写进合同。

硬件那一侧——这不是笔记本能跑的活。最小的社区量化版 155.9GB,需要 192GB 内存的机器;Q4_K_M 是 258GB,得上 384GB。这是多卡服务器的地盘,跟自建 Llama 3.3 的算术题属于同一类,而不是它的替代品。不过推理栈在快速成熟:SGLang 首日就支持,Inco AI 还以 Apache 2.0 开源了 DFlash 2 drafter,宣称最高快 3.5 倍且无损。

还有一个发布周背景要说清楚:有报道称 MiniMax 在 10 月 16 日 AI 出口新规之后拿到了开源许可,和 DeepSeek 获批 V4.1F-1017 是同一个时间窗。这条按「有报道」处理,不算实锤;该盯的是它,而不是当成定论。

三件要盯着的事

低推理档位下的幻觉率。 没人公布过。上面所有测量都是在 max 档、也就是默认档、最贵的那一档上做的。如果 low 或 medium 会更多弃答,这个模型就能用在多得多的「第一遍草稿」上。如果它只是变笨、同时依然死不承认不知道,那上面的路由面就要窄得多。这是能改动这篇文章最多的一个数字。

M3.1 Pro,承诺稍后。 Flash 档是便宜的主力,Pro 才是 MiniMax 要为这次发布的口碑负责的地方。盯 Pro 会不会继承同一套「绝不弃答」的行为。如果更大的模型也不肯说「我不知道」,那这就是架构级的,不是小模型的副作用,而且会扩散开。

自建部署的成本曲线。 如果 SGLang、DFlash drafter 和那个每秒 1000+ token 的解码速度真能站住,那么每天两三千次请求的量级上,API 价格就不再是决定因素。等便宜的开源模型在你已经租着的硬件上跑得够快,「值不值得自建」就不再是一个数据中心的问题。

这次发布交给你的那条规则

我会在路由配置上方的卡片上写一行:让 M3.1 Flash 在「下一步流程能接住它」的地方犯错,永远不要在「必须由人承担」的地方犯错。

就这些。整个路由决策就这一句。它不需要基准表,不需要厂商那个 3 倍速度宣称,也不在乎你跑的是哪个推理档位。这个模型的长处(业务流程梯队第一)和短处(93% 的自信编造)其实是同一件事的两面:M3.1 Flash 极其愿意产出东西,它只是不愿意承认产出的东西不是真的。

这形状对任何便宜模型都成立,也正是便宜梯队越来越危险而不是越来越安全的原因。一个会说「我不知道」的模型,成本是你重试一次。一个说「Q3 转化率是 3.8%」的模型,成本是你发一条更正声明,或者客户发现你根本没查。

两个数字都来自同样这六天。一个告诉你这个模型能以几分钱的价格把营销流程从头跑到尾。另一个告诉你,当它编一个统计数字时,它是用完整的句子编的、批量编的、而且便宜到让你觉得查一下可有可无。前一个是你会部署 M3.1 Flash 的理由。后一个是你不会让它在没人检查的情况下碰到任何事实主张的理由。这个组合——便宜到可以跑在所有东西上、不可靠到必须给所有东西加闸门——就是未来一年模型路由的形状,而 M3.1 Flash 只是第一个把这事暴露得这么清楚的模型。