MiniMax M3.1 Flash 深度解析：Flash 模型竞争从跑分转向任务成本

10 月 23 日，MiniMax 在 Hugging Face 和魔搭社区放出了 M3.1 Flash 的完整权重。428B 总参数、每 Token 激活 23B，原生支持文本、图像和视频输入，上下文窗口最长 100 万 Token。这距离模型 10 月 19 日上线只过了四天。更早的公开数据显示，M3.1 Flash 上线 72 小时内，真实用户处理的 Token 量超过 100 万亿。

开源本身不是新闻，Flash 模型密集出现也不是。值得认真看的是另一件事：这一代 Flash 的定价和技术取舍，正在把模型竞争的主战场从 “跑分高不高” 推向 “完成一次合格任务，平均要花多少钱”。这个变化对 API 使用者的影响，比榜单上的名次更直接。

一、Flash 潮的底层逻辑：推理效率成为一等公民

M3.1 Flash 的三项核心优化都指向同一个方向。第一，前三个全注意力层被替换为稀疏注意力，全模型稀疏化意味着长上下文 prefill 的计算量被结构性压缩。第二，量化感知训练把路由 MoE 专家迁移到 W4A4 精度（共享专家除外），稀疏注意力索引器和主分支从 Q8KV8 迁移到 Q8KV4，权重和 KV Cache 的显存占用同步下降。第三，Power-aware scheduling 通过对计算卡功耗的精细分配，让硬件在推理过程中维持更高的持续算力，而不是频繁触碰功耗墙。

M3.1 Flash 搭载了 DSpark 投机解码头，替代了 M3 上较早的多 Token 预测方案。投机解码对 API 场景的意义在于降低首 Token 延迟和单位时间 Token 产出成本，而不是提升模型本身的 “智力”。这三项优化加上投机解码，共同构成了一条清晰的工程路线：在模型能力不大幅缩水的前提下，把每一次推理的边际成本压下去。

二、定价的另一面：单价低，不等于任务便宜

MiniMax 公布的标准 API 价格是：每百万输入 Token 0.15 美元、输出 0.60 美元、缓存输入 0.015 美元；国内口径为输入 1 元、输出 4 元、缓存读取 0.1 元。缓存读取单价尤其低，只有标准输入的十分之一左右。对于 Agent 场景，这组数字的吸引力是直接的：一条 ReAct 轨迹反复携带 system prompt、工具定义和累积历史，缓存命中率稍微改善一点，账单结构就会明显不同。

但有一个必要的提醒：M3.1 Flash 默认开启思考，且不能关闭；开发者可以调节 reasoning_effort 参数，在思考深度、延迟和 Token 消耗之间取舍。这意味着 “输入单价 0.15 美元” 并不自动等于 “任务便宜”。如果一类任务需要更深的思考链、更多的工具调用轮次，或者因为失败而重试，实际消耗的 Token 可能显著高于单价给人的直觉。

更合理的评估口径是平均成功任务成本：把成功率、重试次数和总耗时计入同一个任务单元，再比较不同模型完成同类工作的真实开销。在这个口径下，Flash 模型的竞争优势不在于单价最低，而在于 “单价 × 成功所需 Token 量” 的乘积是否足够小。M3.1 Flash 在 AutomationBench 上的单任务成本不到 0.05 美元，能串联跨销售、营销、客服、财务的复杂工作流，这个数字比单纯的单价更有参考价值。

三、评测数据说明了什么，没说明什么

M3.1 Flash 的公开评测集中在 Agent 和工程任务上。DeepSWE v1.1 得分 73.7%，落后于 DeepSeek V4.1 Flash 的 77%，但高于 GPT-5.6 Sol 的 73.0。CyberGym 网络安全基准 82.2 分，与 GLM-5.3 的 84.5 和 GPT-5.6 Sol 的 83.6 处在同一梯队。金融工具调用基准 BankerToolBench 得分 76.2，与 Claude Opus 5 并列。OSWorld V2 电脑操作 61.7 分，Agents' Last Exam 29.6 分。

这些数字说明 M3.1 Flash 在 Agent 相关任务上已经进入可用区间，但榜单本身无法回答一个工程团队真正关心的问题：这些分数对应的调用成本是多少。DeepSeek V4.1 Flash 在 DeepSWE v1.1 上以 77% 的 Pass@1 对应约 0.20 美元的任务成本，M3.1 Flash 的 73.7% 对应的单任务成本取决于具体负载下的思考 Token 量和工具轮次，无法从榜单直接换算。两个模型构成了一个互补的选择面：软件工程任务优先看 DeepSeek 的分数优势，跨 SaaS 工作流和网络安全场景可以按 M3.1 Flash 的缓存定价和 Agent 表现来评估。

四、API 接入：OpenAI 兼容只是起点，思考内容的保留才是细节

M3.1 Flash 的 API 同时提供 OpenAI 兼容端点和 Anthropic Messages API 兼容端点。用 OpenAI SDK 调用时，模型 ID 为 MiniMax-M3.1-Flash，reasoning_effort 参数控制思考深度。

一个容易被忽略的工程细节是：在多轮工具调用中，模型的完整响应必须回传到消息历史，包括 reasoning_content 和 tool_calls 字段，否则推理链的连续性会被破坏。Anthropic 兼容端点的响应中，content 数组同时包含 thinking 块和 text 块，usage 字段则区分 input_tokens、output_tokens、cache_creation_input_tokens 和 cache_read_input_tokens。对于已经在按 “稳定层前置、变量后置” 组织 prompt 的 Agent，这套计费字段是验证缓存策略是否生效的直接依据。

如果团队同时在调用多个模型供应商，为每个供应商单独管理端点和鉴权会带来额外的运维摩擦。以 KoalaAPI 这类统一入口为例，其 OpenAI 兼容接口可以降低切换模型时重写客户端代码的成本；但底层缓存命中行为仍需按各供应商的 cache_read_input_tokens 字段逐模型核对，不能假设一个入口下的命中率是均质的。

五、开源的现实门槛：252 GB 权重与 533 GB 显存

权重开源不等于 “下载就能跑”。M3.1 Flash 的 Hugging Face 仓库大小为 252.4 GB，包含 48 个权重分片。许可证是 MiniMax Community License，非商用免费，商业部署需要署名；年收入超过 2000 万美元后，需要获得 MiniMax 的书面授权。

自部署的硬件门槛更具体。vLLM 的部署配方显示，MI355X 上默认显存需求为 533 GB（专家层重新量化为 MXFP8），GB200 上因 NVFP4 专家原生运行可降至 285 GB。FP8 变体复用 533 GB 作为上界估算，可以放进单台 8×H100 节点（640 GB 显存）。对于没有这一量级 GPU 资源的团队，API 调用仍然是更现实的路径。Flash 模型的开源，降低的是 “模型能力” 的获取门槛，而不是 “模型服务” 的运维门槛。

六、结语

M3.1 Flash 的真正信号，不是又一个 Flash 模型出现了，而是 Flash 这一产品线的竞争维度已经变了。稀疏注意力、W4A4 量化、投机解码和功耗感知调度，这些优化共同把推理效率推到了和模型能力同等重要的位置。对于 API 使用者，这意味着选型时值得把评估重心从 “每百万 Token 多少钱” 移到 “完成一次合格任务平均花多少钱”，并且把思考 Token、重试轮次和缓存命中率放进同一个成本模型里。单价是起点，链路效率才是终点。

了解更多： https://koalaapi.com/