神秘的 Space Bunny (太空兔)，终于有人来认领了。

Space Bunny 此前在 OpenRouter 上 10 天处理了超过 56.7 亿 Token，总共处理超过 200 万亿 Token 。

MiniMax 最后认领了这款模型，这是 MiniMax M3.1 Flash 的早期预览版本。

免费虽好，但模型最终还得靠实力说话。Space Bunny 能在 OpenRouter 调用榜上连续霸榜多日，还是能证明它的硬实力。毕竟使用者的眼睛是雪亮的，不好用绝不会引来如此大量的调用。

最近国产大模型的竞争，正集中向 Flash 模型倾斜。先前 DeepSeek 迭代 V4.1 Flash-1017，后有 MiniMax 推出 M3.1 Flash。

两家不约而同地把迭代重心放在两件事上：更极端的推理速度，和更低的综合调用成本。

这背后的逻辑转变很好理解，和 AI 单次对话等 20 秒，用户可以接受；但当模型被放入 Agent 工作流，让它修改项目、检查结果，再根据报错继续修正，等待就会随着多轮调用累积。

这也导致速度和费用成本，会直接影响用户愿意交给它多少工作。

M3.1 Flash 想争取的，已经不再是「日常问答的廉价替补」，它更想去占据的是持续承担任务的位置。

1、重新定义「性能-成本」斩杀线

在官方释放出来的基准测试中，M3.1 Flash 在复杂 Agent 任务、编程、电脑操作及网络安全等方面实现了代际提升，线上推理速度提升近 3 倍，Agent 类任务的综合使用成本较前代降低 70%，其中几乎每一项跑分都在对标复杂 Agent 与工程落地场景

在 MiniMax 当前公布的总表中，M3.1 Flash 的 Automation-Bench v1.0.6 成绩为 62.8 分，高于 DeepSeek V4.1 Flash-1017 的 60.5 分，在表内参与比较的模型中排名第一。

这项评测采用 600 个公开任务，考察 AI 能否跨多个企业软件处理业务流程，覆盖销售、客服和财务等工作。

用户交给模型一个目标，它需要理解需求，再连续调用工具，把任务执行下去。

金融工具调用评测 BankerToolBench 中，M3.1 Flash 取得 76.2 分，与 Opus 5 并列。

长上下文任务评测 LOCA-Bench 256K 中，它拿到 60.3 分，略高于 GPT-5.6 Sol 的 60.0 分。这两项分别涉及多步骤金融工作流和长上下文任务，也与持续执行工作的能力有关。

编程方面，M3.1 Flash 在 DeepSWE v1.1 中取得 73.7%，接近 Opus 5 的 74.0%，高于 GPT-5.6 Sol 的 73.0%，低于 DeepSeek V4.1 Flash-1017 的 77.0%。这个结果给出了一个比较具体的位置。

至少在这项软件工程评测中，Flash 已经能够与部分旗舰模型接近，但不同模型之间仍有差距。DeepSWE 要求模型理解代码、修改功能并完成验证，与实际开发中的多步骤工作更接近。

电脑操作同样是此次更新的重点。M3.1 Flash 在 OSWorld 2.0 中取得 61.7 分，在 Agents’ Last Exam 中取得 29.6 分。

按照官方总表列出的对比结果，两项成绩均居国产模型首位。其中，OSWorld 成绩高于 Kimi K3 的 58.3 分和 DeepSeek V4.1 Flash 的 54.3 分。

而随着 AI 开始操作软件、编写代码和执行日常办公工作流，完成一次任务所需的多步推理与工具调用，也让速度和费用变得更加重要。

此次发布中，MiniMax 除了公布能力评测，还展示了不同任务下的成本对比，试图回答模型能完成多少工作，以及完成这些工作需要花多少钱。

为了提高推理效率，MiniMax 采用了更激进的稀疏注意力架构。

M3.1 Flash 在日常使用场景下的输出速度可超过每秒 200 Token，中位数速度达到每秒 170 Token 以上。

价格方面，M3.1 Flash 的输入价格为每百万 Token 1 元，输出价格为每百万 Token 4 元，缓存读取价格为每百万 Token 0.1 元。

在衡量复杂 Agent 任务执行能力的 Automation-Bench、衡量真实编程能力的 DeepSWE，以及衡量真实并有经济价值场景下电脑操作能力的 Agents' Last Exam (ALE) 三项基准测试中，M3.1 Flash 以极低的任务成本实现了顶尖模型级别的性能表现，在性能与成本之间建立了极具竞争力的新标杆，重新定义了「性能-成本」的帕累托前沿（Pareto Frontier），看起来又要成为即 DeepSeek V4.1Flash-1017 之后新的斩杀线了。

但是，在我查看代码后发现，M3.1 Flash 的问题出在「手没有跟上脑子」。

系统设计的不错，但是计算配送时间和实际模拟配送时，用了不同的规则。计算时，取餐需要90秒，送达还需要60秒，但模拟执行时，这些时间被跳过了。

骑手因此比设定中更快完成任务，准时率和处理订单的能力也会受到影响。有些写在设计中的功能，目前也没有按预期运行。

例如，没有新订单等待分配时，系统会跳过对已有配送安排的调整。骑手等餐超过规定时间后换人的功能，也因为计时被反复清零而没有触发。

同样的题目给到 DeepSeek V4.1 Flash-1017，V4.1 Flash 的表现更加出色，它没有盲目堆砌「超时换人、跨骑手改派」等过度设计，而是主动收敛了功能范围，把精力集中在两项核心策略上：订单的最优插入位置，以及既有路线的顺序重排。

在 24 次测试中，12 组对照实验有 11 组达成了它预设的更优指标，且所有订单均真实送达完毕。

在相同订单流、路况波动和故障扰动下，DeepSeek 的「动态插入与重排」算法要明显优于朴素的「队尾追加」。

在这个测试中 M3.1 Flash 倾向于做一个「大而全的演示原型」。

它很懂用户想要什么，前端界面、图表大屏、设计概念一个不落，但在长程逻辑与边界执行的中会「偷懒」，简单来说就是想的比做的要多；而 V4.1 Flash 则更像一个克制的工程师。

它不搞花哨边缘功能，把需求收窄到能真正跑通的核心骨架上，并且做到了实验可验证、数据可复现。

在复杂的工程落地中，更需要的是一个知道自己边界、能把 2 个核心功能真实跑通的模型，而不是表面声称支持多种高大上方案、底层却在偷懒的模型。

可以看出 M3.1 Flash 在应对较复杂的工程环境中，能力略有不足。

3、写在最后

过去大家总把 Flash 模型视作旗舰大模型的廉价替代品：预算紧张或者活儿太简单时拿来垫底，真遇到复杂、严肃的场景，最终还是得加钱切回大参数旗舰模型。

但是随着 DeepSeek V4.1 Flash 1017 前脚发布，依旧延续自己性价比标杆，MiniMax M3.1 Flash 后脚就紧跟推送，画出新的「斩杀线」。证明了在一些场景下完全可以正面对打比自己大数倍参数、高十倍价格的旗舰模型。

而在我们的实测中，也能清晰地看出大模型行业正在发生转变。正在从比拼单次输出的「聪明上限」，转向了衡量在真实工程里的「容错成本」。

在 Agent 逐渐接管真实任务的工作流中，早已不在是单次调用，而是需要历经十几次甚至几十轮的「工具调用—环境报错—重试纠偏」。

如果调用的是昂贵且缓慢的旗舰模型，多轮试错累积下来的时间延迟和 Token 账单，并不是一个好的选择。

所以 M3.1 Flash 的对自己的定位非常清晰：

用极低的成本，撑起高频、高强度的 Agent 规模化调用。毕竟在海量调用的真实业务里，单次省下的几块钱，乘以规模就是真金白银的护城河。