MiniMax M3.1 Flash 发布说明

MiniMax 正式发布了 M3.1 Flash，这是一款专为智能体工作流、软件工程和计算机操作而优化的下一代模型。该模型此前在内部代号“Space Bunny”下进行测试，旨在平衡高性能表现与极具竞争力的定价及推理效率。

性能与能力

M3.1 Flash 被定位为处理复杂、多步骤自动化的专业工具。据 MiniMax 称，该模型在多个行业基准测试中取得了具有竞争力的分数：

自动化与规划： 在 BankerToolBench 上得分为 76.2，展示了其在多步规划、金融合规和链式工具执行方面的熟练程度。
软件开发： 该模型在 DeepSWE v1.1（一个专注于自主功能开发和错误修复的基准测试）上达到了 73.7%。
计算机使用： 在 OSWorld V2 上记录为 61.7，在 Agents’ Last Exam (ALE) 上为 29.6，公司声称这是目前中国模型中跨应用任务执行能力的最高水平。
网络安全： 在 CyberGym 上报告得分为 82%，能力涵盖代码审计、漏洞修补和渗透测试。

MiniMax 将这些提升归功于模型架构中更激进的稀疏化处理，这使得在最佳条件下输出速度超过每秒 200 个 token (TPS)，中位数速度超过 170 TPS。

MiniMax 显著降低了使用成本，声称较其前代产品 M3 降低了 70%。定价结构如下：

该模型目前可通过 MiniMax API、M Plan 和 MiniMax Code 桌面应用程序使用。公司表示模型权重将在稍后日期发布。

开发者社区对该模型的反响褒贬不一，对于基准测试分数的依赖存在显著质疑。许多用户指出，“Space Bunny”（该模型的预发布版本）在测试期间收到了不同的反馈，一些开发者报告称，与 DeepSeek V4.1 Flash 或 Qwen 变体等竞争对手相比，它在编码任务上表现吃力。

批评者指出了“刷榜”（benchmaxxing）的趋势，即模型在标准化测试中的表现可能无法转化为实际应用价值。一些用户注意到 MiniMax 的内部基准测试与他们自己的独立测试之间存在差异。正如一位观察者所言：

“围绕基准测试的扭曲激励机制现在已经非常严重，以至于基准测试分数实际上毫无意义。模型可以获得高分，但在使用时仍然很糟糕。” — @handle

其他人强调，虽然性价比具有吸引力，但完成任务的实际“挂钟时间”（wall clock time）仍然是一个关键因素，而这往往被营销材料所忽略。虽然一些测试人员发现该模型在文档和结构化任务中表现有效，但另一些人则警告称，它在高风险编码环境中并未始终优于现有替代方案。