MiniMax 把 M3.1 Flash 推到了台前。此前社区里那个匿名吃掉 200T Token 的 Space Bunny，就是它的早期形态。这次更新的定位很清晰：不冲智能上限，冲的是让 Agent 工作流真正跑得动、跑得起。
四项能力同时抬了一档
官方口径是 Agentic 任务、编程、Computer Use、网络安全四条线都有代际提升。拆开看具体数字更有意思。
复杂 Agent 任务这块，AutomationBench-AA 排在最前列，官方说能端到端处理跨 SaaS 的销售、营销、运营、客服、财务、HR 真实问题。BankerToolBench 拿到 76.2 分，考的是多步骤规划和跨文档一致性，还带金融合规约束。
编程侧 DeepSWE v1.1 是 73.7%，已经摸到顶尖模型那一档。真正有含金量的是 Computer Use 两项：OSWorld V2 61.7 分，Agents’ Last Exam 29.6 分，官方称两项都是国产第一。网络安全 CyberGym 82%，内部专家在代码审计、漏洞修补、渗透测试、恶意代码分析、逆向工程几个场景都给了正面评价。
速度与价格才是这代的主线
架构上用了更激进的稀疏注意力。日常输出 200+ TPS，中位数稳定在 170+ TPS 以上。价格压得很低：输入 1 元/百万 Token，输出 4 元/百万 Token，缓存读取 0.1 元。官方给的 Agentic 任务综合成本比前代降 70%。
这里有个工程上常被混淆的点。200+ TPS 说的是输出吞吐（TPOT 的倒数），不等于首 token 延迟（TTFT）。稀疏注意力在长上下文下确实能砍掉大量无效计算，显存占用和单 token 成本都下来了，但首 token 延迟取决于 prefill 阶段对上下文的处理效率，跟输出速度是两回事。做实时交互型 Agent 时，TTFT 往往比 TPS 更影响体感，选型前最好在自己的 prompt 长度分布上实测一遍，别只盯着吞吐数字。
基准分数的边界在哪
Computer Use 这类基准值得多说两句。OSWorld V2 是带真实桌面环境的操作任务集，Agents’ Last Exam 更偏长链路、多工具组合的综合考察。两者分数高，说明模型在受控环境里对 GUI 元素定位、动作序列规划的能力不错。
但榜单不等于生产可用。OSWorld 的评测环境是标准化的虚拟机快照，分辨率、UI 版本、应用状态都固定；真实业务里的桌面环境千奇百怪，弹窗、加载延迟、权限提示都会打乱动作序列。复现时建议先跑官方 harness 拿到基线分，再把自己的截图分辨率和操作超时参数对齐，否则分数波动会很大。ALE 同理，它的任务链路长，单步容错低，实际部署要配重试和状态回滚，不能指望一次动作成功。
谁该用，谁先别急
Flash 系列的路线一直很明确：性能与成本的平衡点。AutomationBench、DeepSWE、ALE 三项都是拿极低任务成本打出接近顶尖的性能，这对要大规模铺 Agent 的团队吸引力很直接——单任务成本降下来，才谈得上并发跑几千个会话。
不适合的场景也得说清楚。追求智能上限、需要模型在开放域难题上硬啃的任务，Flash 不是最优解，官方也说了 Pro 版本稍后发，那条线没放弃。另外对首 token 延迟极敏感的场景，比如语音实时对话，得先验证 prefill 表现再决定。
接入方式
M3.1 Flash 已经上线 MiniMax API、MPlan 和 MiniMax Code。权重会在稍后开放，想本地部署的可以等权重放出后再评估显存需求。大规模团队接入前，建议先用缓存读取那条 0.1 元的定价做成本测算——Agent 工作流里系统提示和工具描述复用率高，缓存命中率直接决定实际账单。
ID:6771
