别用1元/百万Token比价：M3.1 Flash真正改写的是Agent任务账单

10月19日，MiniMax把M3.1 Flash的输入价定到1元/百万Token，输出4元，缓存0.1元（MiniMax官方博客）。两天前，DeepSeek V4.1 Flash-1017刚发布，快科技说M3.1的1元/4元与对方闲时价相同，缓存0.1元却是对方0.02元的五倍（快科技报道）。但官方“降70%”不是全线降价，限定在Agentic类任务的综合成本、对比前代M3；真正值得比的是跑完一个任务的总账单。

这次发布最容易被读成“国产Flash又打价格战”。澎湃的标题是“速度提升3倍，价格降低70%”（澎湃报道），传播里最顺手的数字是1元输入、4元输出、0.1元缓存。但把官方口径拆开，三句话各说各的：

价目表里没有一行提到竞品，横向比出来的结果也不支持“单方面斩杀”：1元/4元与DeepSeek V4.1 Flash-1017的闲时价相同，缓存0.1元却是对方0.02元的五倍。0.02元没在DeepSeek官方价目页核到，按单源处理；但0.1元不是这一项最低价，可以确定。

所以，M3.1 Flash真正挪动的是比价单位：从“每百万Token多少钱”转向“跑完一个Agent任务多少钱”。这个转向有意义，但还不能直接写成“MiniMax比DeepSeek便宜”；跨厂商的同口径任务账单，两家都还没拿出来。

1元不是“降价70%”的同义词

先看“降70%”到底降在哪。MiniMax博客的原话是：在Agentic类任务中，模型的综合使用成本较前代模型降低了70%。这里有三个限定——Agentic类任务、综合使用成本、较前代模型。它没有说全部调用降70%，没有说每百万Token单价降70%，更没有说比竞品便宜70%。

澎湃补了另一组对比：与M3相比，输入和输出单价均降50%以上，缓存读取降超70%。这组数字更具体，但仍是纵向对比M3，不是横向对比V4.1 Flash。媒体把“综合成本降70%”和“输入输出降50%以上”压成标题，读者很容易滑到“MiniMax把价格打下来70%”；这个结论没有官方口径支撑。

多数报道没说的是，MiniMax公布的、与V4.1 Flash-1017重叠的六项里，M3.1只赢了一项。GPTunnel转述官方对比图：Automation-Bench 62.8对60.5，领先2.3分；另外五项都输——NL2Repo-Bench差7.0分，Terminal Bench 4.0差4.2分，DeepSWE v1.1差3.3分，BabyVision差1.5分，HLE差0.6分（GPTunnel 的对比表）。这组数字是单源，绝对值也没给全，但方向和快科技“互有胜负”“DeepSWE略逊一筹”一致。

“赢一项输五项”和“帕累托曲线赢了”不矛盾：前者比不计成本时的分数，后者比同样的钱买到多少分。MiniMax把后一张图放在发布材料中心，回答的不是“谁做得成”，而是“同样预算谁跑得多”。1元/4元只是起点，它决定Token单价，不决定任务单价。

Space Bunny 在正式发布前处理了超过 200T Token，说明它扛过真实流量；但这不等于能跑成任务，中间还隔着一个成功率。

账单还有第四层：缓存、输出、重试

Agent任务的输入不是一次性付清：二十轮里每一轮都要把历史重新发一遍，第20轮的上下文可能比第1轮大一个数量级，这部分钱靠缓存命中率压下来。

缓存能不能命中，取决于你发出去的上下文前缀稳不稳。system prompt、工具定义、检索文档的顺序固定，只改最后一条用户消息，命中率才上得去；每轮重排一次工具列表、或者动态重写system prompt，缓存基本白买，那部分Token就按1元/百万Token走。这条规则在文档里通常只有一句话，但它决定的钱比单价差异大。

输出按4元算，是输入价的4倍，思考链也算在输出里。这是Flash模型账单里最容易被低估的一层。GPTunnel转述MarkTechPost的说法，M3.1的推理是常开的，五档努力程度从low到max，官方推荐max，把思考关掉会直接报错。这条MiniMax博客里没写，属于单源，等API文档更全可以自己验。它落在账单的哪一层很清楚：输出占比越高，努力档位往上调，涨的就是输出这一层。

拿一个具体任务量估一遍，假设二十轮、每轮上下文1.5万Token、缓存命中80%、每轮输出1000Token，合计新输入6万、缓存读取24万、输出2万（以下为估算，非官方数据；轮次、命中率、输出量为假设，单价取自官方）：

这张表里缓存占15%，输出占49%。把缓存价从0.1元砍到0.02元，这一层只省0.019元；成功率从70%提到80%，每完成一个任务的成本从约0.234元降到约0.205元，差0.029元。一个成功率百分点，比缓存整层的价差更值钱——前提是任务真的会失败重试，且失败调用照价收费。

重试成本不在任何价目表上，它藏在成功率里。同一个任务跑三次成一次，和跑两次成一次，单价一模一样，跑完它的钱差50%。真正的变量是缓存命中率和重试率这两个运营参数，不是首页上那个1元。它们一个决定多少Token按1元走、多少按0.1元走，一个决定同一笔钱要付几遍。

62.2和38.1说的是两件不同的事

官方给了六项能力：Automation-Bench-AA“位居最前列”，BankerToolBench 76.2，DeepSWE v1.1 73.7%，OSWorld V2 61.7，ALE 29.6，CyberGym 82%。按场景归类，模型的形状比单个分数清楚：

MarkTechPost的判断是：agentic办公类任务接近前沿，硬编程处于中游，并且点明这一整套分数“全由MiniMax自报”。它给出的反例是Terminal Bench 4.0只有38.1，同期Opus 5是51.8。这行的38.1不在官方博客那六项里，出自媒体对官方对比表的引述，权重比前面六项低一档。

ALE的29.6值得单独看。在“真实且有经济价值的电脑操作”上，这个分数并不高，官方定语是“国产第一”。定语和分数要一起读：第一是在天花板还不高的项目上拿的。OSWorld V2的61.7同理，能操作电脑，不等于能稳定跑完跨五个SaaS系统的流程。

“接近前沿”和“中游”同时成立，说明它不是通用快刀。每一步不难、但要走十几步、跨几个SaaS系统的流程，它最像前沿模型；一次写出能过的代码、或在终端里反复试错，它在中游。CyberGym的82%说明代码审计、漏洞验证这类“读得多、写得少”的安全活，性价比会更早体现。

第三方综合指标给了一个折中的读数：The Decoder称，Artificial Analysis的Intelligence Index上，M3.1 Flash是42分，比前代高13分、成本减半，与DeepSeek V4.1 Flash-1017在性能与价格上基本打平。这是单源，但和“综合分打平、分项有强有弱”并不冲突。

72小时对撞，真正的变量是任务口径和定价时段

10月17日DeepSeek V4.1 Flash-1017发布，10月19日MiniMax跟上，间隔不到72小时。快科技当晚用了“性价比斩杀线”，正文里也说M3.1的帕累托曲线赢了V4.1 Flash。但同一篇稿子给了两个关键限定：1元/4元与V4.1 Flash的闲时价格相同；缓存0.1元比对方的0.02元高不少，所以实际费用还得看Token效率。

这两个限定决定了“价格持平”并不绝对：如果对方是峰谷两档定价，“持平”只在“自己全天候、对方闲时”的假设下成立，白天跑批要按峰时算。缓存0.1元对0.02元同理：五倍价差听着吓人，在前面的估算里只占15%，因为走缓存的部分本来就便宜；输入极重、输出极短的检索任务，这个比例才会翻上去。

所以，这次对撞真正比的不是“谁每百万Token更便宜”，而是“谁能在自己的任务结构里，把缓存命中率做高、把重试次数压低”。MiniMax把发布材料的中心放在每任务成本的帕累托图上，等于承认了这一点；但它没有给出跨厂商同口径的任务账单，快科技没有。两家现在能比的，仍然是各自价格表、各自基准、各自任务假设下的性价比。

现在还不能写进预算表的几件事

整套分数都来自同一家公司，所谓“all MiniMax-reported”落到操作层面，就是没有一个数被第三方用同一套harness复现过。连Automation-Bench都有两个版本在传：MarkTechPost引官方表格是62.2，GPTunnel转述是62.8。可能是版本口径差异，也可能是转述误差，分不清。

模型规模同样没有官方说法：428B总参数、约23B激活、1M上下文出自MarkTechPost引用的产品页，发布博客没写，也没有技术报告说明相对M3改了什么。权重的时间点也有两个说法：官方写“稍后开放”，MarkTechPost给出10月23日。自托管要多少显存、单卡吞吐多少、有没有限速，还没有答案。

Pro版本官方只预告“稍后推出”，如果它补上终端操作和硬编程，Flash的定位会更清楚：跑量，负责把每任务成本压下来。

观察点可以放在10月23日：权重是否如期开放；如果开放，用同一套harness跑一遍Automation-Bench，同时记录失败重试次数和缓存命中率。62.2还是62.8只影响一行表格，重试次数和缓存命中率才会决定你的账单。