MiniMax M3.1 Flash：智能体评测成绩、任务成本降低70%的主张

1. 业务自动化与编程成绩

M3.1 Flash 在 BankerToolBench 中获得76.2分。公司称，该模型在多步骤规划、保持文档与文件间的一致性、遵守金融法规和连续工具调用方面表现突出。在同一份公司对比表中，Opus 5 也获得76.2分。

在 DeepSWE v1.1 中，该模型的成绩为73.7%。这项评测涉及复杂的软件任务，包括理解代码、开发功能、修复错误，再通过测试验证工作结果。公司表格中的 Opus 5 为74.0%，GPT-5.6 Sol 为73.0%。

这些数字来自 MiniMax 提供的对比表。表中列出评测工具和条件，并不意味着所有对比对象都已在相同条件下得到独立复现。

2. 执行工具与上下文条件

BankerToolBench 使用了 OpenCode 1.17.18 和评审模型 MiniMax-M2.7。OpenCode 是执行评测的工具，MiniMax-M2.7 则是为结果评分的评审模型。这一区分也是该得分测量条件的一部分。

DeepSWE v1.1 使用 mini-SWE-agent 2.4.5 进行评测，最大上下文为512K Token。上下文指模型处理任务时可参考的输入、工作记录等内容的范围。Token 是对文本等内容进行拆分处理的单位，上下文大小并不代表处理速度。

API 文档将 M3.1 Flash 的上下文窗口列为1M Token。产品支持的最大范围与 DeepSWE 评测采用的512K上限是不同概念。文档还将其描述为可调节推理深度的多模态编程模型。

3. 计算机使用评测的不同标准

在评估计算机操作和跨应用任务执行能力的 OSWorld 2.0 中，公司报告了61.7分。表格注释说明，评测采用官方推荐的0808 Full版本。各模型的分数为其发布时报告的最高值，唯一的例外是 DS-V4.1，采用公司内部复现值。

在评估实际专业工作和复杂任务的 Agents’ Last Exam（ALE）中，该模型获得29.6分。ALE 表格仅纳入官方排行榜中按官方 Overall 设置完成的全量评测集结果。这一条件旨在避免直接比较部分任务或其他评测方式的分数。

ALE 中的空白包括未经过官方评测或仅报告 CLI 评测结果的情况，并不代表0分。OSWorld 选取最高报告值的标准并不适用于 ALE。公司称，该模型在这两项评测中均位列中国模型第1。

4. Token 单价与任务整体成本的区别

公司公布的每百万 Token 价格为：输入0.15美元、输出0.60美元、缓存输入0.015美元。缓存输入是复用已存储输入时对应的计费项目。这些是按 Token 用量计费的单价，并非单个任务的固定价格。

降低70%是公司公布的智能体任务整体使用成本相较上一代的差异。它不是经过独立验证的节省比例，也不是所有 Token 单价的统一降幅。因此，估算实际成本时，除单价外，还需考虑单个任务的输入、输出和缓存用量。

根据发布公告，M3.1 Flash 可通过 MiniMax API、M Plan 和 MiniMax Code 使用，模型权重计划稍后公开。目前公布的评测成绩和价格可作为采用时的参考，但不保证特定业务也能实现相同的成本降幅。

M3.1 Flash 的采用价值，可在依据公开评测条件解读性能，并结合实际业务的完成质量与整体成本进行比较后判断。