作者注：把 MiniMax 官方公布的数字和 Vals 第三方测评放在一起逐项对照，帮你判断 MiniMax M3.1 Flash 适不适合你，以及什么时候不该换。
一句话结论：MiniMax M3.1 Flash 便宜、快，擅长办公自动化、视觉和金融税务类 Agent 任务；但在长链路终端任务和大型代码重构上，明显落后于 Claude 旗舰。适合接手批量、规则清楚的工作，不适合替代你最难那部分任务的主力模型。
先说明本文的范围：标题里的「实测」，指的是公开的第三方测评汇总，主要来自 Vals AI。我们没有自己跑分，文中也没有任何自测数据。所有数字都会标明来源，分成三类：「官方自报」（MiniMax 自己公布）、「第三方测评」（Vals 等）和「未知/未公布」。
核心价值：读完本文，你会知道官方数字和第三方数字在哪些地方对不上、MiniMax M3.1 Flash 的强项和短板分别在哪，还会拿到一份 30 分钟自测清单，用来决定自己的任务要不要换模型。
MiniMax M3.1 Flash 核心功能速览
先补几个基本概念。Token 是模型计费和计算长度的单位，官方给的换算是：约 750 个英文单词大约等于 1000 tokens。Agent 指能自己调用工具、分多步完成任务的模型用法，比如自动填表、执行命令行、查资料后写报告。上下文窗口是模型一次能「看到」的最大内容长度。
下表的信息全部来自 MiniMax 官方文档和价格页，属于「官方自报」。
| 项目 | MiniMax M3.1 Flash 官方信息 | 说明 |
|---|---|---|
| 模型名 | MiniMax-M3.1-Flash | 旧名 MiniMax-M3.1-Flash-Preview 已退役，用旧名发的请求会自动转到新模型 |
| 架构 | MoE，总参数 428B，激活约 23B | 与 M3 相同；MiniMax 尚未发布说明 Flash 改动的技术报告 |
| 上下文窗口 | 1,000,000 tokens | Vals 页面标注的最大输出为 524,288 tokens |
| 输入 / 输出 | 文本、图片、视频输入，文本输出 | 支持多模态理解 |
| 思考深度 effort | low / medium / high / xhigh / max | 不传参数时默认 max |
| 价格（每百万 tokens） | 输入 $0.15，输出 $0.60，缓存读取 $0.015 | 没有长上下文加价 |
| 开源权重 | 官方 X 帖称 10 月 23 日放出 | 截至发稿（10 月 22 日）尚未发布 |
MoE（混合专家） 是一种模型结构：模型总参数很多，但每次只调用其中一小部分「专家」参与计算，所以能在保持较大容量的同时控制推理成本。缓存读取指重复出现的输入内容（比如固定的系统提示词）命中缓存后，按更低的单价计费。
MiniMax M3.1 Flash 的思考机制：只能调低，不能关闭
这是从 M3 迁移时最容易踩的坑。M3.1 Flash 的思考功能无法关闭：请求里传 thinking disabled 或 effort none，接口会直接返回 400，报错原文是 model "MiniMax-M3.1-Flash" requires adaptive thinking。想省时间、省 token，只能把 effort 调低。
effort 档位越高，模型想得越多，输出 token 越多，延迟也越高。三种协议下的参数名不同：Anthropic 协议是 output_config.effort，OpenAI 协议是 reasoning_effort，Responses 协议是 reasoning.effort。另外，思考内容现在单独返回。在 OpenAI 兼容协议下，思考内容放在 reasoning_content 字段，content 里只有最终答案。如果你之前是从 M3 的 <think> 标签里拆出思考内容，这部分代码需要改。
🚀 快速开始建议：截至发稿，API易 价格页还没有 MiniMax-M3.1-Flash，我们会尽快上架此模型。能否调用以 API易 价格页为准。如果你想先熟悉 MiniMax 系列的接口格式，可以在 API易 apiyi.com 上直接调用 MiniMax-M3。它同时支持 OpenAI 和 Anthropic 两种接口格式，并且在 ClaudeCode 分组中可用。
MiniMax M3.1 Flash 实测数据：官方自报 vs 第三方测评
跑分（Benchmark） 就是用一套固定题目给模型打分。同一个测试名，换一家机构、换一套执行环境，分数就可能差很多。所以看数字之前，要先看清是谁测的、在什么条件下测的。
| 测试项 | 分数 | 来源档 | 测试条件 / 备注 |
|---|---|---|---|
| Automation-Bench v1.0.6 | 62.2（Opus 5 为 50.3） | 官方自报 | 官方表格；官方成本图中 max 档画的是 62.8 |
| BankerToolBench | 76.2（与 Opus 5 持平） | 官方自报 | 银行业工具调用类任务 |
| DeepSWE v1.1 | 73.7%（DeepSeek V4.1 Flash-1017 为 77.0） | 官方自报 | 官方表格中有对手更高 |
| OSWorld V2 | 61.7 | 官方自报 | 官方称国产模型第一 |
| Agents’ Last Exam（ALE） | 29.6 | 官方自报 | 官方称国产模型第一 |
| CyberGym | 82% | 官方自报 | 安全类任务 |
| Terminal Bench 4.0 | 38.1（Opus 5 为 51.8） | 官方自报 | 落后 Opus 5 13.7 分 |
| SWE Refactor Bench | 23.0（Opus 5 为 31.0） | 官方自报 | 代码重构类任务 |
| BabyVision（带工具） | 91.0 | 官方自报 | 视觉理解 |
| HLE（不带工具） | 43.4 | 官方自报 | 高难度综合问答 |
| Vals Index | 53.78%，22 个模型中第 15 | 第三方 Vals | 开源权重模型中 11 个里第 5，略低于小米 MiMo V2.6 Flash（54.83%） |
| Terminal-Bench 4.0 | 25.25%，51 个模型中第 22 | 第三方 Vals | 官方 API，temperature 1，top_p 0.95，effort max，最大输出 262k |
| HLAB-Vals-1.1 | 7.50%，23 个模型中第 17 | 第三方 Vals | 同上 |
需要特别说明：官方表格里 Anthropic 的对照对象是 Claude Opus 5，不是 Opus 5.5。Claude Opus 5.5 目前仍是 Anthropic 最强的旗舰模型，官方没有拿它逐项对比。所以「M3.1 Flash 追上 Opus 5.5」这类说法没有依据。
MiniMax M3.1 Flash 数字对不上的 4 个地方
- Terminal Bench：官方 38.1 对 Vals 25.25%。两边测的都叫 Terminal-Bench 4.0，但测试框架不同。测试框架就是给模型搭建的执行环境和调度程序，它会直接影响模型能不能顺利完成多步命令。所以这两个数字不能直接比较，也不能说成「官方虚标了 13 分」。两边能得出的一致结论是：终端类长任务是 M3.1 Flash 的短板。在官方自己的表格里它落后 Opus 5，在 Vals 的排名里也处在 51 个模型的中后段。
- Automation-Bench：成本图 62.8 对表格 62.2。同一份官方材料里出现了两个数字，差 0.6 分，对结论影响不大。但这说明官方材料本身也有出入，引用时建议以表格为准并注明出处。
- 成本：「低 70%」「1/3」和「一半」三种说法。官方博客说 Agent 类任务的综合成本比上一代低 70%，官方 X 帖说是 M3 的 1/3。如果只按 token 单价算，Flash 是 M3 标准价的一半（$0.15 对 $0.30）。官方的说法是按任务算的，具体算法没有公开。
- 速度：170+、200+ 和约 150。下一节专门解释。
MiniMax M3.1 Flash 速度怎么看：TPS 都是官方数字
TPS（tokens per second）指模型每秒输出多少个 token，数值越高，文字吐得越快。P50 是中位数：把所有请求的速度从低到高排好，正中间那个值就是 P50，比平均值更能代表「通常情况」。
目前公开的速度数据都来自 MiniMax 官方，没有找到第三方独立测速：
- 官方博客：日常输出可达 200+ TPS，P50 稳定在 170+ TPS；
- 官方产品页：约 150 tokens/秒；
- 官方博客和 X 帖：在线推理速度约为 M3 的 3 倍。
这几个数字口径不同，产品页的写法偏保守。更关键的一点是，TPS 高不等于答得快。M3.1 Flash 默认 effort 是 max，思考 token 同样要计入输出。如果一个任务要先「想」几千个 token，就算每秒 170 个，等到最终答案也需要不少时间。实际体验的速度要看「总输出 token ÷ TPS + 首字等待时间」，所以下文的自测清单里，要求同时记录 token 数和耗时。
MiniMax M3.1 Flash 能力边界：强项与弱项
先看 Vals 记录的、相对上一代 M3 的进步。下表全部属于「第三方测评」。
| Vals 测试项 | M3.1 Flash | M3 | 变化 |
|---|---|---|---|
| Vibe Code Bench | 73.94% | 47.57% | 大幅提升 |
| Tax Agent Bench | 32.14% | 20.59% | 明显提升 |
| EMB v1.1 | 67.84% | 59.75% | 提升 |
| Finance Agent v2.1 | 58.83% | 54.34% | 小幅提升 |
| Legal Research Bench | 34.13% | 29.81% | 小幅提升 |
| 维度 | 判断 | 依据 |
|---|---|---|
| Agent 办公自动化 | 强 | 官方 Automation-Bench 62.2（Opus 5 为 50.3），OSWorld V2 61.7 |
| 视觉理解 | 强 | 官方 BabyVision（带工具）91.0，支持图片和视频输入 |
| 金融 / 税务类 Agent | 较强 | 官方 BankerToolBench 76.2；Vals 税务、金融测试相比 M3 均有提升 |
| 性价比 | 强 | 官方单价为 M3 标准价的一半，且没有长上下文加价 |
| 长链路终端任务 | 弱 | 官方 Terminal Bench 落后 Opus 5 13.7 分；Vals Terminal-Bench 4.0 排 51 个模型中第 22 |
| 大型代码重构 | 弱 | 官方 SWE Refactor Bench 23.0，Opus 5 为 31.0 |
| 综合水平 | 中游 | Vals Index 22 个模型中第 15 |
优势小结
- 单价低、计费简单：输入 $0.15、输出 $0.60，1M 上下文以内统一价格，适合大批量调用；
- 办公和视觉类 Agent 表现突出：表格整理、网页操作、看图识别这类任务，官方和第三方的结论方向一致；
- 相比 M3 进步明显：Vals 的 Vibe Code Bench 从 47.57% 提升到 73.94%，日常写小应用的能力上了一个台阶。
局限小结
- 复杂工程任务仍有差距：多步命令行、跨文件大改，官方自己的表格就显示落后 Opus 5；
- 思考关不掉：短问短答也要走思考流程，对首字延迟敏感的场景不友好；
- 透明度不足：官方的成本算法和技术报告都还没有公开，「1/3 成本」暂时无法独立核实。
MiniMax M3.1 Flash 什么时候不该换
下面 6 种情况，建议先别把主力模型换成 M3.1 Flash，或者至少先自测再决定：
- 主力任务是长链路终端 Agent：比如自动跑 CI、在服务器上排查问题、一次执行几十条命令。官方和 Vals 的数据都把这里标为短板。如果你现在用 Claude Opus 5.5 跑得很稳，换模型带来的返工成本，很可能超过省下的 token 费用。
- 经常做大型重构：跨十几个文件改接口、拆分模块这类任务，官方 SWE Refactor Bench 23.0 对 Opus 5 的 31.0，差距不小。这类任务建议继续交给旗舰模型。
- 需要关掉思考、追求极低延迟：实时客服、意图分类、自动补全这类场景，M3.1 Flash 的思考无法关闭。即使用 low 档，也比不带思考的模型多一段等待。
- 现有集成依赖
<think>标签解析，近期没有改造排期：M3.1 Flash 的思考内容改成单独字段返回。直接换模型名，你的解析逻辑可能拿不到数据，甚至报错。 - 现在就要本地私有化部署：权重官方称 10 月 23 日放出，截至发稿还没有发布。部署所需的显存等信息官方也未公布，目前没法做可靠的硬件规划。
- 按 token 算便宜，按任务算未必便宜：默认 max 档会产生大量思考 token。如果你的任务答案很短、现用模型本来就便宜，换过来以后实际账单不一定下降，一定要按「单任务成本」比较。
MiniMax M3.1 Flash 自己测 30 分钟清单
榜单只能说明平均水平，你的任务才是最终标准。可以按下面的步骤花 30 分钟做一次对比。测试渠道可以用 MiniMax 官方 API，也可以用 OpenRouter 上限速的免费端点 minimax/minimax-m3.1-flash:free。
- 选任务（约 5 分钟）：从自己最近的真实工作里挑 3 类任务，每类 3 到 5 条。第一类是批量、规则清楚的活，比如整理表格、写摘要；第二类是你的主力日常任务；第三类是你最担心的难任务，比如多步终端操作或跨文件修改。
- 固定参数：M3.1 Flash 先用 medium 跑一遍，再用默认的 max 跑一遍，记下档位。你现在使用的对照模型也固定同一套设置，不要中途调整。
- 同题对比（约 15 分钟）：两个模型使用完全相同的提示词和上下文，逐条跑完。
- 记录数据：每条任务记下输入 token、输出 token（含思考部分）、总耗时、是否一次成功，以及你需要手动修改多少内容。
- 算单任务成本（约 10 分钟）：按官方公式「用量 ÷ 1,000,000 × 单价」，把输入、输出、缓存读取各项相加，算出每条任务实际花了多少钱。
- 按类别下结论：某一类任务质量可以接受、单任务成本又更低，就只把这一类切过去；第三类难任务只要明显翻车，就继续留给原来的模型。
💡 对照组建议：对照组可以通过 API易 apiyi.com 用同一个 Key 调用 claude-opus-5-5 或 MiniMax-M3，这样不用为了一次对比测试额外注册多个平台。
在 API易 上组合使用 MiniMax 系列和 Claude Opus 5.5
M3.1 Flash 的定位决定了它更适合做团队里的「批量处理工」，而不是唯一的模型。比较实用的做法是按任务难度分工：便宜、量大的活交给 MiniMax 系列，难的规划和重构交给 Claude Opus 5.5。
| 模型 | 定位 | 适合任务 | 可用平台 |
|---|---|---|---|
| MiniMax-M3.1-Flash | 低价、快速的 Agent 模型 | 办公自动化、视觉、金融税务批量任务 | MiniMax 官方 API / M Plan；API易 能否调用以价格页为准 |
| MiniMax-M3 | 上一代主力 | 中文日常任务、批量处理 | API易 apiyi.com（OpenAI / Anthropic 双格式） |
| claude-opus-5-5 | Anthropic 当前最强旗舰 | 复杂规划、大型重构、长链路 Agent | API易 apiyi.com |
| claude-opus-5 | 上一代旗舰 | 官方跑分表中的对照对象 | API易 apiyi.com |
在 API易，一个 Key 可以同时调用 Claude、GPT、Gemini 等海外模型，以及 DeepSeek、MiniMax 等国内模型，换模型只需要改 model 参数：
from openai import OpenAI
client = OpenAI(
api_key="YOUR_APIYI_KEY",
base_url="https://api.apiyi.com/v1" # API易 统一接口
)
def ask(model, prompt):
resp = client.chat.completions.create(
model=model,
messages=[{"role": "user", "content": prompt}],
)
return resp.choices[0].message.content
# 便宜、量大的活交给 MiniMax 系列
print(ask("MiniMax-M3", "把这段会议纪要整理成 5 条待办"))
# 难的规划和重构交给 Claude Opus 5.5
print(ask("claude-opus-5-5", "为这个单体服务设计分阶段拆分方案"))
价格方面，按 API易 公开的官方价，claude-opus-5-5 是输入 $4、输出 $20（每百万 tokens），claude-opus-5 是 $5 / $25。如果 API易 价格页之后出现 MiniMax-M3.1-Flash，以价格页公布的模型名和价格为准替换即可。
常见问题 FAQ
Q1：MiniMax M3.1 Flash 到底强在哪？
按官方自报和 Vals 的结果，它的强项是 Agent 办公自动化、视觉理解、金融税务类工具调用，以及价格低。综合排名在 Vals 的 22 个模型中位列第 15，属于中游水平，并不是全能型模型。
Q2：它和 Claude Opus 5.5 比谁强？
官方没有拿 Opus 5.5 做逐项对比，官方表格里的对照对象是 Opus 5。即便和 Opus 5 比，M3.1 Flash 在 Terminal Bench 和 SWE Refactor Bench 上也是落后的。Opus 5.5 仍是 Anthropic 最强的旗舰模型。
Q3：官方 Terminal Bench 38.1 和 Vals 的 25.25%，哪个是真的？
两个都是真实结果，只是测试框架不同，不能直接相减比较。两边的共同结论是：长链路终端任务是 M3.1 Flash 的短板。
Q4：现在能在 API易 上调用 M3.1 Flash 吗？
截至 2026-10-22，API易 价格页还没有 MiniMax-M3.1-Flash，能否调用以 API易 价格页为准。目前可以直接通过 API易 apiyi.com 调用 MiniMax-M3 和 claude-opus-5-5 等模型。
Q5：effort 应该设成哪一档？
不传时默认是 max，效果最充分，但最慢、输出 token 也最多。批量的简单任务建议从 low 或 medium 开始试，质量不够再往上调。思考本身无法关闭。
Q6：M Plan 订阅的 Key 能直接当 API Key 用吗？
不能混用。官方 FAQ 说明，按量计费的 API Key 和 M Plan 的订阅 Key 是两种不同的 Key，需要在后台不同位置获取。M Plan 各档的月费以官网为准。
Q7：怎样低成本地自己验证效果？
可以先用 OpenRouter 上限速的免费端点跑几条任务。对照组的旗舰模型可以通过 API易 apiyi.com 用同一个 Key 调用，再按本文的 30 分钟清单记录 token 用量和耗时。
MiniMax M3.1 Flash 核心要点 Key Takeaways
- 本文没有自测：所有数字都来自 MiniMax 官方自报或 Vals 第三方测评；
- 综合定位中游：Vals Index 53.78%，22 个模型中排第 15；
- 强项明确：办公自动化、视觉理解、金融税务 Agent，以及单价低；
- 短板明确：长链路终端任务、大型重构，官方表格里也落后 Opus 5；
- 数字要看口径：Terminal Bench 的两个分数不可直接比，成本和速度都是官方口径；
- 思考关不掉：只能调低 effort，从 M3 迁移要改
<think>标签的解析逻辑； - 组合使用更划算：在 API易 用一个 Key 搭配 MiniMax 系列和 Opus 5.5，按任务难度分工。
总结
MiniMax M3.1 Flash 的核心要点：
- 能力边界：擅长办公自动化、视觉和金融税务类 Agent 任务，不擅长长链路终端任务和大型重构；
- 数字口径：官方数字和第三方数字测试框架不同，官方材料内部也有 62.8 和 62.2 这样的小出入，引用时要注明来源；
- 换不换：批量、规则清楚的任务值得试，最难的那部分任务先别换，用 30 分钟自测给出答案。
建议先用自己的真实任务跑一次对比，再按任务类别逐步切换，不要一次性全部替换。对照组和现有的 MiniMax-M3、claude-opus-5-5 可以通过 API易 apiyi.com 统一调用，用同一个 Key 完成对比测试。
📚 参考资料
- MiniMax 官方发布博客：M3.1 Flash 的官方跑分、速度与价格
- 链接：
minimax.io/blog/minimax-m31f -
说明：官方自报数据的主要来源
-
MiniMax 官方文档：模型调用：effort 参数、思考机制与接口地址
- 链接：
platform.minimax.io/docs/guides/text-generation -
说明：迁移和集成时的必读文档
-
MiniMax 官方价格页：M3.1 Flash 与 M3 的计费规则
- 链接：
platform.minimax.io/docs/guides/pricing -
说明：计算单任务成本时使用
-
Vals AI 模型页：M3.1 Flash 的第三方测评结果
- 链接：
vals.ai/models/minimax_MiniMax-M3.1-flash -
说明：包含排名与测试条件
-
MarkTechPost 报道：官方对比表格的整理
- 链接：
marktechpost.com/2026/10/19/minimax-m3-1-flash-release - 说明：包含 Opus 5 对照数据与成本图差异
作者：API易 技术团队
技术交流：欢迎在 API易 apiyi.com 网站首页联系我们，更多接入资料可访问 docs.apiyi.com 文档中心
