MiniMax 10 月 19 日发布了新的 Flash 模型，价格和 DeepSeek 非高峰时段一样，独立评测给了 42 分。同一份评测发现，它遇到不会的题，绝大多数时候会编一个答案，很少承认不知道。
「这个模型看起来是被刷过分的（pretty benchmaxed）。」
这是 Hacker News 上 MiniMax M3.1 Flash 发布帖的置顶评论，作者 DCKing。帖子当天冲上首页，338 分，150 条评论，整体口气偏冷。
官方给的数字其实很好看。10 月 19 日的发布博客里，M3.1 Flash 在编程基准 DeepSWE v1.1 上是 73.7%，在电脑操作基准 OSWorld V2 上 61.7 分，官方说这一项和 Agents' Last Exam 都是中国模型第一。价格是每百万 token 输入 $0.15、输出 $0.60，缓存命中的输入 $0.015。和上一代比，推理快了近 3 倍，跑 agent 任务的总成本降了 70%。
数字好看，评论区却不买账。我把官方博客、独立评测和那 150 楼评论对着读了一遍，官方博客没提的 92.8% 这个数字，比那些跑分更该看。
MiniMax 官方跑分和 HN 评论区口气的对照
◇ ◇ ◇
匿名跑了 200 万亿 token 的 Space Bunny
九月底，一个叫 Space Bunny 的匿名模型出现在模型路由平台 OpenRouter 上，没人知道是谁家的。据 SiliconANGLE 报道，社区用户通过分析它的分词器，把它和 MiniMax 联系了起来。
10 月 19 日 MiniMax 自己承认了：Space Bunny 就是 M3.1 Flash 的早期版本，匿名期间处理了超过 200 万亿 token。
戴着面具的兔子和 OpenRouter 上 200 万亿 token 的调用量
这么大的调用量，意味着 MiniMax 发布前已经拿到了海量真实请求来调模型。它也意味着 HN 上不少人早就用过它，评论区那些吐槽有一部分来自 Space Bunny 时期的体验。HN 用户 Rebelgecko 说 Space Bunny 是一分钱一分货，打算继续用 DeepSeek V4；用户 hgoel 说它比 Qwen3.8-Flash-Next 还退步。这些是早期版本的反馈，放到正式版上要打个折。
◇ ◇ ◇
独立评测给了 42 分
厂商自己的跑分只能当参考。独立评测机构 Artificial Analysis 当天给出了结果：智能指数 42 分，在它收录的 173 个模型里排第 4，同类模型的中位数是 13。上一代 MiniMax M3 是 29 分。
对用模型干活的人来说，每道题花多少钱比总分更实在。按 VentureBeat 整理的数据，M3.1 Flash 跑一道评测任务平均 $0.22，上一代要 $0.51。放到同档模型里比：
同样 42 分，它比 GLM 便宜一点；比 DeepSeek 少 3 分，便宜 4 美分。Gemini 3.8 Flash 分数差不多，每道题的成本是它的五倍多。光看这张表，它是一个很划算的选项。
编程这一块，DeepSeek 还是更强。科技媒体 TechCityAuthority 对比了双方公布的成绩：DeepSWE 上 DeepSeek 是 77.0、MiniMax 73.7；Terminal Bench 4.0 是 42.3 对 38.1；从零写出一个仓库的 NL2Repo 是 68.2 对 61.2。两天前我们写过 DeepSeek 这个新 Flash，两家现在的价格是同一档，DeepSeek 在高峰时段会翻倍。
同档四个模型的智能指数和每任务成本
◇ ◇ ◇
92.8% 到底是什么意思
Artificial Analysis 有一项叫 AA-Omniscience 的知识测试，专门看模型知道多少、不知道的时候会不会老实说。M3.1 Flash 在这里答对了 56.2% 的题，比 DeepSeek 新 Flash 的 43% 和 GLM-5.3 Flash 的 28% 都高，说明它记住的东西不少。
剩下没答对的题里，它的幻觉率是 92.8%。
按 VentureBeat 转述的定义，这个比例的分母是所有没答对的题：其中 92.8% 是直接给了一个错误答案，只有很少一部分是拒答或者只答了一部分。
拿它自己的数字复算一下：没答对的题占 100% 减 56.2%，也就是 43.8%；其中 92.8% 是硬答错的，43.8% × 92.8% ≈ 40.6%，这套测试里大约四成的题，它都给了一个错误答案。
这一项的综合分只有 16，而 Gemini 3.8 Flash 是 29。答对的比例高，综合分反而低，扣分就扣在「不会也要答」上。
便宜加上自信地答错，放在需要事实准确的场景里是危险的组合：调用量越大，被你当成真的错误答案也越多。
没答对的题里，硬答错和承认不知道各占多少
◇ ◇ ◇
它慢在哪
官方说日常输出能到每秒 200 个 token 以上。Artificial Analysis 实测的输出速度是每秒 120 个 token，不算慢，真正让人等的是思考。
它的思考模式关不掉。MiniMax 的接口文档写得很直接：请求里传「关闭思考」或者把思考强度设成 none，会返回 400 错误，提示这个模型要求自适应思考。想快一点，只能把思考强度从 Max 往 Low 调，一共五档。
Artificial Analysis 测下来，从发出请求到看到第一个答案 token 要 17.70 秒，每道题平均输出 7.9 万个 token，其中 5.5 万是推理。评测页对它的描述是「非常啰嗦」。HN 用户 sinuhe69 也说它在 OpenRouter 上慢得难受，原因就是思维链太长。
首个答案 token 等待 17.70 秒，每任务输出 7.9 万 token
所以每任务 $0.22 这个便宜，是建立在单价极低上的，它实际用的 token 并不少。按 token 计费的 API 没问题；如果你买的是按次数或按额度算的套餐，就要留意它吃额度的速度。
◇ ◇ ◇
接进 Claude Code
M3.1 Flash 提供兼容 Anthropic 格式的接口，可以直接塞进 Claude Code 当后端模型。我觉得最值得试的用法，是拿它跑那些有测试兜底的修 bug、补测试任务，按 token 算的单价大约是 Claude Opus 5.5 的三十分之一（输入 $0.15 对 $4，输出 $0.60 对 $20）。我手上没有 MiniMax 的 key，下面的步骤来自官方文档，没在本机跑过。
第一步，清掉可能冲突的环境变量。它们的优先级比配置文件高，不清掉的话改了配置也不生效：
unset ANTHROPIC_AUTH_TOKEN unset ANTHROPIC_BASE_URL如果 ~/.zshrc 或 ~/.bashrc 里写了这两行 export，也要删掉。
第二步，在 ~/.claude/settings.json 里写上：
{ "env": { "ANTHROPIC_BASE_URL": "https://api.minimax.io/anthropic", "ANTHROPIC_AUTH_TOKEN": "<MINIMAX_API_KEY>", "CLAUDE_CODE_AUTO_COMPACT_WINDOW": "524288", "ANTHROPIC_MODEL": "MiniMax-M3.1-Flash[1m]", "ANTHROPIC_DEFAULT_SONNET_MODEL": "MiniMax-M3.1-Flash[1m]", "ANTHROPIC_DEFAULT_OPUS_MODEL": "MiniMax-M3.1-Flash[1m]", "ANTHROPIC_DEFAULT_HAIKU_MODEL": "MiniMax-M3.1-Flash[1m]" } }四个模型名都指向同一个 Flash，[1m] 表示开 100 万 token 上下文。CLAUDE_CODE_AUTO_COMPACT_WINDOW 设成 524288，是让 Claude Code 在 512K 左右就开始压缩对话，这是 MiniMax 推荐的值。它每道题要吐好几万 token 的推理，上下文涨得快，早一点压缩更稳妥，这个值我会照抄。
不想手改 JSON，可以跑官方向导 npx -y mmx-cli@latest agent setup，它改的是同一个文件。
第三步，进 Claude Code 跑 /status 和 /model。前者应该显示地址是 api.minimax.io/anthropic，后者显示 MiniMax-M3.1-Flash。还显示 Claude 的话，说明第一步的环境变量没清干净。
订阅 M Plan 拿到的 Subscription Key 只走套餐额度，按量付费要用另一把 API Key，两把 key 不能混着用。
把 Claude Code 指向 MiniMax 接口的三步配置
◇ ◇ ◇
什么活交给它比较放心
它适合放在有东西能核对结果的地方，这是 92.8% 和 17.7 秒这两个数字放在一起得出的结论。写代码有测试跑，操作网页有页面状态，模型答错了，下一步就会撞墙，agent 会回头改。HN 用户 adinb 的体验正好是这样：它一开始犯了很多错，但之后经常能自己发现。电脑操作和自动化流程这类官方主打的场景，本来就带着这种反馈。
它不适合直接回答事实问题。查资料、回答客户关于政策的问题，没有检索和核对兜底，它会很自信地给你一个错的。
也有人测下来觉得不错。HN 用户 dom96 说，在自己设计的一套对抗式编程语言测试上，它和 DeepSeek V4 Pro 打平。Simon Willison 让它画了一只鹈鹕的 SVG，他在 HN 上的评价是「相当扎实」。这两条分量都不重：一套是个人自建的测试，一张是画图，说明不了它在你的仓库里跑 agent 怎么样。
如果你已经在用 DeepSeek 新 Flash，眼下没有很强的理由换：编程项 DeepSeek 更强，价格又一样。M3.1 Flash 值得试的是两类人：在跑办公自动化、电脑操作类 agent 的，可以拿它和现有模型在自己的任务上比一比每任务成本；想本地部署的，可以等权重。官方博客只写了权重「稍后」发布，VentureBeat 的报道说是 10 月 23 日，许可条款还没公布。按 HN 上有人引用的官方 FAQ，它总参数 4280 亿，每次激活 230 亿。4280 亿的总参数意味着权重文件很大，个人电脑跑不动，想本地部署的基本是有多卡服务器的团队。