大肥鱼遇劲敌：MiniMax M3.1 Flash 拿下 Agent 任务第一，我们实测了

引言

国产 “Flash” 模型的价格战再次升级。DeepSeek 用 V4.1 Flash-1017把低谷价拉到了新标杆，MiniMax 则直接把“低谷价”做成了“全天价”，真正把快与省推向常态化。但这次的焦点不只是便宜与速度：MiniMax M3.1 Flash 公开认领了匿名“太空兔”模型 Space Bunny，并在复杂 Agent 任务评测中拿下第一，呈现出与“大肥鱼”DeepSeek 互补又对峙的新格局。

太空兔亮明身份：速度、成本与定位

MiniMax 将 Space Bunny 正式归位为 M3.1 Flash，这只“太空兔”此前在开发者社区已具备强存在感：连续多日位居平台使用量榜首，累计处理量达到数十到数百 T 级 Token。这类指标并非简单的流量数字，背后意味着两点：

• 推理通道稳定，队列与限流可控，开发者才敢把真实工作流交给它；
• 单次响应快，长期总成本低，工作流迭代次数上升也能撑住。

更重要的是，M3.1 Flash 在智能指数与成本同时优化：在 Artificial Analysis 榜单中，智能指数从上一代 M3 的 29 分跃升至 43 分，任务加权平均成本却从 0.51 美元降到 0.22 美元。这不是简单的“参数更大”，而是“单位智能的价格”下降——对企业自动化与 Agent 场景，这一维度远比顶峰能力更有价值。

价格策略上，MiniMax 把“便宜时间窗”变成全天常态，使开发者无需围绕时段调度任务，这直接降低了工程管理复杂度，提升了成本可预测性。

评测背后：Agent 任务为何更“吃模型”

在传统的编码评测中，DeepSeek 依旧稳健：DeepSWE v1.1 得分 77.0%，领先于 M3.1 Flash 的 73.7%，处于与 Opus 5、GPT-5.6 Sol 相近的区间。Coding 性价比上，DeepSeek 居首，MiniMax紧随其后。这说明在“生成高质量代码 + 通过单元测试”这条线，DeepSeek 依然是强势选手。

然而在复杂 Agent 任务上，天平倾向于 MiniMax。M3.1 Flash 在 Automation-Bench v1.0.6 拿到第一，在 BankerToolBench 以 76.2% 与 Opus 5 并列第一，在网络安全基准 CyberGym 也有 82.2% 的表现。为什么 Agent 场景会分化出截然不同的胜负？

• 多步推理与工具调用：Automation-Bench由 Zapier 基于 600 个真实企业流程构建，涉及销售、营销、运营、客服、财务、HR 等。任务不是“一次性生成文本”，而是“多轮计划-执行-纠错”的编排。
• 成功率的关键因子：函数调用格式遵循度、状态记忆、错误恢复与重试策略，会显著影响全链路完成率与总时延。
• 性能的复合效应：在多步任务中，每一步的延迟与错误都会被“倍增”。因此“更快的单次响应”与“更稳定的工具调用”会把整体时间差拉大。

M3.1 Flash 的优势，可能来自更强的工具调用协议遵循、更好的中间步骤规划与回退机制，以及较低的“幻觉式调用”。这对真实企业自动化至关重要：少一次无效调用，往往省下的不只是 Token 费，还包括失败重试引发的流程延误与人力介入。

一次实测：同等成本下的 65 分钟差

在一项实际任务中，给模型一张手绘平面图与建筑尺寸表，让它从零搭建可在浏览器交互的 3D 校园。两套方案都完成了主要交付要求：

• MiniMax Code + M3.1 Flash：总用时约 55.4 分钟
• OpenCode + DeepSeek V4.1 Flash：总用时约 121 分钟
• 两边的模型费用都在约 6.5 元左右

同样几块钱的模型费用，时间差却拉到了约 65 分钟。对于需要频繁迭代与试错的前端/三维交互开发，这种“每轮迭代的时间红利”能迅速累积为显性生产率优势。原因可能包括：

• 更少的无效代码片段与工具误调用，降低回滚与修正成本
• 更高的上下文稳健性，减少因状态丢失导致的重复解释
• 更好的任务分解与模块化输出，使后续拼装与调试更顺畅

当然，单次任务不代表全局。复杂专案、严苛代码质量或特定框架兼容性要求下，DeepSeek 的编码优势仍可能反超。因此，更合理的策略是按工作负载拆分：Agent 主导的自动化与运营流程，偏向 M3.1 Flash；长周期、测试驱动的工程编码，偏向 DeepSeek。

影响与展望

价格战的下一阶段不是单纯“更便宜”，而是“在更低价位上维持更高成功率与更短时延”。M3.1 Flash 把全天低价与 Agent 能力绑定，意味着企业可以把更多真实流程迁移到自动化栈；DeepSeek 在编码上持续领先，则保障了底层工程的质量与可维护性。两者形成“工程底座 + 流程编排”的双引擎组合，可能是未来半年最实用的堆栈形态。

对开发者与企业的建议：

• 明确任务画像：是多步工具编排、流程自动化，还是高质量软件工程？按场景选模型，避免“一把梭”。
• 以全链路指标做评估：看平均完成时间、成功率、失败重试率、成本分布，而不是仅看单轮得分。
• 建立多模型路由：编码阶段可优先 DeepSeek；流程执行与业务自动化交给 M3.1 Flash；在关键环节引入回退模型以保障 SLA。
• 强化可观测性与安全：对工具调用进行日志化与审计，在涉及财务、客服、安防等场景时，设置权限边界与异常告警。
• 用真实数据集做小范围试点：参考 Automation-Bench 的任务结构，在自有 CRM/ERP/工单系统上跑 POC，观察长期稳定性与成本曲线。

接下来值得关注的，是厂商在“工具生态与治理能力”的竞争：谁能提供更标准化的函数调用协议、更强的异常恢复、更完善的流程监控与安全审计，谁就能把 Agent 从“可用”推向“可控且可依赖”。随着智能指数与单位成本的“双向优化”，国内 Flash 模型的竞争会从参数与价格转向系统工程层面的比拼，最终受益的将是把真实业务流程交给 AI 的开发者与企业。

标签： MiniMax DeepSeek Agent Flash模型 自动化