MiniMax M3.1 Flash 發布解析：Agent 能力、官方跑分與成本，值得升級嗎？
MiniMax 於 10 月 19 日發布 M3.1 Flash，主打複雜 Agent 工作流程、程式開發與電腦操作。整理官方成績、API 價格與速度聲明，說明和 M3 比較時的限制及上線前驗證建議。
先看結論
MiniMax 於 2026 年 10 月 19 日發布 M3.1 Flash。這次更新值得關注的，是能否以較低成本完成更長的 Agent 任務：理解目標、呼叫工具、操作軟體、檢查結果，再繼續下一步。
對已使用 MiniMax 的團隊，建議先在真實工作流程中做小範圍對照測試。官方成績顯示潛力，但不足以證明每條既有流程都會更快、更便宜。
本文是依據官方資料的發布解析。TboxIO 尚未獨立重跑以下基準，也未量測實際 API 延遲。 資料核對日期為 2026 年 10 月 20 日。
更新重點是什麼？
官方將複雜自動化、軟體工程、電腦操作與資安任務列為主要方向。Agent 的價值要放在完整任務中理解：生成正確文字只是開始，跨檔案維持一致、連續呼叫工具，以及發現錯誤後修正，才決定能否交付成果。
若任務涉及企業系統、試算表、檔案或程式碼儲存庫，應評估最後完成了什麼，而不只比較說明是否流暢。
官方跑分：每個數字衡量什麼？
下表均為廠商公布成績；不同榜單的任務與量綱不同，不宜合併計算平均分數。
| 基準 | M3.1 Flash 官方成績 | 主要觀察方向 |
|---|---|---|
| BankerToolBench | 76.2 | 多步規劃、檔案一致性與工具呼叫 |
| DeepSWE v1.1 | 73.7% | 理解程式碼、實作或修復需求並驗證 |
| OSWorld V2 | 61.7 | 電腦操作與跨應用程式任務 |
| Agents’ Last Exam（ALE） | 29.6 | 真實專業工作中的複雜任務 |
| CyberGym | 82% | 漏洞發現與驗證 |
維護軟體專案時，DeepSWE 較貼近需求；電腦操作及專業工作流程則可關注 OSWorld 與 ALE 所代表的任務類型。
跑分不等於自家任務的成功率。工具環境、步數上限、重試預算、提示詞與評分方法都可能影響結果；資安成績也不能取代對特定系統的授權測試與人工複核。
與上一代 M3，可以比較什麼？
M3 的官方發布文章日期為 2026 年 6 月 1 日，重點包括長上下文、多模態、程式開發與 Agent；M3.1 Flash 的發布重點更集中於任務執行效率與使用成本。
兩組資料尤其容易誤讀：
- M3 文章列出 SWE-Bench Pro、Terminal-Bench 2.1 等成績，本次新模型正文突出的是 DeepSWE v1.1。不同測驗的分數不能直接相減，當成程式能力提升幅度。
- M3 的方法說明使用 OSWorld-Verified，並討論最大步數對成績的影響；本次披露的是 OSWorld V2。不能只按數字高低判定進步或退步。
若要量化相對 M3 的提升，仍需要相同資料集版本、工具框架及預算下的直接對照。本文不補造缺少的舊版成績，也不將不同口徑換算成提升百分比。
價格與速度：換成實際預算
官方發布文章的 API 單價如下，單位為美元／百萬 tokens：
| 項目 | 發布時公布單價 |
|---|---|
| 輸入 | 0.15 美元 |
| 輸出 | 0.60 美元 |
| 快取輸入 | 0.015 美元 |
例如，批次任務使用 200 萬個未快取輸入 tokens，以及 50 萬個輸出 tokens，模型 token 費用約為 0.60 美元，即輸入 0.30 美元加輸出 0.30 美元。此為費用示例，不包含其他服務費，實際以平台計費為準。
官方宣稱 Agent 任務整體使用成本較前代降低 70%，線上推論接近三倍加速；輸出可達 200+ tokens／秒，P50 為 170+ tokens／秒。這些屬於廠商發布口徑，不代表每個請求都能保證達到。
實際專案更應看「每完成一個合格任務的成本」。反覆重試、大量工具回傳及人工返工，都可能抵銷單價優勢。輸出吞吐量也不等於完整任務耗時，後者還包括排隊、工具執行及外部系統等待。
哪些使用者值得先試？
已有重複流程的團隊：先從可復原、容易驗收的工作開始，例如整理檔案、產出報表草稿及提出程式修改建議。
受成本或吞吐量限制的開發者：保留目前模型作為對照，固定輸入、工具權限與成果驗收標準。
依賴電腦操作的使用者：先檢查軟體版本、介面語言及權限。榜單的桌面環境不代表所有企業軟體；重要提交、付款或刪除仍應保留明確確認。
上線前，建議這樣對照
- 從歷史任務選取一般案例、長流程與已知失敗案例。
- 固定環境、提示詞、步數及重試上限，分別執行現有模型與 M3.1 Flash。
- 記錄完成率、人工修改次數、端到端耗時及輸入、輸出、快取用量。
- 檢查失敗後能否安全停止，尤其是修改檔案或跨系統操作。
- 成果符合驗收標準後，再逐步增加流量。
這樣既能驗證效率主張，也能發現榜單未涵蓋的業務問題。
如何體驗？權重開放了嗎？
發布文章列出 MiniMax API、M Plan 與 MiniMax Code。文章對權重的表述是後續發布，因此不應將 API 上線寫成「權重已可下載」。本機部署前，請另行核對官方儲存庫、授權條款與執行需求。
我的判斷是：M3.1 Flash 最值得驗證的，是長流程任務的完成品質與成本能否同時改善。先把自己的工作流程跑通，再決定是否全面切換。
來源與比較範圍
- M3.1 Flash 官方發布文章（2026-10-19）：新模型成績、速度、發布時價格與使用入口。
- M3 官方發布文章（2026-06-01）：前代定位與評測方法，不作為跨版本分數直接換算依據。
價格、可用性與權重發布狀態可能變動，接入或部署時請以官方最新資料為準。
參考來源
來源標籤區分官方公布、第三方測試與本站實測。