MiniMax M3.1 Flash 对比 DeepSeek V4.1 Flash：两份厂商表格究竟在哪些方面一致
- Orca新Orca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 每百万 tokens · 10 tok/s
- deepseek新DeepSeek: DeepSeek V4.1 Flash 10172026-10-1745智能
- DeepSeek新DeepSeek: DeepSeek V4.1 Flash2026-10-1740智能
- Orca新Orca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 每百万 tokens · 124 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2952智能
- anthropicAnthropic: Claude Sonnet 5.52026-09-2856智能
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 每百万 tokens · 313 tok/s
- OpenAIOpenAI: GPT-6 Luna2026-09-2238智能
- OpenAIOpenAI: GPT-6 Sol2026-09-2248智能
- AnthropicAnthropic: Claude Opus 5.52026-09-2258智能
- xAIGrok 4.72026-09-2146智能
- OrcaOrca: OrcaCyber Zero 1.02026-09-17$3.00 / $7.50 每百万 tokens · 45 tok/s
- OrcaOrca: OrcaVerify Text 1.02026-09-16$2.00 / $0.00 每百万 tokens · 826 tok/s
- OpenAIOpenAI: GPT-6 Astra2026-09-0453智能77代码
- GoogleGoogle: Gemini 3.8 Flash2026-09-0241智能76代码
- AlibabaQwen: Qwen3.8 Max (0902)2026-09-0245智能76代码
- AnthropicAnthropic: Claude Fable 5.12026-09-0153智能82代码
- TencentTencent: Hy4 preview2026-08-28$0.83 / $2.50 每百万 tokens · 48 tok/s
- AlibabaQwen: Qwen3.8 Flash2026-08-26$0.15 / $0.47 每百万 tokens · 93 tok/s
- z-aiZ.ai: GLM 5.3 Flash2026-08-2642智能72代码
两行。这就是 MiniMax 的发布表格在与 DeepSeek 自己公布的数字对比后所剩下的全部；在两家厂商的头条被复述之前，值得把这一点直说：在两家实验室都公布了同一评测分数的两项基准上——MiniMax M3.1 Flash 与 DeepSeek V4.1 Flash（即 DeepSeek 两天前发布的 1017 检查点）——较新的模型落后。MiniMax 于 2026 年 10 月 19 日发布 M3.1 Flash，其表格涵盖智能体工作、编程、计算机使用和网络安全，并声称相较自家前代实现了代际跃升。DeepSeek 于 2026 年 10 月 17 日发布 V4.1 Flash 1017，其模型卡也做了同样的事。把两者放在一起看，有意思的地方不在于谁赢，而在于每张表格中真正可供比较的内容少得可怜。厂商表格是一种证据，事故记录是另一种，因此这类发布背后的失败案例被收录在 OrcaRouter AI Incident Archive其中每条记录都带有自己的来源、严重程度、置信等级和争议标记。
MiniMax 实际量化了什么
MiniMax 的帖子比大多数都更具体。它一开头就给出了六项数字：BankerToolBench 76.2、DeepSWE v1.1 73.7%、OSWorld V2 61.7、Agents' Last Exam 29.6、CyberGym 82%，并声称在 Automation-Bench 上表现最佳，但摘要文本中未给出分数。与之并列的还有两项吞吐量声明：在线推理速度约为其所取代模型的三倍，以及每秒 200 多个 token、P50 高于 170；另有一项成本声明：在智能体任务上低 70%。所有这些都是厂商报告的，且未经复现。MiniMax 运行了它，MiniMax 发布了它，而测试框架只在脚注中提及。
脚注正是表格开始崩解之处。MiniMax 表示，BankerToolBench 是使用 OpenCode 1.1718 测试框架进行评估的，并由其自家较旧的模型 MiniMax-M2.7 进行评判。这是一个自评基准：由 MiniMax 的模型为 MiniMax 模型生成的输出打分，而且任务集也是由 MiniMax 选定的。它可能运行得完全没问题，但这并不能作为证据，用来质疑一家在别人维护的测试框架上公布结果的实验室。
对齐的两行
DeepSWE v1.1 是唯一真正共享的衡量指标。DeepSeek 和 MiniMax 两家实验室都报告了它，并且都指明了测试框架：DeepSeek 在其模型卡上写的是 Mini-SWE-V2，MiniMax 报告的也是同一基准版本。MiniMax 声称达到 73.7%。DeepSeek 声称 1017 检查点为 77.0%，而被它取代的 V4.1 Flash 版本为 74.2%。因此，这里的排名并不含糊，而且对较新的模型并不有利：在两家公司以相同方式测量的唯一一个编程智能体基准上，DeepSeek 10 月 17 日发布的版本领先于 MiniMax 10 月 19 日发布的版本，并且与此同时，它还比自己上一个版本高出近三个百分点。
Agents' Last Exam 以更大的差距讲述了同样的故事。MiniMax 报告 29.6。DeepSeek 为 1017 报告 35.4，高于上一个检查点的 31.8。在一个旨在让智能体难以应对的基准上，这是五分的差距，而且这已经是连续第二行，早两天的模型在其中稳稳领先。
这两张表里的其他所有内容，要么是在不同的测试平台上测得的，要么是由不同的模型评判的，要么只由一方发布。DeepSeek 的模型卡在 Claude Code 测试框架下给出的 Terminal-Bench 4.0 成绩为 42.3，无工具 HLE 为 42.6，ProgramBench 为 29.1，Apex Bench v1.1 为 72.1，Automation-Bench v1.0.6 为 60.5。MiniMax 的帖子则完全没有给出 Terminal-Bench 4.0 的数字，而且其 Automation-Bench 一行位于一条关于 600 个公开发布任务的脚注之下，而不是紧挨着一个可比数字——以该帖子呈现的清晰度，我们无法有把握地将那个数字归因。其中有两行是可核查的。其余则是封面上名字相同、实则两场不同的考试。
在 MiniMax 的表格表现强劲、而 DeepSeek 的表格沉默不语之处
把这两个共同列出的行当作全貌会是个错误，因为它们都是编码与智能体推理方面的行，而 MiniMax 的宣传范围更广。OSWorld V2 的 61.7 是一项计算机使用能力分数，DeepSeek 并未公布；MiniMax 声称自己在该项上位居中国模型之首。CyberGym 的 82% 是一项安全智能体分数，DeepSeek 同样没有公布。BankerToolBench 的 76.2 衡量的是业务工作流场景中的工具选择能力，而 DeepSeek 的模型卡和 Artificial Analysis 都未覆盖这一项。在这些领域，MiniMax 并未落后；它是无人与之竞争。无人竞争不等于领先，而厂商自己的总结——“达到领先模型的水平”——是在声称持平，而非领先。
关于这张发布对比表，另一个值得注意的地方是它如何处理竞争对手。公布的图表把 MiniMax 的一列与 DeepSeek、Kimi-K3、GLM-5.3、GPT-5.6 Sol 和 Opus 5 并排放在一起，而那些列中的数字是其他实验室自己公布的数据，而不是 MiniMax 运行得出的数字。这是常规做法，并不算不诚实，但这意味着图中的每一处跨列比较都继承了各实验室碰巧使用的测试框架。一张把六个模型并排列出的表格，会让人不由自主地横向比较同一行。而其中只有两行本来就是为横向比较而构建的。
价格方面的情况恰恰相反，而且这是真实存在的。
在费用方面，MiniMax 的方案更简洁。M3.1 Flash 每百万输入 token 收费 0.15 美元，每百万输出 token 收费 0.60 美元，缓存输入为 0.015 美元——相当于 90% 的折扣——并且没有时段差异。DeepSeek V4.1 Flash 1017 在工作日高峰时段标价为 0.30 美元和 1.20 美元，非高峰时段减半至 0.15 美元和 0.60 美元，缓存命中分别为 0.006 美元和 0.003 美元。在高峰时段，DeepSeek 同样每百万 token 的费用是 MiniMax 的两倍。非高峰时段，两者完全相同。如果你的工作负载按你可控的时间表运行，就可以追逐 DeepSeek 的低价窗口；如果工作负载在用户活跃时运行，则无法做到。
Artificial Analysis 给出了一个在定价博弈后依然成立的数字差异：在 M3.1 Flash 上完成一项 Intelligence Index 任务需 0.22 美元，而在 DeepSeek V4.1 Flash 1017 上需 0.26 美元。在同一评测中，这是对 MiniMax 有利的 15% 差距，也是本次比较中唯一一项经过独立测量、而非厂商断言的经济性主张。这一点很重要，因为按 token 计价的价目表不会告诉你这些。DeepSeek 的 $0.30/$1.20 看起来像是 2 倍惩罚，实际却表现为 15% 的惩罚，因为 MiniMax 运行该指数消耗了 1.8 亿输出 token，而 DeepSeek 消耗了 2.1 亿，并且 DeepSeek 的速度约为 MiniMax 的两倍——每秒 208.7 个 token，而 MiniMax 约为 105 个。两个模型，两种定价哲学，以及每次评测 18 美分的真实成本差异。
这也正是路由层能够发挥作用的地方，而且这件事说起来容易，手工做起来却很难。OrcaRouter 将 提供商目录价按 0% 加价透传，因此无论哪家实验室调整费率，你账单上的数字都会在当天随之变化，而不是等到下一次合同续签——而在设有高峰时段的卡上，这正是“只设定一次的预算”和“需要每小时重新核对的预算”之间的差别。我们今天并未在目录中提供 MiniMax M3.1 Flash 或 DeepSeek V4.1 Flash 1017，本文也不是在声称我们提供；我们确实路由的 DeepSeek 系列是另一个检查点，当你的代码锁定的是模型字符串时，这个区别值得厘清。
基准表不包含的两个数字
第一是速度。MiniMax 声称每秒超过 200 个 token，P50 高于 170。Artificial Analysis 在其自有测试框架上测得约每秒 105 个 token，首 token 时间为 1.38 秒。DeepSeek 在 1.07 秒时测得每秒 208.7 个 token。厂商的吞吐量声明几乎总是在服务栈所能产生的最佳情况下测得；独立测得的数字才是会体现在你的 p95 中的那个数字。在这个维度上，MiniMax 自己的声明与实测结果并不接近，而且实测结果只有 DeepSeek 的一半。
第二点是许可证。DeepSeek V4.1 Flash 1017 采用 MIT 许可证，权重发布在 Hugging Face 上，总参数为 5520 亿，激活参数为 160 亿。MiniMax 表示 M3.1 Flash 的权重“将于稍后发布”，但这一承诺没有附带日期、许可证和参数数量。如果你的采购要经过安全审查，而审查会问供应商消失后该怎么办，那么基准测试表并不是你在回答的问题；而在你拿到的那张表上，并没有这个答案。
什么会改变这一解读
三件事，按其重要程度排序。在 MiniMax 的检查点上独立运行 DeepSWE v1.1 和 Agents' Last Exam，将能判定 73.7 和 29.6 是偏保守还是偏宽松——目前，这两家实验室之外还没有任何人公布过其中任何一项结果。若 MiniMax 公布其在 DeepSeek 所用同一 600 项任务版本上的 Automation-Bench 分数，就能为这项智能体能力主张补上它目前缺少的数字。而附带许可证的权重发布，将使该模型在 DeepSeek 目前完全没有竞争对手的维度上具备可比性。
在此之前，诚实的总结比两篇发布文章所描绘的都要更有限。MiniMax M3.1 Flash 是完成任务时更便宜的模型，对话时更慢的模型，采购时闭源的模型，而且——在两家公司以完全相同方式衡量的仅有的两项基准测试上——它是位居第二的模型。这不是那张表格想要讲述的故事，但却是表格所包含的故事。如果你这周要在两者之间做选择，就依据价格卡和许可证来选，因为这两行是无需说服任何人就能接受的。
