MiniMax M3.1 Flash 对比 Qwen 3.8 Flash：输入价格相同，架构却截然相反

MiniMax-M3.1-Flash 和 Qwen3.8-Flash 的每百万输入 token 价格同为十五美分，但二者建立在互不相容的“成本去向”理论之上。MiniMax-M3.1-Flash 自 2026 年 10 月 19 日起全面可用，是一个闭源模型，无论你是否需要，它都会在每次调用时进行推理，并以每秒 125.5 个 token 的速度生成。Qwen3.8-Flash 是一个 1250 亿参数的混合专家模型，每个 token 激活约 60 亿参数，在独立测量的检查点上生成速度约为每秒 51.6 个 token，且输出 token 售价低十三美分。一个快而啰嗦，另一个慢而简练。在你的流量上哪个更便宜，取决于大多数团队从不测量的一个比率，而这也是本次比较中唯一真正的问题。 此类发布背后有据可查的 AI 故障与智能体事件，均收录于 the OrcaRouter AI Incident Archive，其中每条记录都带有各自的来源、严重程度、置信等级和争议标记。

在列出数字之前，有一点需要先修正，因为它会影响下面的每一行。Qwen3.8-Flash 是一款托管产品。你能下载到的是 Qwen3.8-Flash-Next，它与前者架构相同，但名称不同、许可证不同，行为也未必相同——而且现有的独立基准测试数据针对的是 Flash-Next，并非托管的 Flash。MiniMax-M3.1-Flash 唯一被独立测量的分数针对的是模型本身，因为没有其他可测量的对象。下文中，凡是厂商提供的数字都会注明；凡是来自 Artificial Analysis 的数字也会注明；凡是无法进行诚实比较的行，则会直接说明这一点。

这两种架构并不是同一设计的两种设置。

Qwen 的模型是两者中更清晰易懂的那个，其数据公布得足够详细，可供推敲。Qwen3.8-Flash 有 48 层，每层 512 个专家，其中十个路由专家加一个共享专家，总参数达 1250 亿，每个 token 激活约 60 亿——稀疏度约 95%。除专家栈之外，它还带有一个 510 亿参数的 n-gram 嵌入表和一个 40 亿参数的多 token 预测头，因此存储产物更接近 1800 亿参数，而不是 1250 亿。多 token 预测是对速度至关重要的部分：它让模型每次前向传递可提出多个 token 并对其进行验证，这正是如此稀疏的模型仍能保持可用的原因。

MiniMax 尚未公布 MiniMax-M3.1-Flash 的可比参数规模。其发布文章讲的是结果——智能体基准测试、声称使用成本降低 70%、推理速度比预览版“快了近三倍”——而不是网络结构。这种不对称本身就是关于这两款产品的一个数据点：Qwen 卖的是一种原则上你可以自行托管的架构，而 MiniMax 卖的是一项服务。对于对比页面而言，这意味着架构论证只能单向成立。你可以有把握地说明 Qwen3.8-Flash 为何能按每个激活参数实现高速。你无法说明 MiniMax-M3.1-Flash 为何快，因为厂商没有告诉你。

每个维度一行，每行两侧都显示

• 输入价格——两者均为每百万 token $0.15，而本页所围绕的那个巧合正源于此

• 输出价格——MiniMax-M3.1-Flash 为每百万 0.60 美元，而 Qwen3.8-Flash 为 0.47 美元，两者相差 28%，这一差距对 MiniMax 不利

• 缓存 — M​iniMax 对每百万缓存输入 token 收费 $0.015；QwenCloud 列出每百万缓存读取 $0.016，显式缓存创建每百万 $0.20，因此 M​iniMax 的缓存是两者中更简单且略便宜的一个

• 上下文——MiniMax-M3.1-Flash 为 1,000,000 个 token；Qwen3.8-Flash 默认为 1,000,000 个 token，最大输入为 991,000 个 token，最大输出为 131,000 个 token

• 独立能力——Artificial Analysis 在其 Intelligence Index 上给 MiniMax-M3.1-Flash 打出 42 分，在 173 个模型中排名第 41 位；同一评测机构给 Qwen3.8-Flash-Next 打出 40 分，而托管版 Qwen3.8-Flash 未公布任何指数得分

• 输出速度——MiniMax-M3.1-Flash 达到每秒 125.5 个 token，首 token 时间为 1.04 秒；在同一追踪器上，Qwen3.8-Flash-Next 为每秒 51.6 个 token，这是目前可获得的、最接近同口径的数值

• 每完成一项任务的成本——在追踪器自带的评测框架上，MiniMax-M3.1-Flash 为 0.22 美元；两个 Q​wen 产物均未公布对应的数据

• 冗长程度——MiniMax-M3.1-Flash 在 Intelligence Index 运行中消耗了 1.8 亿个输出 token，而追踪器上模型的中位数为 9900 万；Qwen 未公布可比数据

推理控制——如果你发送 thinking: {"type": "disabled"}，MiniMax 会返回 HTTP 400，并且会拒绝 reasoning_effort: "none"，只留下一个默认值为 max 的五级阶梯；阿里巴巴为 Qwen3.8 系列同时记录了思考和非思考模式，因此这是两家厂商文档无法直接比较的唯一一行，你应该在自己的端点上测试这个开关，而不是信任任一页面

• 权重 — MiniMax 表示，MiniMax-M3.1-Flash 的权重“将于稍后发布”，但没有给出日期；Qwen3.8-Flash 的权重则完全未发布，而可下载的 Qwen3.8-Flash-Next 以 Qwen 社区许可证 1.0 而非 Apache 2.0 发布

• 输入模态 —— 两者均支持文本和图像，Qwen3.8-Flash 还可接受视频，且两者均仅返回文本

产出价格的差异小于产出量的差异。

每百万输出 token 十三美分，相比 28% 这个核心数字，看起来就像个舍入误差。但在真实工作负载中，它可能成为整个决策的关键，而且其影响方向与价目表所示相反，因为这两个模型完成同一任务时产生的 token 数量并不相同。

MiniMax-M3.1-Flash 无法停止思考。其 API 参考文档对显然的禁用请求返回 400，而唯一的调控手段是它的思考强度——从 low 到 max，默认为 max。Artificial Analysis 测量了后果：在其索引运行中，输出 token 达到 1.8 亿，而同一追踪器上典型模型的中位数消耗为 9900 万。这是典型模型输出量的 1.8 倍，而且思考 token 按输出 token 计费，并计入你的 max_tokens 上限。

用一个刻意简化的案例来算一算。一个在中位模型上要花一美元输出 token 的工作负载，如果冗长度比例成立，在 MiniMax-M3.1-Flash 上就要花 1.82 美元。同样的工作负载放在 Qwen3.8-Flash 上，单价是 0.47 美元而非 0.60 美元，在任何批量调整之前花费 0.78 美元——而且如果 Q​wen 的非思考模式可用且你用了它，那就根本没有需要付费的思考量。在以输出为主的流量上，13 美分的差距和 1.8 倍的冗长度相乘，会变成接近 2.3 倍的总差异。这就是反对 MiniMax-M3.1-Flash 的理由，说得就该这么直白。

支持它的理由在于速度，而当工作负载是智能体式的时候，速度并不是一种软性收益。以每秒 125.5 个 token 对 51.6 个 token，MiniMax-M3.1-Flash 的输出速度约快 2.4 倍，这意味着一个多步工具使用循环，Qwen 需要二十秒生成，MiniMax 只需八秒。如果你的智能体要完成一项任务需要进行四十次模型调用，那就是十三分钟任务与五分钟任务之间的差别，而这样的延迟改变的是你能构建什么，而不仅仅是你付多少钱。这也意味着，MiniMax 多出来的那些 token 到达所用的实际耗时，比 Qwen 更少的 token 还要短，正是这句话让关于冗长的论点变得复杂，而非具有决定性。

两张无法并排摆放的供应商基准测试表

两家公司都发布了评估，但这两套评估都无法用于直接对比，原因值得直截了当地说明，而不是绕开不提。

MiniMax 针对 MiniMax-M3.1-Flash 的表格涵盖 BankerToolBench 76.2、DeepSWE v1.1 73.7%、OSWorld V2 61.7、Agents' Last Exam 29.6 和 CyberGym 82%，并将其 AutomationBench-AA 结果描述为位居顶尖表现者之列，但未公布分数。Alibaba 针对 Qwen3.8-Flash-Next 的表格涵盖 SWE-bench Pro 62.5、DeepSWE 1.1 58.7、CoWorkBench 73.9、AndroidWorld 84.5、MathVision 95.7 和 JobBench 55.7。两份列表恰好共享一个基准名称——DeepSWE v1.1——而在这一点上，厂商数字为 73.7% 对 58.7%，十五个百分点的差距看似具有决定性，实则不可比，因为这两个数字对应的模型与本页上的模型不同（一个是托管版 Flash-Next，另一个是 M3.1-Flash），也因为两家公司都没有公布测试框架、脚手架或通过标准。

这些表格真正的用处在于解读意图。MiniMax 衡量的是计算机使用、长周期专业任务和漏洞发现——这是一个旨在操作软件的模型画像。阿里巴巴衡量的是编程、多模态数学和移动设备控制——这是一个旨在跨模态嵌入应用的模型画像。两张表都不包含竞争对手的数字，也不应被当作包含竞争对手的数字来使用。

许可证实际允许什么

开放权重这一项，是大多数买家在两个方向上都会搞错的一行。

Qwen3.8-Flash 并未开源。真正开源的是 Qwen3.8-Flash-Next，而这一差别并非表面功夫：它是一个独立的产物，于 2026 年 8 月 26 日发布，阿里巴巴自家实验室将其描述为支撑 Qwen4 的架构预览版，以 131 个分片的形式交付，采用 bf16 与 FP8 格式、总计约 360 GB，且未提供厂商自制的 GGUF 量化版本。它采用 Qwen 社区许可协议 1.0，这既不是 Apache 2.0，也不是许多团队在听到“Qwen 权重”时所设想的那种许可证。任何打算下载 Flash 并在本地运行的人，都应该在估算硬件规模之前先读一读这份许可证，因为 360 GB 的权重装不进单张加速卡，而社区量化是缩小占用空间的唯一途径。

MiniMax-M3.1-Flash 是闭源的，但附带一个承诺。发布帖称权重“将在之后发布”，却没有给出日期、许可证和规模。这明显比 Qwen 的处境更弱——一个今天就能在限制性许可证下下载到的东西，胜过可能最终以未知条款下载到的东西——但这并非一无是处，而且它是最有可能改变本页权衡格局的一件事。如果 MiniMax 发布权重，那么对任何拥有 GPU 的人来说，价格比较就不再重要，而 Qwen 凭借 60 亿活跃参数换来的稀疏性优势，将面对一个也能在自有硬件上部署的竞争对手。

今天该打给哪一个

两者都可以通过 OrcaRouter 访问，但可及程度并不相同。Qwen3.8-Flash 在目录中列作 qwen/qwen3.8-flash，属于单一 API 密钥背后、按 0% 加价透传提供商目录价的 200 多个模型之一。MiniMax-M3.1-Flash 不在目录中；它可以通过 M​iniMax 自有 API、其 M Plan 和 M​iniMax Code，以及 M​iniMax 于 10 月 21 日指定的服务合作伙伴来调用。从 M​iniMax 一侧可路由的是该产品线的其余部分——其中包括 MiniMax-M3——因此，想要在自己的流量上测试这一对比的团队，可以把 qwen/qwen3.8-flash 和 minimax/minimax-m3 放在同一个密钥后面并进行测量，而不是阅读两张供应商表格然后猜测。

在做出决定之前，这项测量值得先做，因为这两个模型在基准测试中会以相反的方式失手。如果你的工作是智能体式的，MiniMax-M3.1-Flash 会显得按 token 计费昂贵，但按完成的任务计费便宜；这类工作包含很长的轨迹，而由于每一轮都很快，模型能用更少的往返次数完成这些轨迹。Qwen3.8-Flash 在账单的每一行上都会显得更便宜，但在任何对延迟敏感的循环中都会显得更差，因为当智能体需要四十次顺序回复时，每秒 51.6 个 token 是一个实实在在的约束。这两者都不是缺陷。它们是两种按预期运作的设计。

狭义结论：如果你要构建一个操作软件的智能体，并且按完成的任务而非按 token 付费，那么 MiniMax-M3.1-Flash 的速度对得起它的冗长，而在 MiniMax 发布其权重之前，闭源权重就是入场代价。如果你运行的是高吞吐量的抽取、分类或生成任务，其中输出长度有界且延迟不是约束，那么 Qwen3.8-Flash 在价目表上更便宜，而且一旦你不再为并未要求的推理 token 付费，还会更便宜——而如果你需要拥有模型而非租用模型，Qwen3.8-Flash-Next 是两者中唯一一个你真正能持有的，但需遵循一份你应该先阅读的许可证。