Kimi K3.1 Pro 與 MiniMax M3.1 Flash：每當任務規模變大就會縮小的 15 倍價差

把Kimi K3.1 Pro與MiniMax M3.1 Flash並列在價格表上，決策還沒開始就看似已成定局：以每百萬混合詞元計算，其中一個的成本是另一個的十五倍 [供應商價格；倍數為我們的計算]。改把它們並列在逐任務帳本上，差距就縮小到九點五倍，接著再降到約三倍。在這些讀數之間，供應商價格完全沒變。變的是分母。這兩者並不是在爭奪你預算中的同一行，而最快的選擇方法，就是弄清楚你的工作負載會觸及哪一行。

兩個從未針對同一位買家的個人檔案

Kimi K3.1 Pro 是一個稀疏模型，總參數為 2,800B，每個 token 啟用 104B [VENDOR]，具備 1M-token 上下文 [VENDOR]，且思考功能始終開啟：effort 可為 low、high 或 max，預設為 max，而 temperature 與 top_p 則固定不變 [VENDOR]。它目前並非開放權重；供應商承諾於 11 月 4 日前發布 [VENDOR]，而 Artificial Analysis 仍將其標記為專有 [INDEPENDENT]。在該指數上，它錄得每秒 57.5 個輸出 token [INDEPENDENT]，以及 55.09 的分數 [INDEPENDENT]。

MiniMax M3.1 Flash 於 2026-10-19 推出 [廠商]，屬於截然不同類型的物件：具備 1,048,576 個 token 的上下文，最大輸出為 524,288 個 token [廠商]，每秒 116.2 個 token [獨立]，分數為 42.71 [獨立]。一項四捨五入的註記：Artificial Analysis 將其四捨五入為 43，我們的型錄卡則為 42 [獨立]——這是同一個測量值。

因此，在第一段之後仍然成立的框架，並不是「前沿模型對預算模型」。它是一個具備深度思考能力、執行導向特徵鮮明的通用型模型，對上一個才問世一週、速度快、支援長上下文、吞吐成本低的模型。兩者之間 12.38 個指數點的差距 [INDEPENDENT] 是真實存在的，但分布並不均勻，而這種不均勻正是決策所在。

索引落差究竟從何而來

將這份指數拆成各列，模式便會浮現：Kimi K3.1 Pro 的優勢集中在獎勵持續執行、而非獎勵儲存知識的列。以下所有數字皆為 [INDEPENDENT]，來自 Artificial Analysis。

• Terminal-Bench 4.0：67.17% 對比 25.76%，相差 41.4 個百分點，為整組中差距最大者。

• Terminal-Bench-Science：34.29% 對 3.33%，差距達 31.0 個百分點。低個位數並非四捨五入造成的假象；這代表模型在該任務系列中大幅失敗。

• GDPval-AA：1,845.72 對上 1,457.57，相差 388 Elo。Elo 與能力之間並非線性關係，因此這應解讀為不同等級的結果，而非百分比差異。

• SciCode：60.76% 對上 53.36% —— 確實具競爭力。

• AA-LCR 86.33% 對 79.67%；MMMU-Pro 83.87% 對 79.13%；CritPt 24.57% 對 22.29%；HLE 52.46% 對 47.96%。這些是兩者最接近的項目，且全都屬於長上下文或知識密集的類型。

• AutomationBench：73.30% 對上 72.52%——實質上不相上下。

• {{1}}AnalystAgent{{/1}} 在 Kimi K3.1 Pro 上為 38.75，而 {{2}}FrontierCode{{/2}} 為 47.07%，兩者皆無已發佈的 MiniMax 對應結果。結果從缺既不代表零，也不構成任何證據，只表示這項比較存在缺漏。

打亂每個簡單敘事的那一列，就是 AA-Omniscience。MiniMax M3.1 Flash 答對更多知識題——準確率 56.20%，對手為 51.02%——但得分卻是 15.55 對 29.52，因為它的幻覺率達 92.81%，對手僅 43.89% [INDEPENDENT]。這項指數會懲罰自信滿滿的錯誤答案。一個答對次數略多、但犯錯時自信得多的模型，對以檢索為基礎的工作而言是種危害；在這類工作中，一句毫無依據的話，比坦承無知更糟。

定價，從三個分母來解讀

在 token 層面上，兩者並不在同一個市場。Kimi K3.1 Pro 的定價為每百萬 token 輸入 $2.00、輸出 $10.00，快取讀取 $0.20，以 3:1 混合後為 $4.00 [VENDOR]。MiniMax M3.1 Flash 的定價為每百萬 token 輸入 $0.15、輸出 $0.60，快取讀取 $0.015，以 3:1 混合後為 $0.2625 [VENDOR]。混合後的比率為 15.2 倍。

每完成一項索引任務，比率就降至 9.6 倍：Kimi K3.1 Pro 為 $2.1145，MiniMax M3.1 Flash 為 $0.2201 [獨立]。原因在於機制。一項索引任務會消耗 Kimi K3.1 Pro 的 55,195 個輸出 token，以及 MiniMax M3.1 Flash 的 78,612 個；較便宜的模型多輸出 42%，這在價目表的高價端侵蝕了它自身的優勢。每項任務成本才是財務團隊應該看的數字，而它已比表面比率所暗示的低三分之一。

反過來看，每混合美元的指數點數為：Kimi K3.1 Pro 是 13.8，MiniMax M3.1 Flash 是 162.7 [INDEPENDENT]。這不是建議：如果唯一的限制條件是每美元基準測試分數最大化，答案毫不含糊；而如果重點是到底能不能完成這類任務，那這些算術就無關緊要。

為什麼工作規模越大，差距卻不斷縮小

最清楚的證據是 Plotly 的 DataAnalyticsBench——涵蓋合成風場資料的 43 個問題，每個模型執行一次，因此呈現的是方向而非分佈 [INDEPENDENT]。Kimi K3.1 Pro 在 43 題中回答了 42 題，每題 $0.31，總計 $13.47，每題使用 7.5 次模型呼叫與約 440,000 個輸入 token。MiniMax M3.1 Flash 在 43 題中回答了 41 題，每題約 $0.10，總計 $4.09，每題使用約 45 次呼叫與 420 萬個輸入 token。

三件事同時發生。準確率幾乎相同——只差一題，遠在單次執行能分辨的範圍內。價格差距已縮小到 3.1 倍。而且機制顯而易見：較便宜的模型是靠每題進行 45 次呼叫、而另一個只用 7.5 次，並且每題推送 9.5 倍的輸入來達到這個結果。它用上下文與迭代次數換取準確率，而不是靠參數深度；這兩者按 token 計都很便宜，但按任務計並非免費。

擴大到每月十萬個問題，比較結果就是 31,000 美元對上 10,000 美元，一年相差約 252,000 美元 [INDEPENDENT，根據 Plotly 的每題數據外推]。這是一筆實實在在的預算項目，也是在這個量級下，應把 41 對 42 的準確率差異換算成每個錯誤答案成本的地方：在你業務所依賴的任務上，兩點的優勢可能價值超過 25 萬美元。

便宜方案真正勝出之處

MiniMax M3.1 Flash 對型態相同的工作負載來說是更划算的選擇：高流量、簡短或限制寬鬆的輸出、大量檢索上下文，以及可容忍重新執行。分類、搭配下游驗證器的結構描述約束擷取、大規模摘要、檢索增強式回答（每句話都必須能追溯到所提供的段落），以及附帶審查的大量生成，都屬於這類工作負載。輸送量很有幫助：每秒 116.2 個 token，相較於 57.5 [INDEPENDENT]，大約是每個複本在排隊前的併發量兩倍；而 524,288 個 token 的最大輸出 [VENDOR] 表示長篇任務不需要拼接。

幻覺數據是在約束那份清單，而不是在點綴它。當標準答案就在提示詞中，且有驗證器會拒絕缺乏依據的主張時，92.81% 的比率 [INDEPENDENT] 尚可承受。但在一個沒有檢索、沒有引註檢查、也沒有人員介入的開放式事實型助理中，這就無法承受——而且它略高的準確率會讓那些失敗更難被察覺，而不是更容易。

高價方案在哪些情況下能回本

Kimi K3.1 Pro 的價值，體現在那些看起來像實際工作、而非記憶回溯的項目上。Terminal-Bench 4.0 的 67.17% 與 Terminal-Bench-Science 的 34.29% 是最清楚的訊號：長時間跨度的 shell 與程式設計任務，在這些任務中，部分答案就等於一次失敗的執行，而每次重試耗費的是工程注意力，不是 token [INDEPENDENT]。GDPval-AA 的 388 Elo 差距 [INDEPENDENT] 對專業工作也指向同一方向。如果你的工作負載是一個必須在無人監督下完成多步驟流程的代理，那麼 25.76% 的 Terminal-Bench 4.0 分數 [INDEPENDENT] 不是折扣——而是另一種產品。

有兩個營運細節應該放在這裡，而不是放在腳註。思考功能始終開啟，且投入程度預設為最大 [VENDOR]，因此若不接受能力變更，就無法調低延遲；請以 p50 約 6.9 秒來規劃，而不是指望一條並不存在的快速路徑。在截至 10 月 26 日的七天內，於我們路由上的生產環境中，Kimi K3.1 Pro 以每秒 52.4 個輸出 token 的速度運行，錯誤率為 0.064%，並在三天內承載了 1.305B 個 token [OURS]。在同一期間，MiniMax M3.1 Flash 在我們的路由上僅承載了約 10,000 個 token [OURS]，資料量遠不足以測量任何東西，因此這裡關於它的每一項延遲與成本數字（包括吞吐量）都是評估者的數據。

在它們之間做選擇

從最像你流量組成的那一列評測開始，而不是從指數標題或價目表開始。如果答案取決於 Terminal-Bench、GDPval 或任何長時程執行類別，那麼 41 分與 388 Elo 的差距在討論成本之前就已決定。如果答案取決於 AA-LCR、MMMU-Pro、CritPt 或 AutomationBench，兩者只差幾分，你應該依價格、吞吐量和上下文來選擇——也就是說，選擇 MiniMax M3.1 Flash，並搭配檢索層與負責管理幻覺概況的驗證器。

中間那個案例是範圍有限、答案可驗證的分析工作。Plotly 的 43 題中答對 42 題、對上 43 題中答對 41 題 [INDEPENDENT]，正是這種形態；而在較便宜的模型需要 9.5 倍輸入才能維持同等水準的任務上出現 3.1 倍差距，這是一筆實實在在的取捨。先對你自己的流量取樣；單一次 43 題的測試只是一個方向，不是定論。

關於定價的一個結構性說明，這比上述任何比率都更重要。OrcaRouter 會原封不動地轉嫁供應商的 token 價格，因此當牌價變動時，我們對該模型的價格也會在同一天隨之變動，中間沒有重新議定的級距。這裡的每個比率都是兩家供應商當前價目表的快照，而不是加價時程表——若任一供應商下個月調降輸出價格，15.2× 和 9.6× 都會變動，而帳單仍會是他們價格的鏡像。這也是為什麼廉價層級的優勢值得重新確認，而不是記住就好：MiniMax M3.1 Flash 於 10 月 19 日 [VENDOR] 推出，比本文撰寫時間早一週，而上市價格很少是最終價格。

資料來源：Artificial Analysis Intelligence Index v4.3.2，資料截至 2026 年 10 月 26 日，涵蓋指數、列、輸送量與每項任務成本數據；Plotly 於 10 月 20 日及 23 日針對 43 題比較所發表的 DataAnalyticsBench 文章；廠商模型卡則提供價格、上下文長度、參數與發布日期。MiniMax M3.1 Flash 在七日窗口內於 OrcaRouter 的路由上約處理了 10,000 個 token，數量太少而無法測量，因此此處的延遲與成本數據為評估者所提供。