MiniMax M3.1 Flash 與 DeepSeek V4.1 Flash：兩份廠商表格究竟在哪些地方一致
- Orca新Orca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 每百萬 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 每百萬 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 每百萬 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 每百萬 tokens · 45 tok/s
- OrcaOrca: OrcaVerify Text 1.02026-09-16$2.00 / $0.00 每百萬 tokens · 826 tok/s
- OpenAIOpenAI: GPT-6 Astra2026-09-0453智能77程式
- GoogleGoogle: Gemini 3.8 Flash2026-09-0241智能76程式
- AlibabaQwen: Qwen3.8 Max (0902)2026-09-0245智能76程式
- AnthropicAnthropic: Claude Fable 5.12026-09-0153智能82程式
- TencentTencent: Hy4 preview2026-08-28$0.83 / $2.50 每百萬 tokens · 48 tok/s
- AlibabaQwen: Qwen3.8 Flash2026-08-26$0.15 / $0.47 每百萬 tokens · 93 tok/s
- z-aiZ.ai: GLM 5.3 Flash2026-08-2642智能72程式
兩排。這就是 MiniMax 的發布表格在與 DeepSeek 自行公布的數字相比後，還剩下多少內容；而在任何一方的標題數字被重複轉述之前，這點值得直白說明：在兩款模型——MiniMax M3.1 Flash 與 DeepSeek V4.1 Flash（即 DeepSeek 兩天前推出的 1017 檢查點）——雙方實驗室都針對同一項評測公布分數的那兩個基準上，較新的模型落後。MiniMax 於 2026 年 10 月 19 日發布 M3.1 Flash，表格涵蓋代理式工作、程式編寫、電腦操作與網路安全，並宣稱相較自家前代有世代級的躍進。DeepSeek 於 2026 年 10 月 17 日發布 V4.1 Flash 1017，其模型卡也做了同樣的事。把兩者放在一起，有趣之處不在於誰勝出，而在於每張表格中真正設計成可供比較的部分有多麼少。廠商表格是一種證據，事件紀錄則是另一種，因此這類發布背後的失敗案例被編錄於the OrcaRouter AI Incident Archive，其中每一條目都附有自身的來源、嚴重程度、可信度評級與爭議標記。
MiniMax 實際上到底對什麼給出了具體數字
MiniMax 的貼文比大多數更為具體。它在開頭就給出六個數字：BankerToolBench 76.2、DeepSWE v1.1 73.7%、OSWorld V2 61.7、Agents' Last Exam 29.6、CyberGym 82%，並聲稱在 Automation-Bench 上表現最佳，但摘要文字中未提供分數。同時還有兩項吞吐量主張——線上推理速度約為其所取代模型的 3 倍，以及每秒超過 200 個 token、P50 高於 170——以及代理任務成本降低 70% 的主張。這些全都是廠商自行報告且未經重現。是 MiniMax 跑的、是 MiniMax 發布的，而測試框架僅在腳註中提及。
腳註正是這張表格開始站不住腳的地方。MiniMax 表示，BankerToolBench 是以 OpenCode 1.1718 測試框架進行評估，並由自家較舊的模型 MiniMax-M2.7 擔任評判。這是一項自我評判的基準測試：由 MiniMax 的模型為 MiniMax 模型產出的輸出打分，而且任務集還是由 MiniMax 自己挑選的。它的執行方式或許毫無瑕疵，但這算不上能拿來質疑另一家實驗室的證據——人家可是把成果發表在由其他人維護的測試框架上。
對齊的那兩行
DeepSWE v1.1 是唯一真正共用的量測基準。兩家實驗室都有回報，而且都指明了測試框架：DeepSeek 在其模型卡上寫的是 Mini-SWE-V2，MiniMax 回報的也是同一個基準版本。MiniMax 宣稱達到 73.7%。DeepSeek 則宣稱 1017 檢查點達到 77.0%，而被它取代的 V4.1 Flash 版本則是 74.2%。因此，這裡的排名毫不含糊，而且對較新的模型並不光彩：在這項兩家公司以相同方式量測的唯一 coding-agent 基準上，DeepSeek 10 月 17 日的版本領先 MiniMax 10 月 19 日的版本，而且它同時還比自家前一個版本高出將近三個百分點。
Agents' Last Exam 以更大的差距講述同一個故事。MiniMax 報告 29.6。DeepSeek 對 1017 報告 35.4，較前一個檢查點的 31.8 上升。這是在一項刻意設計得對代理而言很困難的基準測試上出現的五個百分點差距，而且這是連續第二列由早兩天推出的模型穩居領先。
兩張表中的其餘項目，不是在不同設備上測得、由不同模型評判，就是僅由一方公布。DeepSeek 的模型卡在 Claude Code harness 下載明 Terminal-Bench 4.0 為 42.3、無工具 HLE 為 42.6、ProgramBench 為 29.1、Apex Bench v1.1 為 72.1，以及 Automation-Bench v1.0.6 為 60.5。MiniMax 的貼文完全沒有給出 Terminal-Bench 4.0 的數字，而其 Automation-Bench 那一列是掛在關於 600 項公開發布任務的註腳底下，旁邊並不是我們能在該貼文所呈現的解析度下自信歸因的可比數字。其中有兩列可查證。其餘則是封面同名、實際上兩場不同的考試。
在 MiniMax 的表格表現強勢、而 DeepSeek 的表格卻沉默無聲之處
若把這兩列共有的資料列當成全貌，會是錯誤，因為它們都屬於程式碼與代理推理的資料列，而 MiniMax 的整體訴求更廣。OSWorld V2 的 61.7 是電腦操作（computer-use）指標，DeepSeek 並未公布，而 MiniMax 聲稱在中國模型中於此項目排名第一。CyberGym 的 82% 是安全代理指標，DeepSeek 同樣未公布。BankerToolBench 76.2 衡量的是商業工作流程情境中的工具選擇能力，這既未獲 DeepSeek 的模型卡涵蓋，也不在 Artificial Analysis 的範圍內。在這塊領域上，MiniMax 並沒有落後；它是無人與之競爭。無人競爭不等於領先，而廠商自己的總結——「達到領先模型的水準」——是關於並駕齊驅的主張，不是關於領先。
發表表格另一件值得注意的事，是它如何處理競爭對手。公開的圖表把 MiniMax 的欄位排在 DeepSeek、Kimi-K3、GLM-5.3、GPT-5.6 Sol 與 Opus 5 旁邊，而那些欄位裡的數字是其他實驗室自己公布的數據，而不是 MiniMax 跑出來的數字。這是常規做法，也稱不上不誠實，但這意味著那張圖裡每一項跨欄比較，都繼承了各實驗室碰巧使用的那套測試框架。一張並列六個模型的表格，會引誘你橫向讀過各橫列。然而那些橫列之中，只有兩列是為了讓人橫向對照而建立的。
價格走勢卻恰恰相反，而且這是真的。
就費用而言，MiniMax 的牌面更漂亮。M3.1 Flash 每百萬輸入 token 收費 0.15 美元、每百萬輸出 token 收費 0.60 美元，快取輸入為 0.015 美元——相當於 90% 折扣——而且沒有時段差異。DeepSeek V4.1 Flash 1017 在工作日高峰時段標價 0.30 美元和 1.20 美元，離峰時段減半至 0.15 美元和 0.60 美元，快取命中則分別為 0.006 美元和 0.003 美元。在高峰時段，同樣是百萬 token，DeepSeek 的費用是 MiniMax 的兩倍。離峰時段，兩者價格完全相同。能依照你掌控的排程執行的工作負載，可以趁 DeepSeek 的低價時段運行；而會在使用者活躍時才運行的工作負載則做不到。
Artificial Analysis 用數字量化了在定價遊戲後仍然存在的差異：在 M3.1 Flash 上完成一項 Intelligence Index 任務需 $0.22，而在 DeepSeek V4.1 Flash 1017 上需 $0.26。在同一項評測中，這是有利於 MiniMax 的 15% 差距，也是這項比較中唯一一項經獨立測量、而非由廠商自行宣稱的經濟主張。這件事很重要，因為按 token 計價的價目表不會告訴你這一點。DeepSeek 的 $0.30/$1.20 看起來像 2 倍懲罰，實際表現卻像 15% 的懲罰，因為 MiniMax 執行該指數時消耗 1.8 億個輸出 token，而 DeepSeek 消耗 2.1 億個；也因為 DeepSeek 速度約快一倍，達到每秒 208.7 個 token，而另一方約為 105 個。兩個模型、兩種定價哲學，以及每次評測 18 美分的真實成本差距。
這也是路由層之所以有其價值的地方，而且這種價值說起來容易，手動做起來卻很難。OrcaRouter 會以 0% 加價原樣傳遞供應商牌價，因此當任一實驗室調整費率時，你帳單上的數字當天就會跟著變動，而不是等到下一次合約續約——而在設有尖峰時段的費率卡上，這就是「設定一次就好的預算」與「每小時都得重新核對的預算」之間的差別。我們目前目錄上沒有 MiniMax M3.1 Flash 或 DeepSeek V4.1 Flash 1017，本文也不是在聲稱我們有；我們確有進行路由的 DeepSeek 系列屬於另一個檢查點，當你的程式碼鎖定的是模型字串時，這個區別值得分清楚。
基準表未包含的兩個數字
第一項是速度。MiniMax 宣稱每秒超過 200 個 token，P50 高於 170。Artificial Analysis 以自家測試框架測得約每秒 105 個 token，首個 token 時間為 1.38 秒。DeepSeek 測得每秒 208.7 個 token，時間為 1.07 秒。廠商宣稱的吞吐量幾乎總是在服務堆疊所能產生的最佳情況下測得；獨立測得的數字才是會出現在你的 p95 中的那個。在這個維度上，MiniMax 自家的宣稱與實測結果並不相近，而且實測結果只有 DeepSeek 的一半。
第二是授權。DeepSeek V4.1 Flash 1017 採用 MIT 授權，權重放在 Hugging Face，總參數為 5520 億，活躍參數為 160 億。MiniMax 表示 M3.1 Flash 的權重「將於日後釋出」，但這項承諾沒有附上日期、授權條款或參數數量。如果你的採購流程需要通過安全審查，而審查會問「若供應商消失該怎麼辦」，那麼你要回答的問題並不是基準測試表，而在你拿到的那張表上，答案並不在那裡。
什麼會改變這個解讀？
三件事，依影響程度排序。以 MiniMax 的檢查點獨立執行 DeepSWE v1.1 和 Agents' Last Exam，將能釐清 73.7 與 29.6 是保守還是寬鬆——目前兩個實驗室之外，沒有人公布過其中任何一項。MiniMax 若公布 Automation-Bench 分數，且是在 DeepSeek 所用的同一份 600 項任務版本上取得，就能讓其代理能力主張獲得目前欠缺的數字。而附帶授權條款的權重釋出，將使該模型在 DeepSeek 目前完全沒有競爭的面向具備可比性。
在那之前，誠實的摘要比任一篇發布文都更有限。MiniMax M3.1 Flash 是完成任務時更便宜的模型、對話時更慢的模型、採購時封閉的模型，而且——在兩家公司唯一以相同方式衡量的兩項基準上——是排名第二的模型。那不是這張表繪製時想說的故事，但那是這張表所包含的故事。如果你這週要在兩者之間做選擇，請依價目表和授權條款來選，因為那是沒有人需要被說服的兩行。
