MiniMax 於 10 月 19 日釋出推理模型 M3.1 Flash，在 Artificial Analysis 智慧指數上拿到 42 分，比前代 M3 高出 13 分，而單任務成本不到後者的一半。這一成績與 GLM-5.3-Flash 持平，略高於 Gemini 3.8 Flash 的 41 分，但落後於 Deepseek V4.1 Flash 1017 的 45 分。
從分項看，複雜推理是提升最大的部分。在 “Humanity's Last Exam” 測試中，M3.1 Flash 取得 48% 的正確率，高於 Deepseek 的 43% 和 GLM 的 28%。在測試研究級物理推理的 CritPt 基準上，它拿到 22%，領先 GLM-5.3-Flash 的 15% 和 Gemini 3.8 Flash 的 18%，僅落後 Deepseek 的 24%。事實準確性方面，AA-Omniscience 測試中 M3.1 Flash 答對 56% 的問題，明顯高於 GLM 的 28% 和 Deepseek 的 43%。
成本優勢來自更少的輸出 token。M3.1 Flash 在基準測試中消耗約 1.89 億輸出 token，低於 Deepseek 的 2.24 億，使單任務成本降至約 0.22 美元，而 Deepseek 約為 0.26 美元。MiniMax 還表示，該模型執行速度是 M3 的 三倍。在程式設計基準 DeepSWE v1.1 上，它以每任務不到 0.30 美元的成本取得最高 73.7% 的成績。
一個明顯的短板是幻覺率。據 Artificial Analysis 指出，M3.1 Flash 的幻覺率達到 93%，原因是模型傾向於回答每一道測試題，而不是在不確定時選擇拒答。這提醒使用者，在事實性要求高的場景中仍需額外校驗。
規格方面，M3.1 Flash 支援最多 100 萬 token 的上下文，並接受文本與影像輸入。API 定價為每百萬輸入 token 0.15 美元、每百萬輸出 token 0.60 美元，快取輸入為每百萬 token 0.015 美元。MiniMax 計劃在 10 月 23 日以開放權重形式釋出該模型，目前 API 已在 platform.minimax.io 上線，同時提供名為 MiniMax Code 的桌面應用。
與 Deepseek V4.1 Flash 1017 的對比顯示，兩家公司在這輪價格戰中各有所長：Deepseek 在綜合智慧指數和 CritPt 上略佔優勢，MiniMax 則在“Humanity's Last Exam”、事實準確性和單任務成本上領先。兩款模型都將開放權重，Deepseek 已上線 Hugging Face，MiniMax 則要等到 10 月 23 日。
從產業角度看，中國大模型廠商正把競爭焦點從單純的能力比拼轉向“能力提升 + 成本下降”的雙重擠壓。對開發者而言，這意味著以更低預算呼叫接近前沿水平的推理能力；對模型層公司而言，價格持續下探會壓縮 API 業務的利潤空間，並可能加速行業分化。與此同時，低幻覺率與高事實準確性仍是這類低價模型需要補齊的短板，實際部署時的校驗成本也應計入總擁有成本。