国庆那几天，OpenRouter 榜上多了一个没名字的模型。Space Bunny，中文直译是玉兔。没有人认领它，它就那么排在前排，压着一批有名字的大模型。
节后答案落地。
是 MiniMax 的 M3.1 Flash。
这个结果有点出乎意料，MiniMax 这两年在视频和多模态上声量很大，纯文本这条线安静了挺久。
输入 1 块，输出 4 块
输入每百万 token 1 元，输出每百万 token 4 元，缓存读取 0.1 元。按官方口径，综合成本压到上一代 M3 的三成。原来花十块钱的活，现在三块。
这个价位落在国产模型里最低的一档。四块钱一百万 token 的输出价，过去两年没出现过。我不太想用「打穿」这种词，可数字摆在那里。
ALE 29.6%，国产第一
Agents' Last Exam，业内简称 ALE。名字直译过来，是给 agent 的最后一场考试。题目是长链条的真实任务，目前没人摸到满分。M3.1 Flash 拿到 29.6%，国产第一。
29.6 单看不高。
不过它得放在这道题里比，不能当成百分制的一次及格线来看。Artificial Analysis 给的综合指数是 43 分。
DeepSWE v1.1 的成绩是 73.7%，压过了 GPT-6.1 Sol、Claude Opus 5、Claude Fable 5，前面只剩 DeepSeek V4.1 Flash 1017 的 77 分。伯克利主导的 CyberGym 上它拿 82.2，同台 GLM-5.3 是 84.5，GPT-5.6 Sol 是 83.6。
差了半档，但已经在同一个台阶上。
横轴是成本的那张图
分数只能说明它聪明，说明不了别的。
下面这张图的横轴是平均单任务成本，单位人民币，对数刻度；纵轴是得分。成本低的在左边，得分高的在上面，M3.1 Flash 落在左上角。
便宜，分数还不低。
这个位置平时是空着的。
市面上的模型要么便宜但笨，要么聪明但贵。两个坐标同时压低的情况很少见。
Zapier 开源的 AutomationBench-AA 里，它单任务成本不到 0.05 美元。五美分跑完一条跨销售、营销、客服、财务的自动化流程。BankerToolBench 76.2 分，和 Claude Opus 5 并列。OSWorld V2 61.7 分，考的是真实桌面操作。输出速度最快 200 以上 TPS。
便宜。快。分数不低。这三样同时成立，过去两年不常见。
Flash 这个后缀不是装饰
它意味着小参数、低延迟、低成本，代价落在深度推理上。
ALE 29.6% 是国产第一，可离满分还差得远。复杂代码重构、多步逻辑推演这类活，它大概率打不过那些大块头。
榜单本身也有问题。
这些基准大多是公开题库，模型训练时见没见过类似题目，外部没有办法验证。匿名上榜这件事也挺说明情况：先挂个马甲试水温，风评好就认领，风评差就当没发过。这套玩法今年出现不止一次。
我的态度是把榜单当筛子，别当结论。
真要上线，拿自己业务里一百条真实任务跑一遍，比看十个榜有用。【本人未实测】这个模型我没跑过，只能给方法，给不了结果。
普通人能感受到的变化
输入一块钱一百万 token 之后，很多以前因为成本被绕开的用法，重新算得过账了。两百页的招标文件一次性丢进去，成本低到可以忽略。
这里变的其实是心理门槛。
模型能力提升有限，价格掉下来之后，人才敢放开用。账单不再让人犹豫，AI 才会从「偶尔用用」变成「随手就用」。
紧张的是做产品的
便宜和强只能二选一，这个默认前提维持了两年。
贵的有贵的道理，便宜有便宜的局限，这条线一直都在。现在有人把它往下压了一截。一些因为成本被砍掉的功能重新算得过账，企业 API 账单的占比会往下走，闭源厂商的定价空间又被挤了一次。
M3.1 Flash 能不能扛住所有生产场景，我不打包票，Flash 这两个字已经说明了它的定位。
可当 Flash 级别能打到大模型七成分数、只收三成价钱的时候，价格这条线就松动了。