MiniMax M3.1 Flash上线3天，处理100万亿Token

10月23日，MiniMax官宣，M3.1 Flash上线仅3天，累计处理100万亿Token，推理速度提升近3倍，使用成本直接下降70%

几乎同一时间，DeepSeek发布v4.1 flash版本，一大批Flash轻量化模型集中亮相。相信你也觉得，现在大模型变强、变便宜了，这不是好事吗？但这背后藏着往往还有更多值得我们深究的东西。

01 上线3天处理100万亿Token：这组数字到底意味着什么

“100 万亿 Token” 这个数字，看起来只是觉得这个数据很庞大，但可能沒有具体感知。

不妨把这个数据换算一下，一个Token大致等于0.7个汉字，100万亿Token，相当于70万亿字的文本体量。

而且这个100万亿的Token，还是上线之后，真实用户、企业 API 调用产生的实时推理流量，这个数据背后藏着这样一些信息：

第一，它扛得住大批量任务。像批量读合同、梳理财报、翻项目资料这种事情，不用长时间排队等结果；

第二，处理的更快、费用还更便宜。同样做一份多文档交叉核对，以前要等好几分钟，现在几十秒就能出结果，调用成本直接降了 70%。

对企业来说，每周有一大堆合同报表还有项目材料这些要处理。之前持续用AI批量跑，开销也不小，现在成本降低了，相信不少企业也会更愿意用这类的AI去处理。

02 行业风向转向：从比拼能力上限，到比拼落地成本

如果回看过去两年的大模型发布会，厂商们卷的是数学、代码、多模态这类核心能力，比拼各类基准测试分数，冲击综合排行榜。

但从今年下半年开始，赛道风向明显开始有转变。DeepSeek更新v4.1flash-1017，MiniMax推出M3.1 Flash，一系列Flash系列轻量化模型集中登场，竞争的核心变了：不再单纯比拼能力天花板，而是比拼同等可用能力下，谁的成本更低、速度更稳、更适合批量落地。

从官方公布的专项评测就能看出，两款Flash各有所长：面向金融合规、财报合同交叉核验的BankerToolBench里，M3.1 Flash拿到76.2 分，和Claude顶级旗舰同分；在企业跨系统自动化的Automation-Bench 上，它同样占优势。而到复杂代码开发、工程排错的DeepSWE榜单上，DeepSeek v4.1 flash分数更高。

但风向变了不是说能力不重要，各家Flash模型之间依然有差距，有的长文本更强，有的代码更稳，有的在金融专项任务上表现更好。

03 在一众Flash模型里，M3.1 Flash的惊喜，不止快和便宜

市面上Flash模型一抓一大把，快、便宜已经是基本操作。

M3.1 Flash不一样的地方在于，它从一开始就是针对企业里的连贯业务流程设计的，而不是只用来一问一答。

它有这样有几个特点，刚好可以解决很多岗位日常干活的一些问题。

• 第一，它能处理长篇资料。比如一堆关联合同、全套项目文档都可以一次性丢进去。以前用别的模型，文件太长就要拆成好几段，分次提问再手动拼结果，不仅费时间，拆着拆着还容易漏掉前后信息里的关联矛盾。

• 第二，它可以连着调用不同工具、对接多个系统。不用发一句指令、等一次回复，再接着发下一句。设定好逻辑之后，它可以依次读文档、对表格进行计算、查阅信息还有整理结果，自动跑完一整套流程，这也就是常说的Agent自动化。

另外它代码能力也够用，AI工程师、做数据分析的人，拿它写清洗脚本、搭简单自动化流程、编排工具调用逻辑都没问题。

看到这里有的人可能第一反应是用M3.1 Flash后办公效率要大涨，但有一点不能忽略：能自动跑流程，不等于跑出来的结果就靠谱。

04 别急着马上用M3.1搭Agent，还有要提前知道

M3.1 Flash能跑完一整套流程，却不会自己判断风险、发现错误。链式任务产生的幻觉，比单次提问的幻觉难察觉得多，危害也更大。

因为链式任务是一环套一环，举个例子：读合同→提取结算条款→和财报数据交叉比对→输出合规结论。只要其中一步识别错了，后面所有结论跟着出错。最终给到的报告排版、逻辑看着没问题，但根基就是错的。

所以自动化跑出来的结果，依旧不能直接照搬。一旦放松人工复核，风险就被掩盖了。

05 当下人与人之间的差距，早已不是会不会写提示词

放在一年前，大家评判会不会用 AI，标准很简单：会不会写提示词，能不能一句话让AI做好任务拿到结果 。那时候，提示词写的好，就代表很会用 AI。

但现在Agent自动化慢慢普及，这套标准已经不够用了。人和人真正拉开差距的地方，是能不能搭一套实用的AI工作流程。

这不再是简单的话术技巧，我们需要会拆分手上的工作，分清哪些事可以交给 AI 自动做，哪些风险高，必须人来把关。而且还要给AI划好边界，什么能做、什么不能碰。除此以外，就是提前想好哪里容易出错，提前设置好核对环节......这些都接近于给业务搭一套简易的风控流程。

现在有些AI课程，还在教写提示词、写文案。不是说这些没用，只是跟不上现在的需求了。会给AI发指令的人很多，但知道怎么管住 AI、把控链式流程风险的人，其实很少。而CAIE认证，就提供了一套面向实际应用的系统化学习路径。

06 模型门槛持续降低，但人的驾驭门槛，反而越来越高

看到这里不少人会问：模型越来越便宜，自动化也好搭，是不是意味着普通人随便就能上手？

其实刚好反过来：调用模型的门槛是变低了，但想把它用得好不出问题，门槛反而更高。同样用M3.1 Flash做Agent流程，不同人用出来是两个结果。

懂得把控风险的人，会加上核对步骤、做好权限区分，关键的核验和决策留给人；但一知半解图省事，把敏感业务整条交给 AI 自动跑完，没有核对、不加约束，很容易埋下数据错误、合规隐患，等发现的时候损失已经不可挽回。

因此拉开差距的，不是谁先拿到模型，而是使用者能不能识别风险、设计流程、核对长文档信息，是有没有看清自己真实的 AI 应用水平。你是只会一句一句提问，还是懂得搭建Agent流程、识别隐藏的幻觉？自己哪里薄弱，靠感觉猜很不准，需要一套贴合真实工作场景的测评。

数智化AI 能力测评，和那种简单的提示词测试不一样，重点考察Agent时代实打实的能力，开始测试，覆盖 AI 工程师、 产品、项目管理、 运营、数据分析、金融等几十种岗位。

测完以后，会拿到一份详细的能力报告，清楚短板在哪，有方向地学习，知道怎么在自己岗位上安全落地AI自动化；企业打算批量上Agent流程前，也可以用来摸底团队水平，分清哪些人可以独立搭建AI流程、哪些还需要培训。

比起一股脑跟风上自动化，先摸清楚团队能不能把握住AI才更重要。工具会越来越普及，但懂得管住工具、守住业务底线的人，才不容易被替代。

AI职业考证免费学习资料CAIE（人工智能工程师）

AIPM （AI产品经理）

AIHR (AI人力资源师） AIFA（AI金融分析师）AI职业免费能力测试AI产品经理 项目管理类
AI应用开发类 数据分析 财务行政运营 市场营销