跑完一整套智能体考试只花 739 元：M3.1 Flash 把「AI 替你干活」打成白菜价

看懂这次发布，先要看懂它站上去的那个考场。过去几年，模型发布会的幻灯片上摆的都是 MMLU、HumanEval 这类学术基准——模型做选择题、写函数片段，分数高说明「学得好」。但企业真正关心的问题从来不是「它会不会做题」，而是「它能不能把一件活干完」。

Automation-Bench 回答的正是后一个问题。这个基准由 Zapier 构建并开源，600 个任务全部来自真实企业的业务流程，覆盖销售、营销、运营、客服、财务、HR 六大职能。它考的不是一步推理，而是完整链路：接到一个任务，在多个 SaaS 系统之间查询、填表、转发、核对，最后把整件事闭环。M3.1 Flash 在这里拿下 62.8 分，全场第一。

这个第一的含金量在于对手名单：领先 Claude Opus 5 近 12 分，领先 OpenAI 旗舰 16 分以上，连两天前刚以「许愿式编程」出圈的 DeepSeek V4.1-Flash-1017（60.5 分）也压了一头。一款输入 1 元、输出 4 元的 Flash 级模型，在「替人干活」这件事上站到了所有旗舰前面——这在本轮大模型竞赛里是头一次。

能力之外，更值得企业记住的是成本口径。跑完 ALE（Agent 终极考试）全程，M3.1 Flash 只花了 739 元；而在同分位区间，Claude Opus 5 单个任务就要花 70 多元，是它的 40 多倍。软件工程基准 DeepSWE 上，它的单任务平均成本不到 2 元。

40 倍是什么概念？把数字换算到企业场景：一个每天自动核对订单、更新库存、给客户发回执的流程，假设一天消耗 1000 次模型调用，按旧旗舰的成本算，一年账单可能是六位数；按新价格算，可能是一台普通办公电脑的钱。很多自动化项目过去不是技术上做不出来，是账算不平——省下来的人力成本覆盖不住调用成本。

成本曲线一旦击穿某个阈值，变化的性质就变了。就像快递费降到几块钱那一年，整个电商的形态被重写；模型调用费降到这个量级，「每个流程都值得配一个智能体」第一次在财务上成立。这不是锦上添花的便宜，是门槛的消失。

第三个数字是速度：输出超过 200 TPS，较上一代提速近 3 倍。支撑它的是更激进的稀疏注意力架构——模型在处理每个词元时，不再傻乎乎地和全部历史上下文做交互，而是只关注最相关的部分，计算量下来了，速度就上去了。

速度为什么重要？因为智能体任务和聊天不一样。聊天是一问一答，等十秒钟无所谓；智能体是长链路执行，一个流程要几十步、上百次调用，每次调用都慢一点，累积起来用户等的就是几分钟、十几分钟。而很多业务流程是有时间窗的——客户在电话那头等确认，仓库门口的车在等单据。速度不达标，流程就嵌不进真实业务。

还有一个容易被忽略的注脚：M3.1 Flash 的早期版本曾以匿名模型 Space Bunny 的身份上线，处理了超过 200T 词元的真实流量才揭开面纱。这个细节说明两件事：一是国产厂商已经学会了「先灰度验证再官宣」的发布策略，能力数据经过了大流量淬炼；二是 200T 词元的真实负载本身就是稀缺的训练与验证资源。

把镜头拉远一点看这个周末：10 月 17 日 DeepSeek 更新 V4.1-Flash-1017，10 月 20 日 MiniMax 发布 M3.1 Flash，两天之内两家国产厂商在 Flash 段位各出一手，官方榜单上的名字来回易主。这种贴身肉搏的节奏不是偶然——Flash 段位正在成为整个行业的主战场。

道理在商业模型里：旗舰模型是技术名片，用量有限；Flash 级模型才是「日活」担当——智能体的高频调用、大批量的摘要分类、日常的流程自动化，全都发生在这一段。谁在这个段位做出「能力够用、价格最低、速度最快」的组合，谁就拿走未来最厚的调用量。Space Bunny 匿名处理超 200T 词元这个数字，侧面印证了这个段位的真实负载量级。

对行业格局的影响也在这里：当 Flash 段位把旗舰级的流程能力打到一两块钱一个任务，模型能力的「价格锚点」就整体下移了一档。过去按旗舰定价估算可行性的 AI 项目，现在整体重算一遍，很多会从「不划算」变成「很划算」。这一轮降价的意义，比任何一次榜单登顶都更直接地落在企业的立项清单上。

把官方公布的同台成绩单摊开看，M3.1 Flash 的强项分布值得细读。编程线上，DeepSWE v1.1 max 档 73.7 分，在官方对比中超过 OpenAI 旗舰的 73.0 分，把 GLM-5.3（66.9 分）甩在身后；考虑它的单任务成本不到 2 元，性价比维度几乎没有对手。

办公自动化线上，CoWork 五项考核拿下三项第一；OSWorld V2 得 61.7 分、ALE 得 29.6 分，均列国产第一。这两个基准考的是模型操作真实软件界面、完成桌面任务的能力——从「操作网页表单」到「操作整个电脑」，覆盖面比流程自动化更大。

安全线上，CyberGym 得 82%、BankerToolBench 得 76.2 分，进入第一梯队。对金融、支付类企业来说，模型的安全攻防能力不是加分项，而是准入项。三条线同时站住，说明这款模型不是单点选手——它在为「常驻企业、长期干活」这个角色做全面准备。

当然也要保持清醒：这些分数都出自厂商公布的对比口径，不同基准的档位设置、任务抽样会影响可比性。对企业选型者来说，正确的用法是把榜单当「候选名单」，最后用自己的真实任务跑一遍小样本评测再定。

发布节奏上，M3.1 Flash 已上线 API、MPlan 与 MiniMax Code，模型权重稍后开放。这个「API 先行、开源殿后」的组合拳值得说一说，因为它同时照顾了两类完全不同的企业。

对大多数企业，API 起步是理性选择：不用买卡、不用雇运维，输入 1 元、输出 4 元的定价可以直接进入成本模型试算。Day 1 就能上线验证，不合适随时换，沉没成本几乎为零。

对数据敏感型企业，权重开放才是关键一步。燃气、医疗、政务、金融这类的客户，很多业务场景的硬约束就是「数据不能出内网」。开源权重意味着可以私有化部署、可以按自己的数据做微调、可以在断网环境运行。国产 Flash 模型把旗舰级流程能力开源，对这类企业是实打实的选项扩容。

把两类选项放在同一家厂商的同一款模型上，企业真正获得的是一条平滑的迁移路径：先用 API 验证业务价值，等流程跑通、价值确认，再把同款模型搬到自己机房，业务代码几乎不用重写。这种「先租后买」的路径，是开源生态独有的灵活性。

写到这里，必须把最后一个、也是最容易 ignored 的前提讲透：智能体再便宜，它干活也得有抓手。Automation-Bench 里的 600 个任务，全都建立在一个隐含条件上——企业的业务数据在系统里，接口在那里，状态可查、可改、可追溯。

反观大量中小企业的现状：客户信息在销售个人微信里，报价单在某个同事的桌面文档里，审批靠纸质单据拍照发群里。这种状态下，再强的智能体也无能为力——它连「这单子归谁管」都查不到，谈何从头干到尾。

所以正确的推进顺序是反直觉的：想上智能体，先别看模型榜单，先看自己的流程。哪些环节已经在线化？哪些数据有唯一可信来源？哪些操作留有记录？把这三问过一遍，你会发现大部分企业的第一笔投资不该是模型调用费，而是把核心流程搬进一套正经的业务系统。

这套底座还有一个长期价值：模型每半年换代一次，业务系统的生命周期却是十年起。把地基打在自己的数据和流程上、把模型当可替换的零件，才能在每一轮技术迭代里都只换零件、不换地基。

给一份务实的落地建议。不要被「全场第一」的榜单冲昏头，也不要被「再等等」的观望心态拖住——正确的做法是选对一个切入点，跑出第一个闭环，再横向复制。