一个小服务，每天两千来次调用：把用户留言分成八类，再压成两句话摘要。月底把账单摊开，八成花在输出上——分类结论、摘要，外加一段「为什么这么分」的解释。这种场景里，模型榜上排第几毫无意义，该算的是单价乘上每次实际吐多少 token。
10 月 19 日 MiniMax 放出的 M3.1 Flash，就是冲着这个账本来的。它在 OpenRouter 上匿名跑了十天，代号「太空兔」，累计处理 56.7 万亿 token；上周调用量 6.23 万亿，环比涨了 690%，挤进周榜第八。揭榜之后，官方给的价格是输入 1 元、输出 4 元、缓存读取 0.1 元，每百万 token。
硬参数先摆出来
总参数 428B，每个 token 激活约 23B，MoE 结构。上下文 1M，单次最长输出 524,288 token。输入吃文本、图片、视频三种模态，输出只有文本——这点要记清楚，它不做图。输出速度官方说能到 200 token/秒以上，中位数 170 出头。
架构上相对于上一代 M3 改了三处：前三层全注意力换成稀疏注意力（MSA）、路由专家和注意力路径在训练阶段就做了量化感知、用 DSpark 投机解码替掉原来的 MTP 头。官方口径是线上推理快了近 3 倍，智能体类任务综合成本降 70%。这些是厂商自测，第三方还没有可比数据。
权重已经在 Hugging Face 上（MiniMax-M3.1-Flash），vLLM 当天就给了支持。想自己压测的，路子是通的。
接进来就三步
接口是 OpenAI 兼容的，原来指向 OpenAI 的代码基本不用改逻辑：
pip install openai
export OPENAI_BASE_URL=https://api.minimax.io/v1
export OPENAI_API_KEY=你的key然后把模型名写成 MiniMax-M3.1-Flash，调用还是 chat.completions.create。返回里答案在 message.content，思考过程在 message.reasoning_content，这个字段可能不存在，代码里要做兜底，别直接下标取。
三个关不掉的开关，不知道就会白花钱
第一，思考是常开的。想调节只能通过 reasoning_effort，五档：low、medium、high、xhigh、max，不写默认 max。传 none 或者 thinking: {type: disabled} 不会降级，会直接返回 400，错误码 2013。这意味着你拿它跑一个八分类任务，默认给你按最高档思考——思考的 token 一样计费。分类、抽取、改格式这类活儿，务必显式写 low。
第二，temperature 和 top_p 不起作用。服务端固定在 1 和 0.95，你传什么值都不改变输出。想要稳定结构，只能靠提示词和 JSON 约束，别在温度上折腾。
第三，思考和答案是同一个输出预算。上限 524,288，思考用掉多少，答案就少多少。做摘要这种活儿，别留默认上限，调到 8K 就够；留太大反而容易让它想得没完。
一天到底花多少钱，算给你看
回到开头那个服务：一天 2000 次，平均输入 3000 token、输出 800 token。输入合计 600 万 token，输出 160 万 token。按 0.15 和 0.60 美元算，输入 0.9 美元，输出 0.96 美元，一天 1.86 美元，折人民币 13 块上下。一个月不到 400 块。
这里面有个容易被忽略的杠杆：缓存读取 0.015 美元，是输入价的十分之一。系统提示加分类规则如果固定 2000 token，每次都带着，按上面那个例子算，输入那 0.9 美元能压到 0.63 美元上下。反过来，如果每次对话都是全新长文本，缓存命中率低，账单就是另一个数。
还有一笔隐性支出：思考 token 算在输出里。同一个任务，effort 从 max 降到 low，输出量经常能砍掉一半——省的不是单价，是长度。这跟订阅制那套额度逻辑完全不同，ChatGPT 和 Codex 十二月起的合池规则是按额度算，不是按 token 计价，两套账别混着估。
开源权重不等于随便用
许可证是 MiniMax Community License，不是 Apache 2.0。商用要署名，还要给一次书面通知；年营收超过 2000 万美元的公司，得先拿到书面授权才能用。自己内部跑没问题，做成对外产品之前把这段读完，别默认「开源=免费用」。
五个坑，按踩到的概率排
一，多轮工具调用要把完整的 assistant 消息带回历史。包括 reasoning_content。只把 content 塞回去，推理链断了，模型会在下一步重新想一遍前面想过的事，token 翻倍不说，判断还会飘。
二，别用默认 effort 跑批量任务。这是最容易犯的错，也是账单差距最大的一处。批处理脚本里显式指定低档，跑一周再看账。
三，图片和视频的传法不一样。图片走 image_url 内容块，视频走 video_url；大文件先用 Files API 上传，拿到 id 后传 mm_file://{file_id}。直接塞 base64 的视频大概率超限。
四，1M 上下文是上限，不是建议值。输入按 token 线性计费，一次塞 100 万 token 就是 0.15 美元。同一份长文档反复提问，靠缓存比分块塞满更省钱。
五，周榜数字要看口径。环比 +690%、排第八，是 OpenRouter 单周调用量的口径，反映的是开发者在试新模型，不等于生产环境在用它。真正该比的是你自己那批任务上的正确率和总成本。
同价位还有别的选择。美团前两天发的 LongCat-2.5 走的是另一条路——1.6 万亿参数、更贵的输出单价，但换更长的输出和终端任务能力，那篇里算过它接进编程 Agent 的账。选哪个不看榜，看你的输入输出比例：输出占比高的活儿，M3.1 Flash 这种 4 元输出的明显占便宜。
常见问题
能彻底关掉思考吗？不能。最低是 low，关不掉。要「快问快答」的场景，只能靠 low 档加短提示词压。
能本地部署吗？权重开源，428B 总参、激活 23B，理论上单机多卡能跑，实际要看你手上的卡。多数团队还是走 API 更划算。
适合接进编程 Agent 吗？接口兼容，接 Claude Code、Codex 这类工具只是换 base_url 和模型名的事，这类客户端的配置位置都差不多。但它的强项在低成本批量任务，不是在复杂重构上跟旗舰模型掰手腕。
输出上限 524K，是不是可以一次写很长？理论上可以，实际写太长后半段质量会掉，而且思考和答案共享这个预算。
有没有免费额度？定价页上没有长期免费档。试水的正确姿势是先拿几百次真实调用跑一遍，看正确率和实际 token 消耗，再决定要不要接进生产。