十月中下旬，开源旗舰模型在 Agent 赛道上挤成了今年最拥挤的赛区：10 月 17 日 DeepSeek V4.1 Flash 1017 开源，10 月 19 日 MiniMax M3.1 Flash 发布、10 月 23 日开放权重，往前还有 8 月的智谱 GLM-5.3 与 7 月的 Kimi K3。四家都把「Agent 能力」当成头号卖点，价格战也打得眼花缭乱。问题在于：把四款模型放到同一张桌上，到底谁的能力硬、谁的效率高、谁的账单薄？本文试图用现有公开数据拼出一张诚实的桌子——并且先把这张桌子的短板说清楚。
先立边界。本文全部基准数字来自各厂商官方模型卡、官方 changelog 与官方博客，截至 2026-10-24；第三方刻度仅有人工分析平台 Artificial Analysis（下文简称 AA）的智能指数一款；价格均为官方定价页快照，以官方页面实时数据为准；文中所有矛盾数字均并列呈现、不做裁决。本文不构成任何采购或投资建议。
一、四位选手与入选逻辑
名单先说清楚，因为这份名单本身就是口径的一部分。
MiniMax M3.1 Flash（428B 总参、23B 激活，10-19 发布、10-23 开权重）是本文主角，主打「Agent 类任务综合使用成本较前代下降 70%」的低价新贵。DeepSeek V4.1 Flash 1017（763B 总权重，激活 8B 至 16B 两档，10-17 开源）是 M3.1 Flash 官方对照表里的头号对手。智谱 GLM-5.3（744B 总参、40B 激活，8-14 发布、8-28 开权重）是 M3.1 Flash 官方对照表中的 GLM 列。Kimi K3（2.8T 总参，7 月发布、7 月底开权重）是同一张表中的 Kimi 列。
四款模型之所以能进同一张表，是因为它们恰好都在 MiniMax M3.1 Flash 官方模型卡的对照表里，口径可以对齐——但「口径可对齐」不等于「口径中立」，这正是下一节要说的问题。
落选者也交代一下：Qwen 未纳入，因为 M3.1 Flash 官方对照表没有 Qwen 列，检索也未获得 Qwen 最新 Agent 旗舰的可对齐官方基准，口径对不齐就不进表。Kimi 这边要特别小心一个陷阱：月之暗面在 10 月 24 日凌晨发布了 K3.1 Pro，但它不属于本文对比表——它的官方数字全部是自家 harness 自测，与 MiniMax 表中 K3 的代跑口径不同，且权重承诺 11 月 4 日前才放出，截至发稿尚未可下载。K3.1 Pro 只在本文第五节作时效注脚，严禁与 K3 混为一谈。
二、能力对照表：一张由单一代跑方画出的表
先上表，再解释这张表为什么必须带着表注读。
| 基准 | M3.1 Flash | DeepSeek V4.1 Flash 1017 | GLM-5.3 | Kimi K3 |
|---|---|---|---|---|
| Terminal Bench 4.0 | 38.1 | 42.3 | 37.9 | 12.6 |
| DeepSWE v1.1 | 73.7% | 77.0% | 66.9% | 67.5% |
| Automation-Bench v1.0.6 | 62.8 | 60.5 | 空 | 46.7 |
| Agents' Last Exam | 29.6 | 35.4 | 空 | 空 |
| CyberGym | 82.2 | 88.1（DeepSeek 自报） | 84.5（智谱自报） | 空 |
这张表必须配三条表注才能读。
第一，整表由 MiniMax 代跑。M3.1 Flash 官方模型卡原文明确写道「卡上所有基准均为 MiniMax 自己跑的」（All benchmarks on the card are MiniMax's own），且各基准使用的 harness 各不相同——BankerToolBench 用 OpenCode 1.17.18 加 MiniMax 自家评审，Terminal Bench 4.0 用 Codex 0.149.1，DeepSWE 用 mini-SWE-agent 2.4.5，CyberGym 用 Claude Code 2.1.263。也就是说，这是「单一代跑方」的表：主办者恰好是主角本人。表中 M3.1 Flash 之外的三列，均为 MiniMax 代跑数字，而非各厂商官方数字，主角占优的结果只能作参考、不能作定论。
第二，混源格已标注。表中 Agents' Last Exam 的 DeepSeek 格（35.4）与 CyberGym 的 DeepSeek 格（88.1）来自 DeepSeek 自家官方 changelog，因为 MiniMax 模型卡中这两格为空白；CyberGym 的 GLM-5.3 格（84.5）为智谱自报。其余空格的含义是「无官方结果」，不是零分——模型卡原文专门注明了这一点。
第三，M3.1 Flash 的全部分数为厂商自报，截至发稿没有任何第三方复现。官方博客与模型卡之间还存在一处内部矛盾：Automation-Bench 官方博客正文写 62.2，模型卡表格写 62.8，两个数字本文并列收录、不作裁决。参数量同样有对不上的地方：模型卡写 428B，而 HF safetensors 元数据显示 220B，有媒体明确指出这一差异「未经对账」，两说并存。
在这种前提下看表内格局：DeepSeek 1017 在 Terminal Bench 4.0 与 DeepSWE 两个编程向基准上代跑领先，K3 的 Terminal Bench 数字明显掉队，M3.1 Flash 在 Automation-Bench 上领先——但请记住，判定者与获益者同为一家。
harness 这个词值得多说两句，因为它正在成为 Agent 跑分最大的噪音源。同一个模型，在 Claude Code、OpenCode、Codex 或 mini-SWE-agent 里跑同一个基准，分数可能差出一大截，原因包括系统提示词的差异、工具调用协议的差异、重试策略的差异，甚至上下文截断策略的差异。MiniMax 模型卡自己也注明「结果对应官方权重，第三方量化版本可能有差异」。这就是为什么本文把「单一代跑方」四个字看得比任何单个分数都重：当 harness 各异又由一家厂商统一代跑时，读者拿到的其实是「MiniMax 认为你的模型在我选的工具链里表现如何」，而不是「你的模型原生态有多强」。
三、效率与价格：差距最大的地方不在跑分
如果说能力分数还有争议空间，效率维度的硬数据反而更值得看——因为这是四款模型差异最悬殊的地方。
KV cache 每 token 占用是一个关键工程指标，它直接决定长上下文场景下自部署的显存账单。DeepSeek 1017 官方口径为每 token 890 字节；M3.1 Flash 的对应数字是 34,560 字节，出自 vLLM 官方博客的工程口径（NVFP4 精度）。两者口径不同——前者是官方数，后者是推理框架侧实测——但即便如此，约 1 比 39 的差距依然是本轮横评能找到的最大效率差异点。粗算一笔账：同样维护 1M token 的上下文，DeepSeek 1017 的 KV cache 约 0.9GB，M3.1 Flash 约 34GB，量级完全不同。当然，M3.1 Flash 的长上下文场景自有其取舍，这个差距意味着什么，最终取决于你的业务是否长上下文、是否自部署。
其他效率维度，各家口径就不那么齐了。M3.1 Flash 官方称输出 200+ tok/s（P50 为 170+），而 DeepSeek 1017、GLM-5.3、K3 的官方输出速度均未公布——口径不齐，不得进对比表。GLM-5.3 那个流传的 200 tok/s 属于 FlashX 变体，不能混用。checkpoint 体积方面：M3.1 Flash 按 vLLM 口径 NVFP4 为 250.1GB（另有媒体给出约 233GB 与约 220GB 两说，精度口径不同），DeepSeek 1017 约为 510GB、48 个分片，GLM-5.3 FP8 权重约 756GB，K3 的公开数据不足。注意 M3.1 Flash 的 220GB 与 428B 参数说的是两回事，后者还有 220B 的元数据矛盾悬而未决。
价格是四款模型里最实在的维度，直接列表（每百万 token，官方定价页口径）：
| 模型 | 输入 | 输出 | 缓存 |
|---|---|---|---|
| M3.1 Flash | $0.15 | $0.60 | $0.015 |
| DeepSeek V4.1 Flash 1017 | $0.15（off-peak，peak 双倍） | $0.60 | $0.003（cache hit） |
| GLM-5.3 | 8 元 | 28 元 | 2 元 |
| Kimi K3 | $3（媒体口径） | $15（媒体口径） | 未见官方公布 |
几处细节值得展开。DeepSeek 1017 的缓存命中价低到 0.003 美元，是四款中最便宜的缓存，对多轮 Agent 对话这种重复前缀极多的负载是实打实的优势，但它的高峰时段（工作日 UTC 01:00-04:00 与 06:00-10:00）输入输出双倍计费，排班敏感的团队要算清楚。GLM-5.3 以人民币计价且输出档 28 元，换算后是四款中输出最贵的档位之一。M3.1 Flash 一口价不分阶梯、不分时段，定价结构最简单。K3 的国际版价格出自媒体引述，参考即可。另外官方博客给过一个成本侧写：跑完 Agents' Last Exam 全部 152 题，M3.1 Flash 预估总成本约 739 元（官方口径，未提供其余三家的对应数）。
单任务成本还有一组第三方口径可以补充：AA 数据显示 DeepSWE 单任务平均成本 M3.1 Flash 约 0.22 美元、DeepSeek 1017 约 0.26 美元。注意这一刻度只覆盖部分模型、且为 AA 单方测算方法，GLM-5.3 与 K3 没有同类数据，因此不进对比表。至于「Agent 成本降 70%」这句最响亮的口号，它只存在于 MiniMax 单方声明中，测算方法与前代定义均未公布，本文原样转述、不替任何一方背书。
四、M3 到 M3.1 Flash：一次没有基准表的代际升级
读者可能会问：M3.1 Flash 相比自己上一代到底强了多少？这里有一个容易被忽略的事实——官方至今没有发布 M3 与 M3.1 Flash 的基准分数对照表。代际之间的对照，官方只提供了三类材料。
第一类是三项声明：线上推理速度较前代提升近 3 倍；输出 200+ tok/s（P50 170+）；Agent 类任务综合使用成本较前代下降 70%。引用时必须带上第三方指出的限定：这三项均未公布测算方法，「前代」指 M3 而非更早型号，「降 70%」是 MiniMax 单方声明。
第二类是价格对照。M3 列表价为输入 0.60 美元、输出 2.40 美元，常设五折后 0.30 与 1.20 美元（512K 以内输入档，缓存 0.06 美元；超 512K 翻倍）；M3.1 Flash 为 0.15、0.60 美元一口价，缓存 0.015 美元——即输入输出均为 M3 折扣价的一半、缓存四分之一。
第三类是工程数据，来自 vLLM 博客：权重文件从 M3 的 451.5GB 降到 250.1GB（NVFP4，缩小约 44.6%）；KV cache 每 token 从 61,440 字节降到 34,560 字节（降幅约 43.75%）；4 卡 B300 上 256K 上下文的常驻并发从 28 路升到 76 路（容量对照，非吞吐实测）。架构上 M3.1 Flash 保留了 M3 的 MoE 设计，改动集中在三处：全层稀疏注意力 MSA 替换原有设计、量化感知训练 QAT、DSpark 投机解码替代 MTP 方案。
第三方刻度上，AA 智能指数从 M3 的 29 升到 M3.1 Flash 的 42，单任务成本从约 0.51 美元降到约 0.22 美元。但要提醒一句：M3 时代的 Terminal-Bench 2.1 拿了 66.0 分，与 M3.1 Flash 的 Terminal Bench 4.0 的 38.1 分是不同版本，严禁直接比较后得出「退步」的结论。
五、唯一第三方刻度与矛盾清单
把四款模型放到厂商之外的天平上，可选工具非常有限。目前唯一覆盖其中三款的第三方刻度是 AA 智能指数：DeepSeek 1017 拿 45 分，M3.1 Flash 拿 42 分，M3 拿 29 分；GLM-5.3 在 8 月的 Agentic Index 口径下为 59 分（不同指数、不同月份，仅供参考）；K3 未有同类分数。还有一处时效提醒：10 月 23 日权重放出时，AA 页面对 M3.1 Flash 仍标注为专有模型，42 分系第三方解析口径，AA 官方尚未更新标注。
时效注脚：10 月 24 日凌晨发布的 Kimi K3.1 Pro，官方自测 Terminal-Bench 4.0 为 65.7%，对比 M3.1 Flash 表中 K3 的 12.6 分差距悬殊——但这两个数字跨版本、跨 harness，口径完全不可比，本文不据此下任何结论。K3.1 Pro 权重承诺 11 月 4 日前放出，届时第三方刻度补充进来，这张桌子的可信度才会真正提高。
最后把本文记录到的矛盾点集中并列，供读者自行裁决：Automation-Bench 官方博客 62.2 对模型卡 62.8；M3.1 Flash 参数量模型卡 428B 对 HF 元数据 220B；CyberGym 的 DeepSeek 格，MiniMax 表空白、DeepSeek 自报 88.1；M3.1 Flash checkpoint 体积有 250.1GB、约 233GB、约 220GB 三说（精度口径不同）。以上全部并列收录，本文不裁决。
FAQ
Q1：这四款模型都是「开源」的吗？ 都是开放权重，但协议成色不同：DeepSeek 1017 是 MIT 零附加条款；GLM-5.3 对普通开发者宽松、仅约束超大营收 MaaS 公司；M3.1 Flash 的 MiniMax Community License 要求商用署名、年营收超 2000 万美元须书面授权；K3 也有类似营收门槛条款。权重都能直接下载，M3.1 Flash 权重仓在魔搭（仓库地址：modelscope.cn/models/MiniMax/MiniMax-M3.1-Flash），其余三款在各自官方组织页。逐条细读见站内协议横评专文。
Q2：为什么对比表里是 Kimi K3 而不是更新的 K3.1 Pro？ 因为 M3.1 Flash 官方对照表里是 K3。K3.1 Pro 在 10 月 24 日凌晨才发布，官方数字全部为自家 harness 自测，且权重要到 11 月 4 日前才放出，与现有口径无法对齐，只能作时效注脚。
Q3：M3.1 Flash 的跑分可信吗？ 它目前全部是厂商自报、无第三方复现，且能力对照表由 MiniMax 单一代跑。跨厂商比较时，目前唯一的第三方刻度是 AA 智能指数（M3.1 Flash 42 对 DeepSeek 1017 的 45），建议以该刻度做交叉校验。
Q4：KV cache 差 39 倍意味着什么？ DeepSeek 1017 官方口径每 token 890 字节，M3.1 Flash 为 34,560 字节（vLLM 工程口径，两者口径不同）。这意味着同样长度的上下文，后者自部署所需的 KV 显存约为前者的 39 倍——如果你的业务是超长上下文加自部署，这笔账必须先算。
Q5：预算敏感的 Agent 团队应该怎么选？ 看负载形态：多轮对话多、缓存命中多，DeepSeek 1017 的 0.003 美元缓存价与 off-peak 折扣值得细算；追求定价简单、时段不敏感，M3.1 Flash 一口价结构最友好；在国内人民币结算且重输出，GLM-5.3 需要评估 28 元输出档的成本承受力。以上判断基于官方定价快照，请以实时页面为准。
延伸阅读
- 匿名太空兔 200T token 揭盅：MiniMax M3.1 Flash 发布：揭盅篇管匿名叙事与发布时间线，本文把其两行对照表扩为全维度横评
- 都喊开源，谁能跑上桌：五款大模型协议横评：五款协议逐条细读，本文的许可条款一句话均指向它
- DeepSeek 又上新：权重免费下，任务账单砍六成：DeepSeek 1017 checkpoint 专文，本文取其横评所需格子