一个任务两块钱:AI 干活的价格刻度变了

先把事件线摆清楚（均据 10-19/10-20 多家媒体报道）：10 月 17 日前后，DeepSeek 更新 V4.1 Flash-1017，开放权重、保留百万 token 上下文；10 月 19 日晚，MiniMax 发布 M3.1 Flash。两天之内，两款「Flash 段位」的国产模型接连出手，中端市场的竞争直接拉满。

M3.1 Flash 的账面成绩（均为厂商基准口径，尚未经独立复核）：软件工程基准 DeepSWE v1.1 拿下 73.7%，压过 GPT-5.6 Sol 的 73.0；AI 电脑操作 OSWorld V2 得 61.7、真实工作场景 ALE 得 29.6，均列国产第一；在 Zapier 开源、全部来自真实企业流程的 Automation-Bench 上拿 62.8 分、全场第一。

顺带说说「太空兔」这个小插曲本身的价值。它以匿名身份在社区公测了相当一段时间，用户在不知道厂商、不知道品牌的情况下给出了口碑——这类盲测恰恰是跑分榜单最缺的东西。以后你看到各家新模型发布，可以多留意一句：它有没有先匿名跑过一圈？盲测出来的口碑，比发布会 PPT 可信度高一个量级。

效率侧的变化同样激进：采用更激进的稀疏注意力架构，输出速度超 200 TPS、P50 稳定在 170 TPS 以上，官方称推理速度提升近 3 倍；价格改为输入每百万 token 1 元、输出 4 元，官方称复杂任务综合使用成本约为前代的 30%。权重方稍后开放。

跑分年年有，为什么这次值得单独讲？因为分数和价格第一次同时摆到了桌面上。按新智元 10-20 的整理口径：在 DeepSWE 上拿到约 73 分的成绩，Claude Opus 5 单任务成本要 70 多元，是 M3.1 Flash 的 40 多倍；M3.1 跑完 ALE 全程只花了 739 元；DeepSWE 单任务成本不到 2 元。同样价位段成绩更高的，只有刚发布的 DeepSeek V4.1 Flash-1017。

把这个换算翻译成大众语言：以前「让 AI 干一票正经活」的心理价位是几十块，现在这个价位段被压到了一两块。对个人用户，这意味着以前因为贵而不敢开自动化任务的场景（批量整理、跨系统跑流程、 overnight 跑批）突然变得可负担；对企业，单位任务成本进入「可以给每个员工都配一个」的量级。

必须标注的三点保留意见：其一，以上分数与成本均出自厂商及媒体整理口径，成本对比依赖各家自报的计费方式，未独立核实；其二，基准分数不等于你的任务表现，Agent 任务的账单主要由轮次和成功率决定，单价便宜不等于总账便宜；其三，DeepSWE 的 73.7% 与 Opus 5 的差距解读，属于媒体口径的横向比较，两家任务设定细节并未完全对齐。

说一个突破灵魂的判断：2026 年的大模型竞争，主战场已经从「谁更聪明」换到了「谁干活更便宜」。旗舰模型的能力差异在多数真实任务里已经缩到用户无感的程度，而单位任务成本还差着十倍、几十倍——这个差距用户每一次付账都能感觉到。Flash 段位的两连发不是碰巧，是行业集体换挡。

对普通人的三件实事：

落地建议给一个可以直接抄的三步试算法：第一步，把你最典型的一个真实任务写成固定提示词，拿它分别跑 M3.1 Flash 与你现在用的模型，各跑 20 次；第二步，记录两个数——成功率（你判合格的比例）和每次任务的账单；第三步，算「每次成功任务的期望成本 = 账单 ÷ 成功率」，谁低用谁。全程花不了几块钱，却能替你回答「要不要迁移」这个大问题。