MiniMax 发布 M3.1 Flash：agent/编码/Computer Use 全面跃进，成本直降 70%

深度摘要

MiniMax 正式发布新一代 Flash 模型 M3.1 Flash。此前在匿名测评中跑了 200T+ tokens 的 Space Bunny 即其早期版本。官方宣称其在复杂 agent 任务、编码、Computer Use 与网络安全四条线实现代际跃升，同时推理速度提升近 3 倍（日常 200+ TPS）、使用成本下降 70%，把“性能—成本帕累托前沿”作为主卖点。

关键要点

• 匿名测评代号 Space Bunny（累计处理 200T+ tokens）即 M3.1 Flash 早期版本，属典型的匿名公测—转正发布路径
• 基准成绩：AutomationBench-AA 头部水平；BankerToolBench 76.2；DeepSWE v1.1 73.7%；OSWorld V2 61.7（中国模型第一）；Agents' Last Exam（ALE）29.6（中国模型第一）；CyberGym 82%
• 推理效率：日常输出 200+ TPS，中位数 P50 稳定 170+ TPS；agent 任务整体使用成本较前代降 70%
• 定价：$0.15 / $0.60 per 1M input/output，缓存输入 $0.015；已上线 MiniMax API、M Plan 与 MiniMax Code，模型权重稍后发布，Pro 版随后到来

关键事实

发布主体为 MiniMax 官方博客；早期匿名版本 Space Bunny 累计处理 200T+ tokens；官方公布的基准分：BankerToolBench 76.2、DeepSWE v1.1 73.7%、OSWorld V2 61.7、ALE 29.6、CyberGym 82%；输出速度日常 200+ TPS、P50 170+ TPS；定价 $0.15/$0.60 per 1M input/output、缓存 $0.015；当前可用渠道为 MiniMax API、M Plan、MiniMax Code，权重未发布。

作者观点

MiniMax 的主张：M3.1 Flash 在复杂 agent 任务、编码、Computer Use、网络安全四条线实现“代际跃进”（generational leap），达到顶级模型水平；通过更激进的稀疏化同时实现“更快更便宜”，正在“重新定义 agent 任务的性能与成本”；Flash 产品线定位是探索效率—能力的平衡，Pro 产品线负责推进智能上限。

为什么重要

Flash 级模型是 agent 规模化落地的直接载体：agent 每步都在等模型，延迟与成本直接决定 agent 方案的经济可行性。M3.1 Flash 与昨日 DeepSeek V4.1 Flash 同属“小而快、为 agent 优化”的产品线，标志着中外 lab 在这一细分赛道的正面交锋。

编辑点评

把“主张”和“证据”分开看：证据是完整的基准数字与定价，扎实；主张是“代际跃进”“重新定义”，属营销修辞。两处值得留意的细节：一是 Space Bunny 的匿名公测策略——先用匿名身份在公开 arena 积累口碑再转正，说明 lab 们越来越重视第三方 arena 的信用背书；二是 CyberGym 82% 与内部安全专家评估并列——把攻防能力写进发布博客，agent 模型的安全双刃剑属性正在被 lab 主动摊开谈。第三方独立验证尚未出现，基准成绩先按公司自报口径理解。

深度摘要

Inception 发布 Mercury 3，号称迄今最强的扩散架构 LLM。相比 Mercury 1 参数放大 40 倍以上，基准智能涨 3 倍，质量对标 GPT-6 Luna / Claude Haiku 5.5 这类前沿速度优化模型，速度达 1068 tokens/秒（快 4–8 倍），上下文 1M，定价 $0.20/$0.70 per 1M（首发半价）。核心论点是：驱动自回归模型进步的 scaling law 在扩散架构上同样成立。

关键要点

• 迄今最强扩散 LLM：比 Mercury 1 大 40 倍+、基准智能涨 3 倍，主张“扩散的 scaling law 同样成立”
• 质量对标 GPT-6 Luna / Claude Haiku 5.5；速度 1068 tokens/秒（4–8 倍于对手）；上下文从 Mercury 2.5 的 260K 扩至 1M；定价 $0.20/$0.70（首发半价 $0.10/$0.35，缓存 90% off）
• 自建生产级 web-agent harness 实测：50 个实时 Mind2Web 导航任务完成 50%，显著高于 GPT-6.1-Sol；同 token 量、同 agent 步数、单 token 成本远低
• 早期合作方场景：语音/聊天客服、实时家教、数据工程、网页导航；同步发布 Mercury Voice（极低首 token 延迟）与 Mercury Decide（高频分类决策模型）

关键事实

发布主体为 Inception Labs 官方博客；Mercury 3 速度 1068 tokens/秒（NVIDIA GPU）；上下文 1M；定价 $0.20/$0.70 per 1M input/output，首发半价；自建 harness 在 50 个实时 Mind2Web 导航任务完成 50%；同步发布 Mercury Voice 与 Mercury Decide 两个产品；API 平台、OpenRouter、Baseten、Vercel 可用，兼容 OpenAI API。

作者观点

Inception 的主张：Mercury 1 证明了扩散 LLM 可商用，Mercury 3 回答了社区的核心疑问——扩散 LLM 能否扩展到与自回归模型竞争复杂用例，答案是能；扩散架构天然适合 agent 场景（每步延迟累积快），速度与成本是其护城河；合作伙伴证言强调“延迟下来、质量不降”。

为什么重要

这是扩散语言模型路线迄今最有分量的扩展性证据点。Karpathy 多次公开讨论过 diffusion LM 的潜力，社区长期争论的是扩散架构能否 scale；Mercury 3 给出了第一个“40 倍参数、3 倍智能”的实证数据，无论最终第三方验证如何，这个数字本身值得记录。

编辑点评

同样把主张和证据分开：证据是 40 倍参数—3 倍智能的 scaling 曲线和 1068 TPS 的实测速度，有分量；主张是“scaling law 同样成立”，目前只有一个数据点（Mercury 1→3），离“定律”还差几家独立复现。合作伙伴证言（TinyFish、RevisionDojo、Octen、Lorikeet）全是早期合作方，属营销标配。真正的信息增量是 Mind2Web 那组自建 harness 对比——用同一 harness、同一任务集去对打 GPT-6.1-Sol，这种“自建擂台”比纯基准分更难掺水，但也更需要第三方用同一 harness 复跑。与 MiniMax M3.1 Flash 同日发布形成有趣对位：一个靠稀疏化把自回归做快，一个靠扩散架构换道超车，“快模型”的实现路径正在分化。

深度摘要

Mistral 发布首个时间序列基础模型家族 Timestral（5M–209M 四个尺寸）。最大的 209M 模型在时间序列领域三个主流公开基准 GIFT-Eval、TIME、fev-bench 全部第一，仅用约 2/3 参数量超越此前 SOTA。模型做概率性多变量预测，支持过去/未来协变量，CPU 即可推理，零样本跨域泛化。技术报告待发，GitHub 已开源运行仓库。

关键要点

• 四个尺寸 5M/28M/123M/209M，同架构同训练配方，每个尺寸都在精度—参数帕累托前沿；28M 在 GIFT-Eval/TIME 上击败约 4 倍大的 Chronos-2
• 209M 在 GIFT-Eval、TIME、fev-bench 三公开基准全部第一，仅用约 2/3 参数量超越此前 SOTA；单 checkpoint、无集成
• 概率性多变量预测（21 分位数 pinball loss，近似 CRPS）、支持过去协变量与已知未来协变量、类别型协变量直接输入；CPU 推理（8 线程服务器：5M 模型 10ms、209M 140ms，预测未来 1 天）
• 技术点：Decoupled Horizon Forecasting（历史全保留、学习到的预测 token 读取历史，避免目标值既当目标又丢失上下文）、covariate-aware attention（协变量→目标单向信息流，已知未来协变量全窗口可见且不泄漏目标未来）、synthetic-first 两阶段训练（先 8192 上下文纯合成预训练，再 4 倍上下文真实+合成混合）
• 通过 Mistral Forge 支持微调、架构扩展、训练数据全控制（含合成数据回放、气隙部署）；工业示例：设备传感器预测性维护 + 与语言模型组成多模态 agent 工作流

关键事实

发布主体为 Mistral AI 官方博客；四个尺寸 5M/28M/123M/209M；209M 在 GIFT-Eval（83 个可比条目）、TIME（35 个）、fev-bench（37 个）三基准第一；28M 击败约 4 倍大的 Chronos-2；CPU 推理延迟：5M 模型 10ms、209M 140ms（8 线程服务器、三周 15 分钟粒度历史预测未来 1 天）；目标函数为 21 分位数 pinball loss；技术报告尚未发布，GitHub 运行仓库已公开。

作者观点

Mistral 的主张：经典模型（ARIMA/线性回归）只学单条序列历史，PatchTST 等深度模型每数据集从零训练，时间序列基础模型把预训练范式带进时间序列——在大而多样的语料上预训练，学到可跨序列迁移的模式，零样本预测没见过的数据；Timestral 在每个尺寸上都是精度—参数帕累托最优；真正的长期价值在于用自有数据微调并持续重训以跟上分布漂移。

为什么重要

当所有人都在卷 LLM 时，时间序列是企业数据里最常见却最“无聊”的模态（传感器、容量规划、供应链、金融风控），也是第一个迎来大厂级 foundation model 入场者的非文本赛道。209M 参数、CPU 可跑、三基准第一——这个“小而专”的形态本身就是对“基础模型必须大”的反例。

编辑点评

技术细节是三篇里最扎实的：DHF、covariate-aware attention、synthetic-first 训练，每一点都针对时间序列的真实痛点（缺失值、未来协变量泄漏、跨域数据稀缺），不是把 LLM 范式硬套过来。但注意两点：一是完整技术报告还没发，当前是博客口径，基准成绩待独立复现；二是“第一”是“预训练零样本模型”口径内的第一，限定语要看清。工业示例（工厂传感器 + agent 诊断工作流）写得具体，说明 Mistral 对 Timestral 的定位不是“发论文”，而是“进监控 pipeline”——这和 Mercury 3/MiniMax 的 agent 叙事其实同源：模型正在从“聊天”走向“进系统”。