MiniMax M3.1 Flash陷“背题”争议：42分成绩单与低价攻势

“老题全会，新题抓瞎？”——这句吐槽，成了MiniMax新模型发布后最刺眼的注脚。

10月19日，M3.1 Flash亮相，舆论很快从榜单高分拐向疑似背题。有用户在帖子里转述AI评测博主“猫老板”的测试反馈：“咋说呢，m31f，老题接近满分，新题接近0分。”

Linux.do论坛的相关讨论里，有人琢磨模型是不是背了题，也有人往更深处猜：厂商会不会从输入里认出了评测题，专门针对测试动了手脚。

就在争议冒头前，这款模型刚交出一份进步明显的成绩单。独立评测机构Artificial Analysis（下称AA）在发布当日给M3.1 Flash的综合智能指数打出42分，比6月发布的M3高出13分，只比DeepSeek V4.1 Flash-1017低3分。

用户Binkg做的一次改题测试，让怀疑又重了几分。他从AA公开样题里挑出一道生产管理题，改掉决定答案的条件。DeepSeek V4.1 Flash-1017和Gemini 4 Argon都跟着换了答案，M3.1 Flash却照旧答出原题答案。

质疑归质疑，试用的人潮照样涌来。据报道，M3.1 Flash上线72小时处理的Token超过100万亿，期间多个平台开放限时免费调用。截至10月25日，仅OpenRouter近七日榜单上，它的免费版本就处理了约13.7万亿Token，排第三；DeepSeek V4.1 Flash-1017以33.6万亿Token居首。

一边是海量调用，一边是“背题”疑云。我们也拿那道改过的题试了一遍：英文提问，MiniMax答错了；换成中文、另开一个对话，它又答对了。

被质疑之前，M3.1 Flash已经用另一个名字攒过一波人气。9月，匿名模型Space Bunny Alpha——大家口中的“太空兔”——登陆OpenRouter开放免费调用，随后连续十天调用量第一，跑出56.7万亿token，创下该平台匿名模型的最高纪录。

10月19日，MiniMax官号一句“Welcomeback.SpaceBunny.”揭晓谜底：太空兔就是M3.1 Flash的早期版本，匿名公测期间已处理超过200万亿Token。公司还披露，正式版在coding、多步骤智能体任务等能力上继续优化，成本同时降了70%。

便宜是它另一张牌。AA测试中跑完同一个任务，M3.1 Flash平均费用约0.22美元，不到M3 0.51美元的一半，也比DeepSeek V4.1 Flash-1017的0.26美元低。按官方API标准价，M3.1 Flash每百万Token输入、输出分别为0.15美元和0.60美元，比M3便宜约一半还多；对比DeepSeek V4.1 Flash-1017的高峰价格，输入、输出价也都低了一半。

于是有用户拿“闲时梁文谷，忙时闫俊峰”调侃两家Flash模型贴身打价格战的架势。

但知名博主猫老板的反馈，很快把情绪从“提高了多少分”拽到“分数是怎么来的”。在国内开发者圈子里，猫老板维护着私人榜单“致知”，影响力不小。

该榜单盯的是模型逻辑、数学与代码能力，用按月迭代的私有题库，绕开网上公开原题。题型偏真实落地场景，比如从服务器日志里排查线索、带约束条件的地图寻路、在无说明的对局里自行归纳游戏规则。

评测规则是每道题重复测三次取最优，答案对还不够，推导过程也得合规，光蒙对答案不计分。题库持续滚动，会留一部分旧题、再纳入新题，用来对照观察模型能力的变化。

他这次提出的核心疑点，正是M3.1 Flash在新旧题目上的能力割裂。

他观察到两个反常现象：模型在留存旧题上得分接近满分，面对新增题目时得分近乎归零；

同时Token消耗模式也很怪，模型平均每题要吃掉四万多Token，但其中一部分难题，只用大约一万Token就给出了正确结果。

按理说，推理步骤越长，输出Token就越高。照他的观察，难题只用约四分之一的平均用量便答对，新题却大面积翻车。用户因此怀疑：模型到底在重新解题，还是认出了曾经见过的旧题？

AI测评博主Binkg也做了一组改题实验，想再探一探“背题”这个说法能不能站住脚。

他挑的是AA-Omniscience里一道公开测评题。原题问：生产管理的产能规划体系中，哪种长期规划方法会预测新工厂的数量、位置和规模等资源需求？对应答案是资源需求计划，英文缩写RRP。

Binkg动手改了两处：把“长期”改成“中期”；把新工厂的数量、位置、规模，换成完成主生产计划所需的人力、设备和产能。改完以后，正确答案应当变成粗能力计划，缩写RCCP。

Binkg贴出的结果里，DeepSeekV4.1Flash-1017和Gemini4Argon都跟着新题给出了RCCP，唯独M3.1Flash还在答RRP。

图片来自Binkg贴图。

让Binkg觉得不对劲的，还有知识题成绩那一下跳涨。

AA-Omniscience里，上一代M3的正确率是16.7%，M3.1Flash冲到了56.2%，一口气抬高39.5个百分点，答对的题量变成原来的三倍多。

拿近期同一知识测试做参照：10月23日发布的KimiK3.1Pro，正确率由KimiK3的47.6%升到51.0%，只多了3.4个百分点。

题目来源这件事，Binkg也提出了自己的猜测。

6月上一代模型M3发布之后，AA是通过在线接口来评测模型的。评测请求只要经过厂商运营的接口，厂商在技术上就有机会碰到题目。他因此怀疑，MiniMax或许认出了这些评测请求，并把题目拿去做了后续训练。

背题争论之外，AA的测试还留下一组看着互相打架的数字。

AA-Omniscience考的是事实知识，同时也看模型碰到知识空白时怎么应对。一般的考试只算正确率，答错和不答一样没分，猜一个答案至少还有机会拿分。

这套测试把规则改了：答对加分，答错扣分，部分正确或者不作答，既不加也不扣。开考前它还明确提醒模型，有把握再答，放弃作答好过答错。

结果摆出来，M3.1Flash正确率56.2%，幻觉率却达到92.8%。按四舍五入后的数字粗算，每100道题里，M3.1 Flash大约答对56道、答错41道，剩下约3道属于部分正确或弃答。93%说的是后面那44道题里答错的比例。

跟综合分数差不多的几款模型放在一起，M3.1 Flash答对的知识题最多，幻觉率也最高。它和Gemini 3.8 Flash的正确率只差1.6个百分点，幻觉率却差了37.6个百分点。

上一代M3在这项测试里常常干脆不答，幻觉率只有18.4%。折算到每100道题，约17道答对、15道答错，其余约68道是部分正确或没作答。换成M3.1 Flash，答对的题从约17道涨到56道，答错的也从约15道涨到41道。

可到了Plotly与Mila研究人员联合搭建的数据分析测评里，minimax M3.1 Flash又跑出了高分：43道题答对41道，和Claude Opus 5.5、Gemini 4 Argon等模型同分。

更早的时候，它的匿名早期版本“太空兔”通过了38道，跟智谱GLM 5.3 Flash、阿里Qwen 3.8 27B等模型打平，是这套测试中表现最好的开放权重模型之一。

这套题照着真实业务场景来：给模型接一份2000万行记录的模拟风电数据仓库，让它自己查询、运算，再回答业务问题。题目里还埋了陷阱，会问数据集根本撑不住的问题，比如只给了风电数据，却让模型算太阳能发电量，看它能不能发现数据缺失、识破错误前提，把幻觉压住。

测试者还在数据里藏了五处需要主动挖出来的规律。9月的太空兔只找到两处，M3.1 Flash五处全找到，代价是每题耗时中位数从太空兔的36秒拉长到3分钟。

不过，“背题”这顶帽子目前还缺请求日志或训练记录作支撑。模型答出旧答案，可能是训练材料里就有这道题，也可能是概念上混了。

我们也把Binkg的改题试验复刻了一遍。

改好的英文原题，分别抛给MiniMaxM3.1Flash、豆包快速模式和DeepSeekV4.1Flash-1017。

结果跟Binkg那边一致：豆包和DeepSeek都跟着新题改了回答，MiniMax给出的仍是RRP。

（Binkg改后新题，英文版三家实测截图）

随后，我们又把这些题目原样译成中文，各开一轮新对话重测。这次豆包、DeepSeekV4.1Flash-1017和MiniMaxM3.1Flash都给出了正确答案。

（Binkg改后新题，中文版三家实测截图）

问答之外，我们另给MiniMax和DeepSeek布置了一项创作任务：做一张约4秒的GIF动图。两家拿到的是同样的两张参考图，以及同一段要求——薄雾草地上，一只戴粉色蝴蝶结、穿银甲、披白披风的橘猫握剑站立，巨龙低头靠近、张嘴咆哮。保留参考形象，突出体型反差，动作自然连贯，直接交付可播放的GIF动图。

（猫咪造型特写及场景参考图）

DeepSeek V4.1 Flash-1017交出的GIF约6.2秒，角色形象与参考图一致，不过画面主要在两个构图之间切换，人物动作偏少。

M3.1 Flash的成品约4秒，角色动得更多，但猫和龙的造型跟参考图对不上。

我们要求MiniMax参照原图重做，并再次点明猫与巨龙的身高差。它随后列出了修改清单，称粉色蝴蝶结、星纹银甲、白披风均已保留，还给出了横版和竖版两套成品。

竖版里巨龙从头顶压下来，小猫守在画面下方，体型对比确实更强烈。可猫的脸和服饰依旧没能还原参考图。

最后我们直接调用MiniMax的H3视频生成工具，上传原始视频，要求复刻前5秒的角色、镜头和配乐。这一轮，MiniMax输出的角色形象与配乐都成功还原了参考视频。

10月23日，MiniMax按照此前公布的计划放出了M3.1 Flash的模型权重，相当于给所有人提供了一个可以自行核验的后续方案。有条件部署的研究者能在自己的设备上重跑测试，题目不必再走MiniMax的在线接口。

核验条件因此多了一层，但权重公开并不等于训练材料全部公开。那道题改了之后为什么答错、换成中文又为什么答对，还得靠更多测试才能说清。