文 | 数智奔流，作者 | 熵野，编辑 | 沈校
" 老题全会，新题抓瞎？"
10 月 19 日，MiniMax 新模型 M3.1Flash 发布后，围绕它的讨论，很快从榜单高分转向了疑似背题。
有用户在帖子中转发 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。"
在 Linux.do 论坛的相关讨论中，有人讨论模型是否背题，还有人进一步猜测，厂商是否从输入中识别出了评测题，并针对测试做了特殊处理。
但用户 Binkg 展示的一次改题测试，进一步加重了怀疑。他从 AA 的公开样题中选出一道生产管理题，改变了决定答案的条件。DeepSeek V4.1 Flash-1017 和 Gemini 4 Argon 跟着换了答案，M3.1 Flash 却仍然答出原题答案。
质疑之外，新模型也迎来了大量试用。据报道，M3.1 Flash 上线 72 小时处理的 Token 超过 100 万亿，期间多个平台提供限时免费调用。
截至 10 月 25 日，仅在 OpenRouter 的近七日榜单上，它的免费版本就处理了约 13.7 万亿 Token，排名第三；DeepSeek V4.1 Flash-1017 以 33.6 万亿 Token 排名第一。
一边是大量调用，一边是 " 背题 " 质疑。我们也拿着那道修改后的题目试了一遍：英文提问时，MiniMax 答错了；换成中文，另开一个对话，它又答对了。
9 月，匿名模型 Space Bunny Alpha，也就是大家口中的 " 太空兔 "，登陆 OpenRouter 开放免费调用。随后，太空兔连续十天在 OpenRouter 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 官号发出一句 "Welcomeback.SpaceBunny." 揭晓答案，太空兔即是 M3.1Flash 的早期版本，在匿名公测期间已经处理超过 200 万亿 Token。公司进一步披露，正式版在 coding、多步骤智能体任务等能力上继续优化，同时成本下降了 70%。
在 AA 的测试中，跑完同一个任务，M3.1Flash 的平均费用约为 0.22 美元，不到 M3 0.51 美元的一半，也比 DeepSeek V4.1 Flash-1017 的 0.26 美元还便宜。
按官方 API 标准价，M3.1 Flash 每百万 Token 的输入、输出价格分别为 0.15 美元和 0.60 美元，比 M3 便宜约一半还多。与 DeepSeek V4.1 Flash-1017 的高峰价格相比，M3.1 Flash 的输入、输出价也都低了一半。
因此，有用户用 " 闲时梁文谷，忙时闫俊峰 "，调侃两家 Flash 模型贴身价格战的态势。
在国内开发者圈子里，猫老板是私人榜单 " 致知 " 的维护者，在国内 AI 开发者圈有不小的影响力。
该榜单聚焦模型逻辑、数学与代码能力，使用按月迭代的私有题库，规避网络公开原题。题库题型偏向真实落地场景，比如从服务器日志排查线索、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。
它的评测规则是，每道题重复测试三次，取最优结果，不仅要求答案正确，推导过程也必须合规，单纯蒙对答案不计分。持续滚动的题库，会留存一部分旧题，同步纳入新题，用来对照观察模型的能力变化。
他本次提出的核心疑点，就是 M3.1Flash 在新旧题目上的能力割裂。
他观测到两个反常现象：
- 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 消耗模式也很反常，模型平均每一题要消耗四万多 Token，但其中一部分难题，只用大约一万 Token 就给出了正确结果。
正常来说，推理步骤越长，消耗的输出 Token 就越高。按他的观察，难题仅用了约四分之一的平均用量便答对，新题却大面积翻车。这让用户怀疑，模型到底在重新解题，还是识别出了曾经见过的旧题？
另一位 AI 测评博主 Binkg，用改题实验进一步测试了背题猜测的可能性。
他选了一道来自 AA-Omniscience 的公开测评题，原题问的是在生产管理的产能规划体系中，哪一种长期规划方法，会预测新工厂的数量、位置和规模等资源需求？答案是资源需求计划，英文缩写 RRP。
Binkg 把 " 长期 " 换成 " 中期 "，再把新工厂的数量、位置、规模，换成完成主生产计划所需要的人力、设备和产能。改题后的答案应是粗能力计划，缩写 RCCP。
在 Binkg 贴出的结果中，DeepSeekV4.1Flash-1017 和 Gemini4Argon 都随着新题答出 RCCP，只有 M3.1Flash 仍回答 RRP。
让 Binkg 起疑的，还包括知识题成绩的跳涨。
在 AA-Omniscience 中，上一代模型 M3 的正确率为 16.7%，而 M3.1Flash 则达到了 56.2%，一次提高 39.5 个百分点，答对题目的数量超过原来的三倍。
作为近期同一知识测试的参照，10 月 23 日发布的 KimiK3.1Pro，正确率从 KimiK3 的 47.6% 升至 51.0%，增加 3.4 个百分点。
Binkg 还提出了关于题目来源的猜测。
6 月上一代模型 M3 发布后，AA 通过在线接口评测模型。如果评测请求经过厂商运营的接口，厂商在技术上便有机会接触题目。他怀疑，MiniMax 可能识别了这些评测请求，并把题目用于后续训练。
AA-Omniscience 主要考查事实知识，也考查模型遇到知识空白时如何作答。一般只计算正确率的考试，答错与不答同样不得分，猜答案至少有机会拿分。
AA-Omniscience 改变了这项规则：答对加分，答错扣分，部分正确或不作答不加不扣。测试开始前，它还明确提醒模型，只在有把握时回答，放弃作答比答错更好。
测试结果显示，M3.1Flash 正确率为 56.2%，幻觉率却高达 92.8%。按四舍五入后的数字粗略换算，每 100 道题，M3.1 Flash 大约答对 56 道、答错 41 道，剩下约 3 道为部分正确或弃答。93% 指的是后 44 道题中的错误占比。
与综合分数相近的几款模型比，M3.1 Flash 答对的知识题最多，幻觉率也最高。比如它与 Gemini 3.8 Flash 的正确率只差 1.6 个百分点，幻觉率却相差 37.6 个百分点。
但在 Plotly 与 Mila 研究人员联合搭建的数据分析测评中，minimax M3.1 Flash 却跑出了高分：全部 43 道题目答对 41 道，与 Claude Opus 5.5、Gemini 4 Argon 等模型同分。
此前，它的匿名早期版本 " 太空兔 " 通过了 38 道，与智谱 GLM 5.3 Flash、阿里 Qwen 3.8 27B 等模型持平，是这套测试里表现最好的开放权重模型之一。
这套题模拟真实业务场景，给模型接入一份 2000 万行记录的模拟风电数据仓库，要求自主查询、运算并回答业务问题。同时题目里埋有陷阱，会提出数据集无法支撑的问题，比如让只有风电数据的模型计算太阳能发电量，以此检验模型能否发现数据缺失、识别错误前提，克制幻觉输出。
测试者还在数据中埋了五处需要主动发现的规律，9 月的太空兔只找到两处，M3.1 Flash 全部找到，但每题耗时中位数从太空兔的 36 秒增至 3 分钟。
不过，" 背题 " 指控尚缺少请求日志或训练记录支持，模型答出旧答案，可能涉及训练材料中的题目，也可能是概念混淆。
为此，我们也复刻了 Binkg 的改题试验。
将改后的英文原题，分别向 MiniMaxM3.1Flash、豆包快速模式和 DeepSeekV4.1Flash-1017 提问。
和 Binkg 的测试结果一样，豆包和 DeepSeek 都随新题改了回答，MiniMax 则仍回答的是 RRP。
接着，我们把题目翻译成中文，题目保持不变，再各开一次新对话。这一次，豆包、DeepSeekV4.1Flash-1017 和 MiniMaxM3.1Flash 全部答对。
除了问答，我们还给 MiniMax 和 DeepSeek 安排了一项创作任务：制作一张约 4 秒的 GIF 动图。
两款产品收到相同的两张参考图，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。
DeepSeek V4.1 Flash-1017 交付了约 6.2 秒的 GIF，参考形象一致，但主要在两个构图间切换，角色动作较少。
我们让 MiniMax 按参考图重做，再次强调猫与巨龙的身高差。MiniMax 随后列出修改项，称粉色蝴蝶结、星纹银甲、白披风都已保留，还交付了横竖两个版本。
竖版中的巨龙从头顶靠近，小猫站在画面下方，体型反差更明显。但猫的脸和服饰仍没有还原参考图。
最后，我们明确调用 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。这一次，MiniMax 输出的角色形象与配乐符合复刻了参考视频。
10 月 23 日，MiniMax 按此前公布的计划开放了 M3.1 Flash 的模型权重，抛出了一个可供所有人核验的后续方案。具备部署条件的研究者，可以在自己的设备上重新测试，题目无需经过 MiniMax 的在线接口。
这为核验增加了条件，但公开权重并没有同时公开全部训练材料。那道改题为什么答错，换成中文为什么又答对，仍需要更多测试解释。
