整理文件、调用工具、跨软件接着做下一步，和回答问题不是一回事。MiniMax刚发布M3.1 Flash，重点面向多步骤任务。它能怎样帮助用户，又有哪些事情仍需要人工确认？

文｜最极客

10月19日，MiniMax正式发布M3.1 Flash。官方公告与当晚的媒体报道确认，新版本已进入MiniMax API、M Plan和MiniMax Code，关注的是智能体任务、编程和电脑使用等能力。

它不是一个刚起名字、还没有入口的研究计划。但“模型上线”也不等于下载之后，它就能自动接管你所有软件；实际工作还需要应用、工具与权限一起配合。

这次发布适合从一个普通问题讲起：为什么AI已经能写很长的答案，却还会在一件看似简单的办公任务中卡住？

会回答，与能办完，是两种要求

假设你要把几个供应商的产品资料整理成对照表。只让AI解释“如何做表”，它可以给出步骤；真要交付，则必须找到文件、识别字段、统一单位、检查缺项，最后把结果保存到合适的位置。

这只是一个说明性例子，不是本次发布展示的实测案例。它说明，多步骤任务的难点不仅在单次回答质量，还在于下一步能否接住上一步的结果。

智能体通常围绕一个循环工作：模型判断下一步，工具执行，执行结果返回，再由模型继续判断。中间如果文件没找到、页面变化或工具报错，就需要调整路线，而不是继续按原计划往下写。

因此，“能够使用工具”也不等于“能够可靠完成任务”。它必须知道什么时候调用，传入什么参数，以及返回的内容是否真的满足要求。

M3.1 Flash此次强调的，正是这种跨步骤、跨应用的工作能力。它的价值要放到完整流程中观察，不能只截取一段流畅的回答作为证据。

电脑使用，不是隔空控制电脑

电脑使用可以先理解为：AI根据界面或工具返回的信息，决定接下来点击、输入或调用什么功能，再通过执行环境完成动作。

模型本身并不凭空拥有你的文件和账号。它能看见哪些内容、能调用哪些动作，由接入它的应用及用户授权决定；同一个模型放进不同环境，能够完成的任务也可能不同。

有些操作依赖明确的接口，例如读取一条记录；另一些则需要处理图形界面。后者还会受到窗口位置、页面加载、弹窗和应用版本变化等影响。

所以，选择新模型只是搭建工作流的一部分。一个流程如果没有处理错误、确认结果和保存进度的设计，换上更强模型也不一定马上变得稳定。

这次公布了什么证据

官方列出的评测涵盖软件开发、电脑操作和多步骤业务任务。其中，DeepSWE v1.1成绩为73.7%，OSWorld V2为61.7分；这些均是MiniMax发布的测试结果，不是本文独立复现。

这两类测试关心的问题并不相同。前者侧重软件任务，后者涉及电脑操作与跨应用执行；不能把两个数放在一起取平均，就称为“总体能力”。

更不能把某个测试的得分理解成你的公司所有任务都有相同成功率。题目范围、执行工具、重试规则和任务难度，都会影响结果。

对普通读者，最值得记住的不是榜单名，而是评测正在从“答案写得怎么样”，扩展到“这件事情有没有真正做完”。不过，公开测试和真实业务之间仍然存在距离。

官方同时称，新版本在线推理接近三倍提速，智能体类任务综合使用成本较前代降低70%。这两个数字有各自比较口径，不能据此承诺每个用户的账单都会同比下降70%。

为什么智能体特别在意成本

一次聊天通常容易看到输入和输出。但一项智能体任务可能反复读材料、调用模型、尝试工具，再把结果写回下一轮上下文。单次调用便宜，不一定代表整件事便宜。

例如，两个模型都能完成资料整理，一个需要多次返工，另一个一次通过；即便后者的单次调用价格更高，完整任务的费用也可能更低。这是理解任务成本的例子，并非对本次模型的实测比较。

MiniMax在公告中将效率改进与更激进的稀疏注意力联系起来。用白话说，注意力机制决定模型处理上下文时怎样关联信息；稀疏方案尝试避免对所有关系都做同样密集的计算。

这种设计有机会减少计算负担，但不能由“稀疏”二字直接推断质量和速度。实际效果仍需要由具体模型及运行结果证明，也不应把它简单理解成随意删掉用户材料。

现在能用，不代表权重已经公开

官方中文公告明确写到，模型已上线相关服务，权重将在稍后开放。因此，本次稿件不把它称为已经可下载自部署的开源模型，也不提前承诺具体开放日期。

Vercel同日公布了接入更新，可以交叉确认服务层面的可用性。但平台的促销、限额和供应商路由有额外条件，不能把某个入口的优惠推广成所有渠道长期免费。

如果只是想试用，可以先拿非敏感的样例文件，选择一个结果容易判断的任务。例如整理已公开资料，要求输出来源与待确认项，而不是一开始就交出客户数据库权限。

试用时应把“能读取”和“能修改”分开，把“准备好内容”和“真正发送”分开。涉及付款、删除、公开发布或设备动作时，更应保留人工确认。

衡量它是否有用，也不必从复杂排行榜开始。给同一组材料，检查漏项、错误、返工次数和总耗时，就能得到比单次演示更贴近自己的判断。

M3.1 Flash此次发布说明，模型厂商正在把更多优化放到连续工作上。它能否成为好用的助手，取决于模型能力，也取决于工具、权限和验收方式是否一起设计好了。