我把同一个编码任务在两个 Flash 档模型上各算了一遍账，算完发现一件反直觉的事：工作日白天换过去，成本直接砍半；周六凌晨换过去，一分钱不省；而如果你不管住输出 token，换过去反而更贵。其实真正决定账单的，从来不是标签上那个「每百万多少钱」。这篇把这道账、一份能直接跑的脚本，和我踩到的 3 个坑放出来。
一、先说一件容易被忽略的事：这两个模型单价一模一样
MiniMax M3.1 Flash 在 2026 年 10 月 19 日发布，定价是每百万输入 token 0.15 美元、输出 0.60 美元、缓存读取 0.015 美元。来源：MiniMax 官方博客 2026-10-19 发布公告。
DeepSeek 在 10 月 17 日更新过 V4.1 Flash 的价目，非高峰时段的未缓存输入也是 0.15 美元，输出也是 0.60 美元。来源：Momenta Media 2026-10-19 报道中对 DeepSeek 价目的引述。
也就是说，如果你只用「输入多少钱、输出多少钱」这一把尺子量，两个模型完全打平。很多人（包括我一开始）到这里就下结论说「没差别」。真正的差别藏在三个地方：时段系数、缓存价、输出 token 量。
二、把价目写成常量，别记在脑子里
成本账最容易出错的地方，是价格散落在对话和网页里，隔两周就记混。我把它们写成常量，改动必须显式发生在这个文件里。
python
PRICE = {
# model: (输入 $/1M, 输出 $/1M, 缓存读取 $/1M)
"minimax-m3.1-flash": {"in": 0.15, "out": 0.60, "cached": 0.015,
"peak_factor": 1.0, "source": "MiniMax 官方博客 2026-10-19"},
"deepseek-v4.1-flash": {"in": 0.15, "out": 0.60, "cached": 0.015,
"peak_factor": 2.0, "source": "DeepSeek 价目 2026-10-17（高峰翻倍）"},
}
CST = datetime.timezone(datetime.timedelta(hours=8))
PEAK_WINDOWS = ((9, 12), (14, 18))
def is_peak(moment, holidays=frozenset()):
if moment.tzinfo is None:
raise ValueError("moment 必须带时区（用北京时间 CST）")
local = moment.astimezone(CST)
if local.date().isoformat() in holidays:
return False
if local.weekday() >= 5: # 5=周六 6=周日
return False
h = local.hour + local.minute / 60.0
return any(a <= h < b for a, b in PEAK_WINDOWS)
def task_cost(model, in_tok, out_tok, cached_ratio, moment, holidays=frozenset()):
p = PRICE[model]
f = p["peak_factor"] if is_peak(moment, holidays) else 1.0
fresh_in = in_tok * (1.0 - cached_ratio)
cached_in = in_tok * cached_ratio
# 路径 A：逐项求和
a = (fresh_in / 1e6 * p["in"] + cached_in / 1e6 * p["cached"]
+ out_tok / 1e6 * p["out"]) * f
# 路径 B：先算输入均价，再按总量加权（两条路径不等即判定算不出来）
avg_in = p["in"] * (1.0 - cached_ratio) + p["cached"] * cached_ratio
b = (in_tok / 1e6 * avg_in + out_tok / 1e6 * p["out"]) * f
if abs(a - b) > 1e-9 * max(1.0, abs(a)):
return "UNKNOWN"
return a这里有两个我特意保留的「不近人情」的地方。其一，is_peak 拒绝不带时区的 datetime，因为一旦用服务器本地时间判时段，跨时区部署的账单会整体错位。其二，task_cost 用两条独立路径各算一遍再比对，不相等就返回 UNKNOWN。成本账上「算错了但看起来对」，比报错危险得多。
三、跑出来的账：白天省一半，半夜一分不省
我固定了 3 个编码任务，token 数是按我自己的任务集统计的采样估计（不是官方口径，你换成自己的真实账单再跑才对你成立）：
| 任务 | 输入 token | 输出 token | 缓存命中率 |
|---|---|---|---|
| 补单测（读 3 个文件 + 生成测试） | 42,000 | 4,800 | 35% |
| 重构一个 600 行模块 | 210,000 | 26,000 | 72% |
| 按报错修 bug（多轮复述上下文） | 380,000 | 9,500 | 88% |
跑 python flash_coding_cost.py --compare，结果分两段：
工作日 10:00（DeepSeek 处在高价时段）
| 任务 | MiniMax | DeepSeek | 省下 |
|---|---|---|---|
| 补单测 | $0.0072 | $0.0144 | 50.0% |
| 重构模块 | $0.0267 | $0.0534 | 50.0% |
| 修 bug | $0.0176 | $0.0351 | 50.0% |
周六 03:00（DeepSeek 非高峰，原价）
三个任务两列数字完全相同，省下 0.0%，判定「持平」。
结论非常干脆：编码 agent 大多在工作时间被人触发，而那正是 DeepSeek 的高价时段，换到 M3.1 Flash 就是实打实省一半。反过来，如果你是夜里跑批、周末跑回归，换模型一分钱不省。
那省下来的这一半，是不是就等于「这个模型更划算」？未必。省下的钱只是把成本挪到别处，你还得看输出量会不会涨。
四、三个坑，我全踩过
坑一：只看标签价，会得出「没差别」的错误结论。 上面那张持平的表就是这个坑的产物。时段系数不在价目表显眼的位置，但它是这一段里影响量级突出的因子。
坑二：把「成本降 70%」当成单任务成本。 70% 这个数字是 MiniMax 官方对「agent 任务整体成本较上一代」的说法，官方没说明前一代是哪款模型，也没说这个幅度怎么算的。独立评测机构 Artificial Analysis 实测到的是每任务约 57% 的降幅。两个数字都能引用，但必须说清口径不同：一个是厂商自报的整体口径，一个是第三方的实测口径。别只抄 70%。这两个来源我已做交叉验证，确认 70% 出自厂商公告、57% 出自第三方评测转述，不是同一份材料。
坑三：只盯输入价，忽略输出放大。 这是我算完才意识到的。Artificial Analysis 在评测 M3.1 Flash 期间，模型一共用了 1.8 亿个输出 token（含推理），而同类模型的中位数是 9900 万个，放大了 1.82 倍。M3.1 Flash 默认带推理、分了五档 effort，输出天然更啰嗦。输出单价是输入的 4 倍，输出量一旦放大，省下的输入钱转眼被吃回去。
脚本里我把这个效应也量化了。拿「补单测」那个任务，在非高峰时段：MiniMax 原本 0.0072，把输出 token 乘上 1.82 倍之后变成 0.0096，而 DeepSeek 原价是 $0.0072。放大之后反而贵了 33%。
那多出来的推理 token 到底值不值这个价？
顺带说一句，编码任务的钱主要花在输出上。「重构 600 行模块」这一项，输出 2.6 万 token 花了 $0.0156，占这笔账的 58.4%。优化顺序应该是先压输出，再谈别的。
五、工程取舍：什么时候该换，什么时候别换
| 场景 | 建议 | 理由 |
|---|---|---|
| 工作日 9:00-12:00 / 14:00-18:00 被人触发的编码 agent | 换 | 高价时段，直接省一半 |
| 夜间 / 周末的批量回归、跑测试 | 不换 | 同价，切换只带来适配成本 |
| 长上下文反复读同一份代码库、缓存命中率高 | 先查价目再定 | 缓存价差有 10 倍（0.15 对 0.015），两边都可能再调 |
| 输出 token 压不住的任务（多轮推理、长链修复） | 先压输出 | 换模型省下的钱会被 1.82 倍的输出吃掉 |
| 等着权重开源自建 | 再等等 | 官方博客只写了 later，社媒口径是 10 月 23 日，许可条款尚未公布 |
你自己的场景里，缓存命中率到底是多少，有真实数字吗？
最后一行值得展开。M3.1 Flash 仍是 428B 总参、约 23B 激活，靠更激进的稀疏度换速度，官方称输出能到 200+ TPS、P50 稳定在 170 以上；另有综述援引 Artificial Analysis 实测约 120 TPS，与官方口径有不小差距（二手转述，谨慎引用）。这种体量即便权重放出，自建要打平每百万 0.15 美元的 API 价，得先算清卡时成本与利用率。
六、辩证：这些数字哪些不能直接拿来用
- 跑分基本都是厂商自报。 DeepSWE v1.1 的 73.7%、OSWorld V2 的 61.7、CyberGym 的 82%、BankerToolBench 的 76.2，均出自 MiniMax 自己的公告，无独立复现。
- 它现在还不是硬编码场景的头部选手。 官方自己给的数字里，Terminal Bench 4.0 是 38.1，对比 Opus 5 的 51.8，差距不小。把它当成一个「agent 类任务的成本解」，比当成「编码能力天花板」要准确。
- Artificial Analysis 的智能指数 42 分是独立口径，比 M3 高 13 分，加权平均单任务成本约 0.22 美元。这个 0.22 是它评测集上的加权平均，不等于你自己任务的成本。
- DeepSeek 的缓存价我没有写死进脚本，因为本轮能查到的素材只说「缓存输入更便宜」，没给出确定数字。缺参数就让脚本报错，而不是拿 MiniMax 的 0.015 顶上去。缺失不是零。
七、复制这两段命令就能自己算
bash
cd output/gen/2026-10-22
python flash_coding_cost.py --selftest # 先跑自检：15 项（正控 6 / 负控 6 / 边界 3）
python flash_coding_cost.py --compare # 内置 3 个任务样本，分高峰与非高峰两段对账想换成自己的真实账单，把 usage 记成 JSON 传进去就行：
bash
cat > usage.json <<'EOF'
[
{"name": "我的真实任务 A", "in_tok": 52000, "out_tok": 6100, "cached_ratio": 0.28, "hour": 11},
{"name": "我的真实任务 B", "in_tok": 180000, "out_tok": 31000, "cached_ratio": 0.65, "hour": 15}
]
EOF
python flash_coding_cost.py --usage usage.json自检里我留了三组负控：参数传 None 抛错、缓存命中率传 1.5 抛错、datetime 不带时区抛错。这三件事若在真实账单里被静默吞掉，你会拿到一个漂亮但错误的结论。
数据与事件来源
- 来源：MiniMax 官方博客《MiniMax M3.1 Flash: Redefining Agent Performance and Cost》（2026-10-19）：定价 0.15 / 0.60 / $0.015，DeepSWE v1.1 73.7%、OSWorld V2 61.7、CyberGym 82%、BankerToolBench 76.2、输出 200+ TPS 与 P50 170+，以上均为厂商自报
- 来源：Momenta Media《MiniMax Releases M3.1 Flash》（2026-10-19）：Artificial Analysis 智能指数 42 分、加权平均每任务成本约 $0.22、评测期输出 1.8 亿 token 对比同类模型中位 9900 万；DeepSeek V4.1 Flash 高峰时段（北京时间周一至周五 9:00-12:00、14:00-18:00，法定节假日除外）价格翻倍、缓存输入更便宜；MiniMax 2026 上半年营收 1.166 亿美元、开放平台与企业服务占 63.4%
- 来源：openaimaster《MiniMax M3.1 Flash Guide》（2026-10-20 核证）：官方称 agent 成本降 70%、Artificial Analysis 实测约 57%；Terminal Bench 4.0 38.1 对比 Opus 5 的 51.8；权重放出日期为社媒口径，许可条款未公布
- 来源：本仓随文脚本
output/gen/2026-10-22/flash_coding_cost.py：自检 15 项全绿（正控 6 / 负控 6 / 边界 3），文中对账表格均由该脚本--compare实际输出
说明：3 个任务的 token 数为我按固定任务集统计的采样估计，非厂商官方口径；价格与基准均来自上述来源，性能数字为厂商自报或第三方评测。
你手上的编码 agent，一天里有多少比例的请求落在工作日的高价时段？
如果先把输出 token 压掉三成，和换一个模型相比，哪个更划算？欢迎在评论区聊聊你的答案。