MiniMax-M3.1-Flash 自动化基准得 73% 居首,但终端与真实任务仍落后
ArtificialAnlys · x · 2026-10-19
Artificial Analysis 公布 MiniMax-M3.1-Flash 的 agentic 基准细项,呈现明显分化:
- AutomationBench-AA:73%,领先 GLM-5.3-Flash(max,60%)和 DeepSeek V4.1 Flash 1017(max,67%),仅次于 Gemini 4 Argon 和 MiniMax-M3.1-Flash 高配等头部模型
- AA-Briefcase:1474 Elo,介于 GLM(1453)与 DeepSeek(1570)之间
- GDPval-AA:1458 Elo,落后于 GLM(1642)和 DeepSeek(1746),真实世界工作任务能力仍有差距
- Terminal-Bench v4.0:26%,同样低于两者的 33% 和 34%
结论:该模型在自动化任务执行上性价比突出,但在终端操作和真实职业任务上尚未追上同级竞品。
所属事件:MiniMax-M3.1-Flash 评测出炉：智能指数42分、成本低廉但幻觉率偏高(9 条相关)→
「模型」频道最新
- 用户抱怨 Claude Docs 图表只能导出图片，数据不可移植 — BlackHC · 2026-10-20
- EMNLP 论文:痛苦裹进妄想后,LLM 安全干预骤降 4.5 倍 — MaartenSap · 2026-10-20
- 网络安全向 VLM 上榜 HF：OrcaCyber-Nano 支持逆向与函数调用 — orcarouter · 2026-10-20
- 0.8B 小模型加 2000 标注样本，本地跑赢 Jev 前沿 API — kalyan_kpl · 2026-10-20
- 26 款 TTS 模型实测:最快 46ms 出声,速度与自然度难兼得 — mattturck · 2026-10-20
- 亲测 agent 能驾驭未公开语言 Jai,连编译期执行都用上了 — lucasmeijer · 2026-10-20