正在加载，请稍候
MiniMax M3.1 Flash 把智能体成本压到三分之一，OpenRouter 揭晓匿名模型 Space Bunny 真身；Anthropic 拟以 5% 股份设公共利益基金，Google Research 公开 Harness² 递归框架。
今天有四条消息值得技术负责人花十分钟看完：MiniMax 把智能体模型的单位成本压到原来的三分之一；OpenRouter 揭开了连续十天霸榜的匿名模型真身；Anthropic 拟把 5% 股份装进一只由自己全资控股的基金；Google Research 公开了一套让 Agent 自己改写脚手架的流程。四件事的共同点很明确——能力本身不再是稀缺品，稀缺的是把它接进业务的那层工程与治理。
MiniMax 今日 19:56（北京时间）发布 M3.1 Flash。官方口径是：在保持前沿级智能体表现的前提下，成本降到 M3 的三分之一，速度约为三倍。此前在 OpenRouter 上匿名运行的早期版本，已累计处理超过 200 万亿 token。
官方公布的评测结果：Cowork 自动化 62%，ALE 金融任务 30%，DeepSWE 编码 74%，BabyVision 视觉推理 91%。API 定价为输入 0.15 美元、输出 0.60 美元每百万 token，缓存读取 0.015 美元；权重计划在 10 月 23 日开放。
单价落到这个区间，改变的不是"用不用模型"，而是"哪些场景终于算得过账"。过去因单次调用开销被否掉的批量任务——工单分类、合同条款抽取、代码库巡检、客服会话后处理——现在值得重新做一遍投入产出测算。但有两个前提：其一，降价模型的真实差距往往出现在长链路工具调用与多轮纠错上，评估集必须覆盖你自己的业务流程，而不是只看公开榜单；其二，调用量会被低单价放大，如果不做缓存分层与 模型路由，账单很可能反而更高。这正是 AIcoding 全栈开发要一次性解决的问题：模型层允许替换，业务编排、评测护栏与成本观测需要在交付时就建好。我们把 AI 应用拆成"模型适配层 + 业务编排层 + 观测层"三段，就是为了让下一次换模型只动第一层。
来源：MiniMax 官方模型页｜OpenRouter 模型页｜官方发布原文（AIHOT 收录）
OpenRouter 于 20:01 公布，连续十天排名第一的匿名模型 Space Bunny 就是 MiniMax 的 M3.1 Flash。它在匿名期内处理 56.7 万亿 token，是 OpenRouter 运行过的匿名模型中用量最高的一次；10 月 5 日下线之后，今日以实名回归，未来 72 小时免费开放。
时间与数字锚点：十天榜首、10 月 5 日下线、56.7T token、72 小时免费窗口。
匿名上架再揭晓，本质是把公测成本转嫁给社区：厂商拿到真实负载下的用量与失败样本，平台拿到流量，开发者拿到一段免费窗口。对采购方来说，这类"先匿名、后揭晓"的模型值得试，但不该直接进生产——匿名期没有明确的 SLA、数据处理条款与版本承诺，一旦正式发布，权重、价格、限流策略都可能变化。稳妥做法是把它放进影子流量通道，跑满两周再决定是否切换。这也解释了企业侧为什么越来越依赖 Agent 系统落地能力：模型随时可换，接入规范、灰度机制与回滚预案必须提前写进架构，而不是等出事再补。
来源：OpenRouter 官方公告原文（AIHOT 收录）｜OpenRouter 模型页
Anthropic 宣布将把 5% 股份注入新设的公共利益基金，用于应对 AI 对就业市场的冲击，并探索向受影响的特定人群直接发放资金；方案仍需股东批准。公司称，加上四位联合创始人早年承诺捐出的 80% 股份与员工配捐计划，合计约 20% 股权将投向公共利益。
机制细节：公司估值每高于约定基准 50%，基金可再获最多 2% 股份，追加与否由董事会裁量；基金设为全资 LLC 子公司而非免税非营利机构，Anthropic 承诺资金不用于游说或政治捐款；公司此前已投入 2 亿美元研究劳动力市场影响。The Decoder 于 19:19 报道，官方公告标注 10 月 18 日。
把股份而不是现金放进基金，等于把"公共责任"绑定在公司估值上：涨得越多，承诺越大。但结构值得细看——子公司而非独立非营利，意味着出资方保留控制权与裁量权，追加股份也没有被锁定。对正在推进 AI 转型的中国企业，这类案例的价值不在道德姿态，而在治理模板：当你的 AI 应用开始影响客户员工、外包团队与供应链伙伴时，是否需要一个可审计的影响评估机制？我们建议在软件定制开发合同里就把"自动化影响说明"写成交付物之一，把转岗、再培训、外包收缩的触发条件写清楚，比事后公关便宜得多。
来源：The Decoder 报道｜Anthropic 官方新闻页
Google Research 今日公开名为 Harness² 的递归式 agent harnessing 框架，思路是不动模型权重，而是迭代优化模型外面那层脚手架——提示词、工具、记忆、技能等组件。流程分四步：先跑基线轨迹；Editor 起草两份候选修改并各跑一次；Composer 比对差异、合并有效修改，改动幅度受上限约束；Reflector 把经验写进文件，并把胜出的组件入库，供后续任务复用。
数据锚点：在 WorkBuddy-Bench 上 Gemini 3.5 Flash 提升 8.4 分，JobBench 提升 7.5 分；技能与脚本类修改约占总修改量的 50%，去掉技能后掉 5.3 分。论文编号 arXiv 2610.14224，代码托管于 google-research/harness2，采用 Apache-2.0 许可。
这条对我们的意义比对模型厂商更大：它说明"效果不好"不一定要换模型，先修脚手架往往更划算。可执行的动作有三条。第一，给 Agent 建轨迹库，把每次失败的工具调用、参数错误、上下文丢失都留档，这是后续所有优化的原料。第二，把提示词、工具 schema、记忆策略版本化，像代码一样做 diff 与回滚，否则"改好了"无法复现。第三，设一个自动复盘环节，按周把失败案例归因到具体组件，而不是笼统归因于"模型不行"。这三件事恰好是 AIcoding 交付里最容易被跳过、也最影响长期开销的部分——全栈开发团队如果只交付一个能跑的 demo，半年后一定要返工。
来源：arXiv 论文原文｜Google Research 发布原文（AIHOT 收录）
把今天四条消息放在一起看，会发现它们讲的其实是同一件事：模型正在变成可替换的部件，竞争重心转移到它周边的工程与治理。
第一条与第二条是价格与验证。单位开销降到三分之一，意味着同一笔预算能跑的调用量变成三倍；而匿名霸榜十天、56.7 万亿 token 的真实用量，说明市场对"便宜且够用"的智能体模型存在硬需求，不是榜单游戏。第三条是治理：把股份装进基金，是在为 AI 造成的社会成本提前定价，且定价与估值挂钩。第四条是工程：冻结模型权重、迭代脚手架，把优化对象从参数换成提示词、工具与记忆。
同一天，算力侧传出的信号并不乐观。有分析认为数百家 AI 云厂商最终只有少数能存活，微软也退出了与 Nscale 的大额芯片采购（见 The Decoder 报道）。上游在收缩，下游在降价，中间那段"把模型变成业务系统"的工作反而更值钱。这也是我们把 AIcoding 全栈开发作为主线的判断依据：客户要的不是又一个模型，而是 App、Web、小程序、桌面端四条端上都能跑、Agent 系统能持续迭代、开销可观测的交付物。我们把需求拆解、接口编排、评测护栏与上线观测压进同一套流程，目标是把同类项目的交付周期缩短约 50%，让团队在模型换代时只替换适配层，而不是重写业务。
如果你正在评估把智能体模型接进现有系统，或者想知道今天这类价格变化对自己的预算意味着什么，可以预约一次 30 分钟免费咨询。我们会在会前收集你的场景清单，会上给出一份 AIcoding 转型评估：哪些环节适合先上、哪些先别碰、大致的工期与投入区间。入口在 联系我们。