有个代号叫太空兔的模型，匿名跑了两周多，处理掉两百多万亿 token。没人知道它是谁家的。
10 月 19 日晚上它摘了面具，是 MiniMax M3.1 Flash。
往前两天，10 月 17 日，DeepSeek 发了个版本号只进一位的 Flash。两家都把「一次任务多少钱」写在了发布页最靠前的位置。
社区那边最先动起来的，是让模型画鹈鹕。
提示词只有一句，Generate an SVG of a pelican riding a bicycle。Simon Willison 从 2024 年 10 月一路跑到今天，他博客上挂这个标签的帖子攒了 151 篇。这一轮两家谁都没躲掉，10 月 17 日下午他自己也跑了 DeepSeek 那个，还顺手给编辑器加了个复制按钮，就为了不用离开手机。
我手上现在有三样东西。两家发布页里的图，第三方独立榜单的分数，还有社区几个人自己掏钱跑出来的账单。摆在一起，大部分能对上。
对不上的那几处，才是重点。
一只鹈鹕，测了两年
提示词短得离谱。九个词，翻成中文连标点都占不满一行。
2024 年 10 月 Simon 让当时十六个模型各画一张。结果大半惨不忍睹，有的 SVG 语法直接报错，有的干脆把「骑」这层关系丢了，鹈鹕站在自行车旁边，像在等公交。
两年下来，光这一道题就攒出一份长名单。九月他做过一次回顾，统计到六十六个模型、一百零三张图。
这道题难在要同时过三关。认识两个物体，理解它们之间的关系，再用一门严格的语法写出来。少一关就崩。
更麻烦的是它不给你含糊的余地。跑分表上高一分低一分，外人看不出差在哪。鹈鹕画出来，谁的眼睛都能看。对了，它也顺手把成本摊开了。
9 月 4 日 Simon 拿到 GPT-6 Astra，用六个档位各画一张，跟上一代三个型号摆成一张对照。每一格底下都标了 token 数和单张成本。
最贵的一格是 Astra 的最高档，一万两千多个输出 token，六十三美分。最便宜的一格是 Luna 的默认档，一千多个 token，零点一四美分。四五百倍的差距，画出来的东西都叫鹈鹕骑自行车。
再仔细看 Astra 那一列。最高档六十三美分，最低档九点五五美分，便宜了六倍多，可两张图摆在上下两行里，你能看出差别，却很难说差六倍。Simon 自己给的判断是，Astra 最低档那张，比上一代任何一个型号任何一档都好看。
这条观察跟排名没关系，但它解释了后面所有争议的起点。在同一道题上，往上堆推理档位，画质的提升远远小于成本的提升。
两家都没躲过
MiniMax 的发布页自己交代了太空兔的底细。原文写的是 Space Bunny，匿名那两周处理了超过 200 万亿 token。正式版 4280 亿参数、约 230 亿激活、100 万上下文，五档推理努力。输出速度 200+ TPS，中位数 170+。
发布页最后两句话是，权重「will be released later」，Pro 版本「will also arrive later」。两个都没到。
DeepSeek 那边发的 V4.1-Flash-1017，官方说法是小幅更新。基准动得不算小。Terminal-Bench 4.0 从 31.2 到 42.3，DeepSWE v1.1 从 74.2 到 77.0，HLE 从 36.8 到 42.6，Automation-Bench 从 54.8 到 60.5。权重 MIT 协议，当天上了 HuggingFace。
两家的发布页里，鹈鹕一个字都没出现。动手测的人却不少。
@Leo 是这批实测里最早把鹈鹕晒出来的。他贴了张 MiniMax 画的动画截图，说原创度挺高，不算精致但不差，速度也快。
说到这儿还挺客气。下一句就直白了。谁说能打过 deepseek v4.1 flash 1017 的。
这话有没有道理，看实物最快。Simon 那天下午 13 点 06 分到 13 点 09 分之间，拿四档推理各跑了一遍 DeepSeek 同一个提示词，全程两分二十一秒。我把四张图从 gist 里取出来重新渲染，摆成一张对照。
不推理那一档，鹈鹕的喙是一片扁平的黄三角，两条腿是橙色细线，身子悬在车座上方。最高档那张，喉囊有了从黄到橙的渐变，翅膀搭在车把上，脚踩在踏板上。
四张全都画完了。差别落在羽毛的层次、脚和踏板的接触这些细处。
账单也得摊开。@atomic_chat_hq 拿警车追逐的场面比，MiniMax 花了 2.34 美元，DeepSeek 3.07 美元。
@thehypedotnews 出的题更重。潜艇在海底城市里逃跑，做成一个 HTML 文件，分四个阶段还要修几轮。四家跑下来，MiniMax 花 0.21 美元、29 分 24 秒，DeepSeek 花 0.38 美元、27 分 09 秒，Gemini 3.8 Flash 花 1.43 美元、40 分 50 秒，Claude Haiku 5.5 花 0.17 美元、35 分 27 秒。
这一组里最便宜的是 Claude Haiku 5.5。两家争谁更划算的时候，一个根本没进这场讨论的型号把价格压到了最低。
还有些记录不太好看。gradually.ai 这个站点照同一个提示词测 DeepSeek V4.1 Flash，10 月 5 日那次响应撞到 8192 token 上限，图没画完，技术检查判了不通过，用时 25.8 秒。再往前，10 月 1 日和 2 日两次，接口直接请求失败。同一页上，GPT-6 Astra 9 月 7 日那次跑了 141.7 秒，过了检查。
把这两条放回来看，能看出点东西。Simon 那边四档全过，上限给的是 32768。gradually.ai 那次没过，上限是 8192。同一条提示词，同一个模型，差别出在预算批了多少。
这道题最常见的失败方式，是图根本没画完。画得难看反而是好事，起码说明它画完了。
而「没画完」这一栏，在任何一张官方跑分表里都找不到。
两张图各赢一场
MiniMax 发布页配了三张图，横轴都是一次任务的平均成本，纵轴是分数，对数坐标。
第一张是 DeepSWE v1.1，考真实软件工程任务。左上角那个点是 DeepSeek V4.1 Flash-1017 的最高档，77.0%，单次成本 0.28 美元上下。MiniMax 的最高档在同图的 73.7%，单次 0.22 美元左右。这一场 DeepSeek 赢了 3.3 个百分点，代价是贵两成多。
第二张换成 Automation-Bench v1.0.6，考企业流程的端到端执行。排名直接翻过来。MiniMax 最高档 62.8%，单次 0.037 美元；DeepSeek 最高档 60.5%，单次 0.093 美元。这一场 MiniMax 高 2.3 个百分点，还便宜一半以上。
同一对模型，两张图，各赢一场。哪家更强，取决于你先点开哪张。
第一张图上还有个细节。MiniMax 给自己那条曲线标了三个点，max 73.7、xhigh 72.1、high 68.1，一根红色箭头把三档串起来。发布文案里只出现了 73.7 这一个数。三个数各自都对，读者记住的只会是最大的那个。
第三张是 Agents' Last Exam，152 道题。MiniMax 最高档 29.6%，总成本 111 美元，它是整张图最靠左的那个点。这张图里代表 DeepSeek 的位置放的是 V4 Pro，大约 12.5%，总成本 350 美元上下。V4 Pro 是 1.7 万亿参数的旗舰，跟 Flash 不是一个量级。这一轮被拿来比的 V4.1 Flash-1017，在这张图上没出现。
图注写着每个模型都取了最好的 harness 和努力档，MiniMax 那档标的是 Claude Code、max effort。
图注里那行小字
这一节是我最想让你看的。
三张图底下都有灰色小字，字号小到手机上基本看不见。第二张那行是这么写的。
DeepSeek-v4.1-Flash-1017 uses peak rates (USD/1M tokens): input $0.30, output $1.20, cached input $0.006; other models use official pricing.
翻过来就是，DeepSeek 按峰值价算，输入每百万 token 0.30 美元、输出 1.20 美元、缓存命中 0.006 美元，其他模型按官方定价。
这行字挺老实。它把口径写出来了，没藏着。问题在于它老实得不够显眼。
DeepSeek 的价目表是分时段的。官方文档里，低谷时段输入 0.15、输出 0.60，正好是峰值的一半。峰值时段是 UTC 周一到周五的 01 到 04 和 06 到 10，一天七个小时。周末整天都按低谷算。一周一百六十八小时，按峰值计价的是三十五个小时。剩下的一百三十三小时，那张图上算 DeepSeek 的数字都得对折。
0.093 对折是 0.047。跟 MiniMax 的 0.037 比，差距从两倍半缩到一点三倍。
MiniMax 这边是统一价，不分时段，输入 0.15、输出 0.60、缓存命中 0.015。
两边本来就不是同一套计价结构。拿一套结构里最贵的一档，去对另一套结构里唯一的一档，算出来的比值只能说明某一个时刻的差价。
这行小字是 MiniMax 自己写的。写明口径和藏起来是两件事，它做的是前者。而且拿峰值价去算对手对自己有利，这一点谁都能看出来，写不写都一样。
麻烦的地方在别处。读者看图，不看图注。
便宜的另一面
Artificial Analysis 的独立榜单给了个不一样的视角。智能指数上，DeepSeek V4.1 Flash-1017 是 45，MiniMax M3.1 Flash 是 42，上一代 M3 是 29。同一条窄带里还有 GLM-5.3 Flash 的 42 和 Gemini 3.8 Flash 的 41。再往上是 Claude Opus 5.5 的 58 和 GPT-6 Astra 的 53。
这两家挤在一起，都还没碰到第一梯队。
便宜是有代价的。同一个机构测 AA-Omniscience，MiniMax 的幻觉率 93%。这个口径要说清楚，它算的是被问倒的时候直接给一个错误答案、没有承认不确定的比例。它不等于九成三的回答是错的，但确实说明在需要说不知道的场合，这个模型倾向于编一个。
Simon 九月中旬还写过一条挺妙的发现。《谁陷害了兔子罗杰》里真有一只骑自行车的鹈鹕。他放大看，鹈鹕是画出来的，自行车是真车，车轮里灌了水配重，然后用绳子牵着跑。
两家的价格还会往下走，这个不用猜。我给自己定了条规矩。以后再看「分数 vs 成本」这种图，先找底下那行小字，看里面有没有 peak 这个词。
鹈鹕那道题是免费的。自己跑一次，花不了几分钱。
