开源性价比模型大混战！DeepSeek V4.1 Flash 1017、GLM 5.3 Flash、MiniMax M3.1 Flash 哪个是你的最佳口粮模型？
口粮模型，指的是你每天真正在烧的那个模型——不是发布日拿来刷榜的旗舰，而是写代码、跑 Agent、啃文档时在后台默默计费的那一个。它要同时满足四件事：单价够低、能力够用、上下文够长、随时换得动。
本文把三款 1M 上下文的低价模型放在同一张价目表和尽可能对齐的基准上比了一遍。结论先放在这里：没有全能赢家。
先说结论：三款模型各自的胜场
| 你的主要任务 | 推荐模型 | 决定性理由 | 需要注意 |
|---|---|---|---|
| 仓库级编码、SWE 类任务、长时程 Agent | DeepSeek V4.1 Flash 1017 | DeepSWE v1.1 得 77.0，三者最高；Code Arena: WebDev 开源模型第一 | 缓存未命中价是另外两家的两倍，长文档批处理偏贵 |
| 文档解析、图像/视频理解、大批量输出 | GLM 5.3 Flash | 输出价 $0.50 三者最低；原生多模态；1M 上下文配 128K 输出 | 缓存读取 $0.03 三者最贵，高频 Agent 循环吃亏 |
| 实时链路、高并发、GUI 自动化 | MiniMax M3.1 Flash | 输出中位 170+ TPS；OSWorld V2 得 61.7 | 权重尚未开放，只能用 API |
| 三种任务同时存在 | 先算账单再决定，别默认混用 | 实测混用比全用 MiniMax 贵 27%，比全用 DeepSeek 省 30% | 混用的理由是质量而非省钱 |
一句话版本：DeepSeek 赢在编码基准，GLM 赢在输出价与多模态，MiniMax 赢在速度与综合账单。按任务分流的收益没有想象中大，动手前先算账。
这三款为什么会被放在一起比？
答案藏在三个共同点里。
第一是上下文。三款都是 1M token 上下文，这在半年前还是一线旗舰的专属配置，现在下放到了每百万 token 零点几美元的档位。
第二是价格带。三款的输入价集中在 $0.15–$0.30，输出价集中在 $0.50–$1.20，彼此差距不超过 2.4 倍，属于同一个决策区间——不是”贵的买不起、便宜的不能用”那种假对比，而是真的要在几个接近的选项里挑。
第三是时间。三款最近一次重要更新挤在 2026 年 10 月的五天之内：GLM-5.3-Flash 的权重仓库 10 月 15 日更新，DeepSeek 在 10 月 17 日推出 -1017 构建，MiniMax 在 10 月 19 日正式发布 M3.1 Flash。同一周内三家同时把”低价 + 长上下文”往前推了一格，这件事本身就值得单独写一篇。
需要先说明的是，三家的”新”性质不同：DeepSeek 是版本迭代（调用名和价格都不变），GLM 是权重仓库更新（模型本体 8 月下旬就已建库），MiniMax 是全新发布。后文的对比按”当前可用状态”来，不按发布会口径来。
一张表看全：三款模型关键参数
| 项目 | DeepSeek V4.1 Flash 1017 | GLM 5.3 Flash | MiniMax M3.1 Flash |
|---|---|---|---|
| 上下文窗口 | 1M | 1M | 1M |
| 最大输出 | 384K | 128K | 未公开 |
| 参数规模 | 权重约 763B（未公布激活参数） | 320B 总参 / 18B 激活 | 未公布 |
| 多模态输入 | 支持图像 | 原生多模态（图/视频/文本/文件） | 支持图像、视频 |
| 权重许可 | MIT | MIT | 尚未开放 |
| 输入价（缓存未命中） | $0.30（谷时 $0.15） | $0.15 | $0.15 |
| 缓存读取价 | $0.006（谷时 $0.003） | $0.03 | $0.015 |
| 输出价 | $1.20（谷时 $0.60） | $0.50 | $0.60 |
| 思考模式 | 可切换非思考/思考（默认思考） | 始终开启，effort 三档 | 始终开启，effort 五档 |
数据来自 DeepSeek 定价页、Z.ai 文档与定价页、MiniMax 官方博客及两家的 Hugging Face 模型卡，核对于 2026 年 10 月 29 日。三款模型的官方报价如下，单位是美元每百万 token：DeepSeek V4.1 Flash 1017 的输入价 $0.30、缓存读取 $0.006、输出价 $1.20；GLM 5.3 Flash 是 $0.15、$0.03、$0.50；MiniMax M3.1 Flash 是 $0.15、$0.015、$0.60。三款上下文窗口均为 1M token，这一点在半年之前还是一线旗舰的专属配置，如今下放到了每百万 token 零点几美元的价位。前两款以 MIT 许可开放权重，MiniMax 官方称权重将在后续发布。厂商调价后请以官网为准。
“开源”这个词，三款含金量不一样
标题里的”开源”要打个折，这一点必须先讲清楚，否则选型会踩坑。
DeepSeek V4.1 Flash 1017 是真正开放权重的。 Hugging Face 上公开、非门控，MIT 许可，仓库创建于 2026 年 10 月 17 日，权重文件显示约 763B 参数，1M 上下文，官方建议采样温度 1.0、top_p 1.0。它的上一代 V4.1-Flash 同样在列，Together、Novita、Baseten 等第三方推理商都在托管——这意味着即使不碰官方 API，也有多个供给方可选。
GLM 5.3 Flash 同样是开放的。 MIT 许可，公开可下载，320B 总参数、18B 激活，45 层——比 GLM-5.3 的 92 层浅了一半。它采用稀疏注意力与线性注意力的混合结构，官方给出的数字是注意力计算量约为 GLM-5.3 的 1/3、KV 缓存约为 1/4.4。它也是 GLM-5 系列第一个原生多模态成员，图片、视频、文本、文件都能直接输入。
MiniMax M3.1 Flash 目前还没开。 官方博客的原话是权重”将在后续发布”，现阶段只能通过 MiniMax API、M Plan 和 MiniMax Code 使用，参数量也没有公布。
这个差别对”口粮”不是小事。权重在手和只有 API，是两种完全不同的处境。开放权重意味着可以私有化部署、可以微调、可以在断网环境里跑批，也可以在供应商涨价或停服时换一家托管方继续用。只有 API 意味着成本和可用性都挂在别人的价目表上，随时可能变化，而你手上没有任何备份方案。所以下面每一处价格比较，对 DeepSeek 与 GLM 都是自建还是买 API 的双选，对 MiniMax 则是单行道。
价格：先看单价，再算真账
官方单价摆在一起
| 模型 | 输入（未命中） | 缓存读取 | 输出 | 缓存读取 / 未命中比 |
|---|---|---|---|---|
| DeepSeek V4.1 Flash 1017 | $0.30 | $0.006 | $1.20 | 2% |
| GLM 5.3 Flash | $0.15 | $0.03 | $0.50 | 20% |
| MiniMax M3.1 Flash | $0.15 | $0.015 | $0.60 | 10% |
单位：美元每百万 token。三家官方价目，核对于 2026 年 10 月 29 日；DeepSeek 采用峰时口径。
三个数字最容易被误读。
第一，DeepSeek 那一行的 $0.30 是峰时价，不是全时段价，这一点几乎没有一篇对比文章讲清楚。 官方规则写明，工作日 UTC 01:00 至 04:00 与 06:00 至 10:00 这两个区间之外一律收半价，折算下来输入 $0.15、缓存命中 $0.003、输出 $0.60，正好是标价的一半。也就是说，只要能把这批请求调度到谷时执行，DeepSeek 的实际单价就和另外两家完全同档，原本两倍的输入价差会直接抹平。这条规则足以推翻只看标价得出的结论，也是它在选型讨论中最容易被误读的地方。
第二，输入价相同不代表成本相同。 GLM 和 MiniMax 的输入价都是 $0.15，但缓存读取一个收 $0.03、一个收 $0.015，差了整整一倍。DeepSeek 更极端，缓存读取只收 $0.006，仅为自身输入价的百分之二。在重复前缀密集的 Agent 循环里，每一次调用都要把系统提示、工具定义和历史消息重新发一遍，这部分内容只要命中缓存，计价就从输入价换成缓存读取价。真正决定账单落在哪一档的，往往不是输入价，而是这个缓存读取价。
第三，缓存折价率差了一个数量级。 DeepSeek 的缓存读取只有输入价的 2%，GLM 是 20%，MiniMax 是 10%。这决定了它们各自适合什么样的调用结构——命中率高的负载，三家都会变便宜，但便宜的幅度完全不同。
场景 A：每天 1000 次短输入调用
设一个典型负载：每次输入 2 万 token、输出 1500 token、每天 1000 次。折算每天输入 2000 万 token、输出 150 万 token。
| 缓存命中率 | DeepSeek 1017 | GLM 5.3 Flash | MiniMax M3.1 Flash |
|---|---|---|---|
| 0% | $7.80 | $3.75 | $3.90 |
| 70% | $3.68 | $2.07 | $2.01 |
| 90% | $2.51 | $1.59 | $1.47 |
按 70% 命中率、每月 30 天计算，DeepSeek 约 $111，GLM 约 $62，MiniMax 约 $60。一个月差五十美元上下，乘以十个服务、再乘以十二个月，就是预算表上实实在在的一行。
这张表的信息在趋势里。缓存命中率越低，DeepSeek 越吃亏：它的缓存未命中价是另外两家的两倍，但命中价又是全场最低的 $0.006，所以它是一款”要么全命中、要么很贵”的模型。命中率越高，输出价的话语权越大：GLM 的 $0.50 输出价三者最低，即使缓存读取贵一倍，命中率上去之后依然咬得很紧。MiniMax 则随命中率上升反超——0% 命中时它得靠 $0.15 输入价和 $0.60 输出价硬拼，略贵于 GLM；到 70% 时 $0.015 的缓存读取让它登顶，90% 时领先更明显。三者都会随命中率提高而变便宜，但变便宜的斜率完全不同。
场景 B：每天 100 次长上下文调用
换成文档场景：每次输入 15 万 token、输出 3000 token、每天 100 次。日输入 1500 万、输出 30 万。
| 缓存命中率 | DeepSeek 1017 | GLM 5.3 Flash | MiniMax M3.1 Flash |
|---|---|---|---|
| 0% | $4.86 | $2.40 | $2.43 |
| 70% | $1.77 | $1.14 | $1.01 |
| 90% | $0.89 | $0.78 | $0.61 |
长上下文场景下，DeepSeek 与另外两家的差距从场景 A 的 2.1 倍收窄到 1.5 倍左右，70% 命中时是 $1.77 对 $1.14。原因是输出占比下降，输入价的话语权上升，而 DeepSeek 的输入价恰好是三者里最贵的。但结论没变：处理大段新文档时，GLM 和 MiniMax 仍然更便宜。如果这类负载占你业务的一半以上，那么即使 DeepSeek 在编码基准上领先十几分，把它当作唯一口粮也未必划算——账单上的差距是每天都在发生的，基准上的差距只在遇到难题时才兑现。
这两个场景合起来说明一件事：只看单价选模型，误差可能超过一半。真正决定账单的是三个变量，输入输出比例、缓存命中率、以及能否避开峰时。前两个由业务形态决定，短期内改不动；第三个只取决于调度，随时可以改。所以选型的第一步不是比价，而是先把自己的调用结构量出来，平均输入多长、输出多长、有多少前缀可以复用，再拿这组数字去套价格表。
能力：哪些基准能直接比，哪些不能
能勉强对齐的两项
三家的发布材料各报了一批基准，版本和测试框架并不统一。能放在一起看的只有这两组：
| 基准 | DeepSeek 1017 | GLM 5.3 Flash | MiniMax M3.1 Flash |
|---|---|---|---|
| DeepSWE v1.1 | 77.0 | 63.4 | 73.7 |
| Agents’ Last Exam | 35.4 | 26.3（CLI 通过率口径） | 29.6 |
DeepSWE v1.1 考的是真实软件工程任务，DeepSeek 以 77.0 领先第二名 MiniMax 3.3 分、领先 GLM 13.6 分。Agents’ Last Exam 考长时程自主任务，DeepSeek 的 35.4 同样是三者最高——不过 GLM 报的 26.3 是 CLI 通过率口径，与另外两家不同，这一行要打折看。DeepSWE v1.1 这项指标在 DeepSeek 的模型卡上同时列出了与 Kimi K3、GLM-5.3、GPT-5.6 Sol、Opus 5 的横向对照（分别为 67.5、66.9、73.0、74.0），说明 77.0 不只是自家发布的孤立数字，而是在同一张表里被其他厂商的旗舰一同校准过的。
DeepSWE 的领先相对干净，也和它在 Code Arena: WebDev 登顶开源模型第一、超过 Kimi K3（Max）且成本低约 10 倍的结论互相印证。两条独立来源指向同一个方向，比单一榜单可信。
各自报在自家材料里的成绩
这部分横向比意义有限，但能看出各家的强项所在：
- DeepSeek 1017：Terminal-Bench 4.0 得 42.3，HLE 无工具 42.6，Apex Bench v1.1 得 72.1，NL2Repo-Bench 68.2，Automation-Bench v1.0.6 得 60.5。代码与终端操作是明确主场。
- GLM 5.3 Flash：Z.ai Code Bench v1.0 在 max effort 下得 29.0，与 Claude Opus 4.8 的 29.5 基本持平；AutomationBench 48.8；Terminal-Bench 2.1 得 84.3；HLE（带工具、300K 上下文）55.3；文档解析方面 Real5-OmniDocBench 得 90.76。官方称完成一次智能指数任务的成本约 $0.045（折扣价）。
- MiniMax M3.1 Flash：OSWorld V2 得 61.7，官方称它与 Agents’ Last Exam 两项在中国模型中领先；CyberGym 82%；BankerToolBench 76.2。
必须再提醒一次：这三份材料使用不同 harness。DeepSeek 的 DeepSWE 走 Mini-SWE-V2，GLM 的 Agents’ Last Exam 报 CLI 通过率，Terminal-Bench 一个是 4.0 版一个是 2.1 版，分数不能直接相减。把分数当量级参考可以，当排行榜看会误判。
速度与推理控制
速度这一项只有 MiniMax 给了完整数据：输出峰值 200+ TPS，中位（P50）稳定在 170+ TPS，在线推理接近上一代的三倍。DeepSeek 在第三方统计里的输出速度约 182 TPS、首 token 延迟 0.88 秒，属于同一量级但略低。GLM 官方没有公布通用吞吐数字，只提到 FlashX 变体可达 200 tokens/s——注意 FlashX 是另一个型号，不在本文比较范围内。
推理控制上三家思路不同，但都给了旋钮：DeepSeek 可以切非思考/思考模式，GLM 的 effort 分 low/high/max 三档，MiniMax 分 low 到 max 五档且默认拉满。默认拉满意味着”不调就最贵”，这一点在成本敏感场景里值得留意。
三种典型场景，怎么选
场景一：仓库级编码与长时程 Agent
选 DeepSeek V4.1 Flash 1017。
理由不是”它最强”，而是它的强项正好落在编码和 Agent 这两件事上：DeepSWE 77.0、Terminal-Bench 4.0 42.3、Apex Bench 72.1，加上 Code Arena WebDev 开源第一。仓库级改动最怕的是模型改一半、漏一半，基准分差在这里会转化成实际返工率。
用法上有两个开关要打开：前缀缓存（系统提示、工具定义、仓库索引这些固定前缀走缓存，命中价只有 $0.006），以及能挪就挪的谷时批处理。这两件事做完，它和另外两家的价差会小很多。
场景二：文档解析与大批量输出
选 GLM 5.3 Flash。
它在这个场景有三个叠加优势：输出价 $0.50 全场最低；原生支持图像、视频、文件输入，扫描件和图表能直接吃进去；Real5-OmniDocBench 90.76 说明文档解析不是附带能力。1M 上下文配 128K 最大输出，一份几百页的合同或年报可以一次读完再吐结构化结果。
它不擅长的也很明确：缓存读取 $0.03 是三者最贵。如果你要做的是高频 Agent 循环——每步都重发历史——这一项会抵消掉输出价的优势。
场景三：实时链路、高并发与 GUI 自动化
选 MiniMax M3.1 Flash。
延迟敏感的场景里，170+ TPS 的中位输出速度是硬指标，语音、实时客服、交互式 Agent 都吃这一口。OSWorld V2 的 61.7 说明它能操作界面，CyberGym 82% 说明它在漏洞发现这类任务上有专门优化。缓存读取 $0.015 居中，配合高并发下的重复前缀，账单表现会不错。
代价是它目前只有 API 一条路。要做私有化部署或微调，现阶段没得选。
混用真的更省钱吗？算完发现答案反直觉
先给结论：如果只看钱，混用往往不是最优解。 这一点和很多”按任务分流更省钱”的说法相反，值得把账算清楚。
设一个团队的三类负载：编码任务每天 1000 次、单次输入 2 万 token、输出 1500 token；文档任务每天 100 次、单次输入 15 万 token、输出 3000 token；实时任务每天 5000 次、单次输入 8 千 token、输出 500 token。全部按 70% 缓存命中率、DeepSeek 按峰时价计算，月账单（30 天）如下：
| 方案 | 月账单 | 相对最省 |
|---|---|---|
| 全部用 DeepSeek | $367 | +82% |
| 全部用 GLM 5.3 Flash | $213 | +5% |
| 全部用 MiniMax M3.1 Flash | $202 | 基准 |
| 按任务分流（编码 DS、文档 GLM、实时 MM） | $256 | +27% |
这张表推翻了一个常见假设。按任务分流确实比”全部用最贵的 DeepSeek”省 30%，但它同时比”全部用 MiniMax”贵 27%。原因不难找：MiniMax 的输入价只有 DeepSeek 的一半，缓存读取价 $0.015 对 $0.006 也只差 2.5 倍，所以在编码这份负载上，两者的综合单价差距远小于 DeepSWE 77.0 对 73.7 这个分差所暗示的幅度。基准上十几分的领先，折算到账单上并不值 27% 的溢价——除非它能实打实降低你的返工率。
所以混用的正确理由不是省钱，而是用质量换成本。如果 DeepSeek 的编码优势能让你的返工率下降，那多付的 27% 是值得的；如果你的任务用 MiniMax 也能过，那统一用它才最省。这个判断只能由你的返工数据来回答，不能由榜单回答。
那真正的门槛在哪？ 在试错和切换。上面这张表本身就说明了一件事：在选定方案之前，你必须先把自己的三类负载真实测一遍，才知道哪一款最便宜。而这个”测一遍”的动作，恰恰卡在最尴尬的地方——三款模型分属三家供应商，要测就得注册三个账号、充三笔钱、维护三套接入和密钥。更现实的情形是：测试做完，账单分散在三四张发票上，成本核算做不清，团队最后退回”全用一个”的偷懒解。
所以问题不在模型，在接入层。前面所有测算成立的前提，是你能低成本地把三款模型都跑一遍，并且随时能换。这个前提不解决，本文的分析就只是纸面推演。
接口AI 是多模型 API 聚合中转平台，一个账号、一个 API Key、一套 OpenAI 兼容接口，覆盖 200+ 在售模型。它解决的正是上面那个卡点，具体是三件事。
第一件：比价不用开三个后台。 三款模型的输入、缓存读取、输出价在同一张价格表上，DeepSeek V4.1 Flash 报 $0.30/$0.006/$1.20，GLM 5.3 Flash 报 $0.15/$0.03/$0.50，与各自官方峰时价一致。
第二件：换模型只改一个字段。 统一走 OpenAI 兼容协议，model 参数换成对应模型名即可；同时提供 Anthropic 原生端点，Claude Code、Codex CLI 这类工具可以直接接，配置方式见官方文档。缓存读写单独计价，这一点对 Agent 循环是决定性的——前缀缓存能不能生效，直接决定你落在上面账单表的 70% 那一行还是 0% 那一行。
第三件：账单还有第二层折扣。 除按量计费外，平台有带 -r、-dd、-cc、-es 后缀的低价专区渠道，同族模型报价明显低于官方资源（不承诺 SLA，适合实验与非核心链路）；特惠资源包按融合 Token 计费，Lite 档 $15.9 含 2000 万 token、Pro 档 $79.9 含 1 亿、Max 档 $239.9 含 3 亿，约为刊例价的八折。做基准对比、跑 A/B 测试这类”要烧很多但不确定值不值”的活，走这两条比按量付费划算。团队规模更大、需要席位管理和企业开票的，可以看企业订阅包。
要说清楚边界：聚合平台不改变模型能力，DeepSWE 77.0 还是 77.0，OSWorld 61.7 还是 61.7，它也不会让任何一款模型变得更聪明。它改变的是试错成本和切换成本——而这两项，恰恰是”口粮”选型里最容易被低估的部分，也是这张账单表能不能被你真正用起来的前提。
三十分钟自测清单
不用等下一篇评测，用自己业务的数据跑一遍。
- 取真实样本。 从生产日志里挑 20 条最有代表性的请求，覆盖高峰和低谷。别用”写一首诗”这种题，拿你业务里最常出现的那类请求，最好带上真实长度和真实附件。
- 同一套 prompt 跑三款。 在 jiekou.ai 体验中心 Playground 里直接切换模型，省掉注册三家的时间。
- 记三个数。 输入 token、输出 token、缓存命中比例。这三个数决定账单，比任何榜单都准。
- 套公式算日账单。 未命中输入量 × 输入价 + 命中输入量 × 缓存价 + 输出量 × 输出价，再乘日均调用量。
- 检查两个隐藏项。 你的任务能否挪到谷时（DeepSeek 半价）；你的 Agent 循环能不能命中前缀缓存（决定三家的排序）。
- 按结果定方案。 算出来的可能是”统一用最便宜那款”，也可能是”主用一款 + 特定场景补一款”，还可能发现贵的模型带来的返工节省值得多付。三种结果都合理，关键是让数据说话。
常见问题
DeepSeek V4.1 Flash 1017 和 V4.1 Flash 有什么区别？
官方描述为帕累托改进：性能提升的同时缩短运行时间和输出长度，并针对 DeepSeek Harness、Tencent CodeBuddy、WorkBuddy 等工具做了优化。基准上，DeepSWE v1.1 从 74.2 提升到 77.0，Terminal-Bench 4.0 从 31.2 提升到 42.3，Agents’ Last Exam 从 31.8 提升到 35.4。旧版模型名 deepseek-v4-flash 仍可调用，但请求会被路由到 1017 版本并按 Flash 价格计费。
三款模型都是开源的吗？
不完全是。DeepSeek V4.1 Flash 1017 与 GLM 5.3 Flash 均在 Hugging Face 公开、非门控，采用 MIT 许可，权重可下载、可私有化部署、可微调。MiniMax M3.1 Flash 尚未开放权重，官方博客称”将在后续发布”，目前只能通过其 API、M Plan 与 MiniMax Code 使用。如果私有化部署是硬性要求，现阶段只有前两款可选。
缓存命中率对账单影响有多大？
非常大，而且三款受影响的方向不同。以每天 2000 万输入 token、150 万输出 token 的负载测算：缓存命中率从 0% 提升到 90%，DeepSeek 的日成本从 $7.80 降到 $2.51（降 68%），GLM 从 $3.75 降到 $1.59（降 58%），MiniMax 从 $3.90 降到 $1.47（降 62%）。其中 DeepSeek 的缓存读取价只有输入价的 2%，对命中率最敏感；GLM 的缓存读取是输入价的 20%，敏感度最低但输出价最便宜。需要长期稳定前缀的任务，优先打开 Prompt Caching；每次都塞全新长文档的任务，缓存价反而帮不上忙。
为什么说”混用”未必省钱？
因为单价便宜的那个模型，往往在各份负载上都不算贵。用同一组负载测算：三类任务全部用 DeepSeek 月账单 $367，全部用 GLM 是 $213，全部用 MiniMax 是 $202，而按任务分流（编码给 DeepSeek、文档给 GLM、实时给 MiniMax）是 $256。分流比全用 DeepSeek 省 30%，却比全用 MiniMax 贵 27%。所以混用的正当理由是用质量换成本——只有当贵的那款模型能实打实降低返工率时，多付的钱才划算；否则统一用最便宜的那款才是正解。
最后一句话
口粮这件事，贵从来不是因为单价高，而是因为用错了地方。
三款模型的价格差最多 2.4 倍，但用错场景造成的浪费可以到 5 倍以上——把文档流水线交给缓存最贵的那款，把实时链路交给输出最慢的那款，都是这类浪费。先用数据把任务和自己的调用结构量出来，再决定是统一用一款还是按任务分流，比追任何榜单都有效。