MiniMax M3.1 Flash比較：自動化62.8でも幻覚率93%の実力

業務自動化では首位、コーディングでは劣る「偏った安さ」

2026年10月19日、中国・上海のMiniMaxがMiniMax M3.1 Flashを公開した。価格は入力$0.15／出力$0.60／キャッシュ入力$0.015（各100万トークンあたり）で、前世代M3のちょうど半額。数字だけを見ると「半額で性能は上」だが、独立系評価機関Artificial Analysisの測定では、間違えても「わからない」と言わずに答えてしまう挙動が数値で出ている。安さで選ぶ前に、どこで使ってよいモデルなのかを整理する。

スペックと価格

パラメータは428B総／約23BアクティブのMoE、コンテキストは最大100万トークン。入力はテキスト・画像・動画（出力はテキスト）、速度は公称200TPS超
推論の深さは常時オンでオフにできない（M3では切替可能だった）

価格はM3の入力$0.30／出力$1.20からちょうど半額。MiniMaxは「エージェント用途の実利用コストは前世代比70%減」と説明する。

興味深いのは、「Space Bunny」という匿名名義で200兆トークン以上を処理させていたモデルの正体が、このM3.1 Flashの初期版だったと明かした点だ。

ベンダー公表値：自動化でトップ、コーディングでDeepSeekに劣る

MiniMax公表のスコアは次の通り。比較対象の数値も自社計測なので「ベンダーの主張」として読む。

Automation-Bench v1.0.6（SaaS横断の業務ワークフロー）：62.8（DeepSeek V4.1 Flash-1017は60.5、Claude Opus 5は50.3）
BankerToolBench（金融の多段ツール連携）：76.2（Claude Opus 5と同点）
DeepSWE v1.1（実務コーディング）：73.7（DeepSeek V4.1 Flash-1017は77.0、Opus 5は74.0）
Terminal-Bench 4.0（CLI操作）：38.1（Opus 5は51.8）
NL2Repo-Bench（仕様書からリポジトリ生成）：61.2（Opus 5は75.3）
OSWorld 2.0（PC操作）：61.7／Agents' Last Exam：29.6／CyberGym：82.2

読むべきは方向の違いだ。営業・経理・CS・人事のような「決まった画面を決まった順に触る」業務では最上位に並ぶ一方、コードを書く・ターミナルで試行錯誤する領域では、同価格帯のDeepSeekに明確に負け、Terminal-BenchではOpus 5に13.7ポイント差をつけられている。

MiniMax自身のチャートでも、推論を浅くするとAutomation-Benchがmax 62.8 → medium 57.7 → low 52.8と落ちる。安く使うためにeffortを下げると、売りである自動化性能から先に削られる。

独立系の測定：Intelligence Index 42、タスク単価$0.22

Artificial Analysisの測定はもっと辛口だ。

Intelligence Index：42（前世代M3は29で+13ポイント）
タスクあたり評価コスト：約$0.22（M3は$0.51で約57%減。MiniMaxの「70%減」より小さい）
Humanity's Last Exam：48%（M3の39%から上昇、GLM-5.3 Flashの40%、DeepSeek V4.1 Flash-1017の43%を上回る）
近い競合：GLM-5.3 Flashが42（約$0.28/タスク）、DeepSeek V4.1 Flash-1017が45（約$0.26）、Gemini 3.8 Flashが41（約$1.24）
Index評価での総出力トークン：約1億8,900万（GLM-5.3 Flashは約3億2,400万、Gemini 3.8 Flashは約3億3,400万）

単価が安い理由は価格表だけではない。同じタスクをより少ない出力トークンで済ませている点が効いており、推論トークンも課金対象である以上、この差は単価表に出ない実コスト差になる。

93%という数字の読み方

いちばん注意が必要なのがここだ。Artificial AnalysisのAA-Omniscience（事実知識と幻覚を測るベンチ）で、M3.1 Flashは正答率56%を記録。DeepSeek V4.1 Flash-1017が43%、GLM-5.3 Flashが28%なので、知識の当たり率は3モデル中で最良だ。

しかし同モデルはほぼすべての問題に回答を試み、幻覚率93%と評価された。結果、AA-Omniscienceの総合スコアは16に留まる。

この93%は「回答の93%が間違い」ではない。不正解だった問題のうち、大部分が「わからない」と言う代わりに、もっともらしい誤答を作って出した割合だ。知識の量は十分あるのに、自分の限界を申告しないという性質を数値化したものになる。

定型の画面操作では問題になりにくいが、顧客情報の要約や財務文書の読み取りのように正誤がそのまま業務判断に流れ込む用途では、自信満々の誤答が最も高くつく。

なお幻覚の定義はベンチごとに大きく異なる。幻覚特化型のベンチでは7.5%という測定もあり、93%と7.5%は同じ現象を別の物差しで測った値だ。「何を分母にした数字か」を確認したい。

使ってよい場面・避けるべき場面

向いている用途：SaaSをまたぐ定型業務の自動化（CRM更新、チケット振り分け、レポート下書き）、金融系のツール連携、大量呼び出しのバッチ処理、100万トークンの長文分析（LOCA-Bench 256Kで60.3とトップ）。 避けるべき用途：ターミナル越しの試行錯誤を伴うコーディング、仕様書からのリポジトリ一括生成、人の確認を経ない知識系タスク、effortを下げてまで原価を絞る運用。

導入時のチェックリスト

自分のタスクで測る。公表値はハーネスも実行環境も揃っていない。DeepSWEひとつとってもMiniMax側とDeepSeek側で条件が違う。自社の10〜20タスクで正答率と単価の両方を測る。

「わからない」と言わせる設計にする。不確実な場合は棄権させ、根拠の引用を必須にする。

effortを下げすぎない。原価を下げたいなら、effortを落とすよりキャッシュ入力（$0.015）を効かせる。

重みとライセンスを確認する。公開時点では重み・ライセンス条件とも未公開だった。

用途ごとにモデルを混ぜる。自動化はM3.1 Flash、コーディングと最終判断はOpus 5系、という分担が現実的だ。

まとめ

MiniMax M3.1 Flashは「業務自動化に特化して振り切った安価モデル」と位置づけるのが正しい。価格性能比は確かに強いが、万能の安さではなく、Automation-BenchとBankerToolBenchに代表される定型ワークフローに最適化した結果だ。コーディングと端末操作では同価格帯のDeepSeekに負け、知識系では「間違えても認めない」癖が独立系の測定で出ている。

安さで選び、用途で絞る。この順番を守れるチームにとっては、エージェントの原価を半分以下にできる現実的な選択肢になる。