DeepSeek V4.1 与 MiniMax M3.1 接入 Claude Code：字流真实代码测出谁更省钱

前天下午，我把自研产品「字流」仓库里一道修过的多平台分发接口 Bug 拎了出来。

在本地终端切好代理后，我把刚上线、前后脚相差 48 小时的 DeepSeek V4.1 Flash-1017 和 MiniMax M3.1 Flash 接进了我的 Claude Code 工作流。

我全年在各类 AI 工具上的订阅与 API 成本大概是 1.7 万元人民币。

「字流」这个项目一年内累计提交了 192 次代码，收件箱里采纳了超 1300 条评论和私信。

对全职跑一人公司的开发者来说，我觉得官方海报上的基准跑分根本当不了饭吃。

只有把模型拉进真实业务代码库，跑一遍 200+ TPS 吞吐下的代码修复准确率和真实 Token 账单，我才能算出哪个模型真能帮我省钱。

先把结论和步骤摆在前面。

这篇内容就解决一个具体问题，在高并发、长上下文的 AI 编程工具链里，怎么低成本平替昂贵的海外旗舰模型。

如果你也在用 Claude Code 或 Codex 写业务代码，看完这篇实战记录就够了。

你今天就能把这两款支持 100 万上下文的国产 Flash 模型接进本地环境，顺手拿到一套按时段和缓存命中率动态切换的省钱策略。

说到这个，为什么要在这个时间点花精力测这两个模型？

2026 年 10 月 17 日，DeepSeek 发布了新检查点 DeepSeek V4.1 Flash-1017（旧版于 9 月 10 日上线）。

仅仅隔了 48 小时，MiniMax 在 10 月 19 日正式发布了 M3.1 Flash。

它就是此前在社区匿名测试、处理过超 200 万亿 token 的神秘模型「Space Bunny」。

这两款国产 Flash 双子星同时把上下文窗口推到了 100 万 token，还都主打 200+ TPS 的极速吞吐。

在一人公司的日常交付里，我写代码的主力环境是 Codex 搭配 Claude Code。

Claude Code 这种 Agent 形态的编程工具，极其依赖长上下文读取和频繁的文件扫描。

每一次让它排查跨文件 Bug，后台都在疯狂燃烧输入 Token。

很多开发者觉得 API 单价降几毛钱无所谓，依我看，那是因为还没有进入到高频自动化构建的阶段。

我猜看这篇文章的你，可能正坐在某个城市的书房或十几平米的出租屋里。

深夜对着屏幕调试准备出海的独立站点，月底打开账单，你突然发现光 API 调用就吃掉了几百美金利润。

你想想看，在一人公司的商业闭环里，省下来的每一分 Token 成本，都是实打实的净利润和安全边际。

怎么把国产双子星接进 Claude Code#

这是我自己摸索出来的接入测试流程。

它不一定适合所有复杂的团队架构，但对独立开发者足够轻便。

要测试这两个模型在 Claude Code 里的表现，我觉得第一步不是看文档，而是先把路由和计费口径对齐，确保每次调用的上下文环境完全一致。

我日常的 AI Agent 架构，是在远程 Linux 服务器上部署 Hermes，本地通过 Windows 环境进行协同调度。

为了不污染「字流」（ziliu.online）的生产分支，我专门从历史记录里切出了一个包含真实接口超时与状态码异常的 Git Commit，作为这次调查实验的靶场。

在架构底层，这两款模型的路线完全不同。

OrcaRouter 10 月 20 日整理的参数里写着，DeepSeek V4.1 Flash-1017 是 MIT 许可的开放权重稀疏 MoE 模型，总参数高达 5520 亿（552B）。

但在推理时，它输入仅激活 8B 参数，输出激活 16B 参数。

而 MiniMax M3.1 Flash 走的是闭源、始终思考型模型的路子。

要在本地 Claude Code 里无缝切换这两款非 Anthropic 原生模型，怎么弄呢？

我们需要在本地或远程服务器上起一个兼容 Anthropic Messages API 格式的轻量级转发层，把请求分别路由到 DeepSeek 和 MiniMax 的官方端点。

从我这次的实践来看，你可以直接在终端里通过环境变量覆盖基础地址和密钥来跑通测试。

# 准备测试分支（以字流真实历史 Commit 为例）
git checkout -b benchmark-flash-models a7f3d92

# 终端会话 A：挂载 DeepSeek V4.1 Flash-1017 转发通道
export ANTHROPIC_BASE_URL="http://127.0.0.1:4000/deepseek-v4-1-flash-1017"
export ANTHROPIC_API_KEY="sk-ds-your-local-proxy-key"
claude "排查 src/api/distribute.ts 中多平台并发分发时的状态锁死问题，给出修复补丁并通过单测"

# 终端会话 B：重置环境并挂载 MiniMax M3.1 Flash 通道
git reset --hard a7f3d92
export ANTHROPIC_BASE_URL="http://127.0.0.1:4000/minimax-m3-1-flash"
export ANTHROPIC_API_KEY="sk-mm-your-local-proxy-key"
claude "排查 src/api/distribute.ts 中多平台并发分发时的状态锁死问题，给出修复补丁并通过单测"

怎么验收？

在设定评测流程时，我为这次实验圈定了三个排他的验收状态标签。

每个状态都有严格的准入准出标准，我绝不容许靠主观感觉打分。

第一个状态是「S0_环境就绪」。

它的准入标准是本地 Git 工作区干净且处于目标异常 Commit，准出标准是代理层连通性测试返回 200 且缓存池已清空。

第二个状态是「S1_补丁生成」。

准入标准是向 Claude Code 输入完全相同的 46 字自然语言指令，准出标准是模型自主完成文件检索、修改代码并主动停止输出。

第三个状态是「S2_交付验收」。

准入标准是代码无语法报错，准出标准是直接运行项目现有的单元测试套件全部绿灯通过，且不能破坏原有的业务逻辑。

200+ TPS 吞吐下，谁能把代码改对#

命令敲下去之后，我第一个直观的冲击就是快。

以前用常规大模型跑 Claude Code，看着终端里一行行慢慢蹦阅读文件的提示，中间还能顺手喝口水。

换上这两个 Flash 模型后，屏幕上的工具调用日志几乎是刷的一下就滚过去了。

这种体感是有硬数据支撑的。

MiniMax 10 月 19 日官方放出的数据里说，M3.1 Flash 的日常输出速度达到 200+ TPS，中位数（P50）稳定在 170+ TPS。

这相比上一代 M3 的 100+ TPS 提升了近一倍，在线推理速度约为前代的 3 倍。

而独立评测机构 Artificial Analysis 在 10 月 20 日测出来的数据里写着，DeepSeek V4.1 Flash-1017 的运行速度更是达到了 222 token/s。

但说实话，吞吐速度达到 200+ TPS 不等于交付效率翻倍。

在 AI 编程工作流里，我觉得做模型选型要看每秒蹦多少个字，但我更在意的是它能不能一次性把代码改对。

你想想看，如果一个模型每秒能吐 200 个 Token，却带着你在错误的文件目录里兜圈子，那它只是一个高速运转的钞票粉碎机。

在实际跑「字流」这道多平台分发接口修复题时，两个模型的性格差异立刻暴露了出来。

先说客观的第三方基准表现。

注意，以下评测得分均来自外部机构在特定数据集上的测试，与我们本地具体业务代码的修复率存在边界差异，不能直接画等号。

OrcaRouter 10 月 21 日那份对比报告里提到，在衡量软件工程能力的 DeepSWE v1.1（基于 Mini-SWE-V2 框架）基准上，DeepSeek V4.1 Flash-1017 拿到了 77.0% 的成绩（其 9 月旧版为 74.2%）。

这领先于 MiniMax M3.1 Flash 的 73.7%。

在 Agents' Last Exam 测试中，DeepSeek 1017 拿到 35.4 分（旧版 31.8 分），同样高于 MiniMax 的 29.6 分（该项测试耗时成本为 739 元）。

不过，MiniMax 在自动化和特定工具调用上展示了另一面。

同一份报告里说，MiniMax M3.1 Flash 在 Automation-Bench v1.0.6 上拿到了 62.2 分，反超了 DeepSeek 1017 的 60.5 分。

它在 SWE Refore Bench 上拿到 23.0 分，是 DeepSeek 的两倍以上。

在 HLE w/o tools 上，它拿到 43.4 分，略高于 DeepSeek 1017 的 42.6 分，同时在 BankerToolBench 得 76.2 分，CyberGym 得 82.2%。

好，拉回主线，回到我本地的 Claude Code 终端里。

为什么我觉得 DeepSeek V4.1 Flash-1017 在修「字流」接口时更让我省心？

因为我踩到了一个很多开发者容易忽视的暗坑，那就是模型的幻觉率与过度自信。

在排查分发接口的异步锁问题时，MiniMax M3.1 Flash 由于是「始终思考型」模型，反应极快。

但说实话我没想到，它第一次给出的补丁，直接调用了一个我当前项目版本里根本不存在的内部辅助函数。

我当时愣了一下，去查了独立测试报告才明白原因。

OrcaRouter 与 Shattered.io 在 10 月 20 日至 21 日放出的独立测试里聊到，MiniMax 引以为傲的 BankerToolBench（76.2 分），其实是在 OpenCode 1.1718 框架下，由它自家的旧模型 MiniMax-M2.7 当裁判评出来的自评基准。

更关键的是，Shattered.io 那篇独立测试里说，MiniMax M3.1 Flash 在衡量「给出自信错误回答而非承认不知」的基准测试中，存在高达 93% 的幻觉率。

打个比方，假设你要让 AI 帮你重构出海项目的 Stripe 回调验签逻辑。

如果模型不知道某个冷门 SDK 参数的用法，安全的做法是停下来报错，或者先用 grep 工具去翻你的 node_modules 源码。

而高达 93% 的幻觉率倾向意味着什么？

它会极其自信地给你编造一个看似合理的验签方法，一旦你没仔细看单测就合入主干，线上收款直接就会瘫痪。

在 Claude Code 这种高度自治的工作流里，模型一旦产生幻觉，紧接着就会引发一连串的连锁反应。

是终端里瞬间飘红的 TypeScript 编译报错。

是 Agent 为了圆上一个谎言而强行修改另外三个正常文件的接口定义。

是上下文窗口里的无效日志像滚雪球一样膨胀到几十万 Token。

是开发者坐在屏幕前不得不按下 Ctrl+C 手动回滚代码的烦躁与时间消耗。

相比之下，我觉得 DeepSeek V4.1 Flash-1017 在这道接口修复题上表现得更加克制。

它在 222 token/s 的高吞吐下，老老实实先读取了上下文里的类型定义文件，定位到状态锁死的原因，顺利走到了「S2_交付验收」状态。【待补，本地终端运行两个模型修复字流接口的耗时与修改行数对比截图】

扒开 Token 账单：它到底省在哪#

代码能修好只是及格线，接下来我们来算最核心的经济账。

很多技术人喜欢看模型发布的每百万 Token 标价，觉得谁标价低谁就便宜。

在我看来，这其实是一个典型的认知误区。

标价低不等于账单低。

做一人公司的技术架构，看单次 API 挂牌价只是第一步，我更在意的是工作流的调用时段与缓存命中率，这才是真正拉开差距的地方。

我们先看一下 Artificial Analysis 在 10 月 20 日给出的宏观独立基准数据。

在智能指数得分上，MiniMax M3.1 Flash 拿到 42 分（前代为 29 分），其单任务平均完成成本从前代的约 $0.51 大幅降至 $0.22。

而 DeepSeek V4.1 Flash-1017 的智能指数得分为 45 分（9 月 10 日旧版为 39 分），单任务平均完成成本为 $0.26。

看到这里你可能会问，既然 MiniMax 单任务只要 $0.22，比 DeepSeek 的 $0.26 便宜，那直接无脑选 MiniMax 不就行了吗？

那问题来了，为什么把账单切换到人民币计费并放进 Claude Code 的重度缓存场景里，结论会完全反转？

我们把两家在 2026 年 10 月 19 日至 20 日公布的最新官方价格表摊开来对比。

在美元定价体系下（每百万 Token），MiniMax M3.1 Flash 是输入 $0.15、输出 $0.60（按 1 比 4 算综合费率 $0.75）。

这与 DeepSeek V4.1 Flash-1017 的闲时美元价格完全一模一样。

但 DeepSeek 在高峰时段美元价格会翻倍，变成输入 $0.30、输出 $1.20，不过它给了一个高达 98% 的缓存折扣。

再看国内开发者最常用的人民币定价（每百万 Token）。

MiniMax M3.1 Flash 采取的是极其简单粗暴的「全天统一一口价」，输入 1 元，输出 4 元，缓存读取 0.1 元。

而 DeepSeek V4.1 Flash-1017 玩的是「闲忙时分时计价 + 激进缓存折扣」。

闲时输入（未命中）1.0 元、缓存命中仅收 0.02 元、输出 4.0 元。

到了高峰时段，输入（未命中）涨到 2.0 元、缓存命中 0.04 元、输出涨到 8.0 元。

为什么缓存读取的价格差这几分钱，在 Claude Code 里会放大成巨大的成本鸿沟？

因为 Claude Code 的工作机制，是把你整个项目的文件树、系统提示词和历史对话全部塞进上下文里。

每一轮对话微调代码时，前面 90% 以上的输入 Token 都是完全重复的。

36 氪在 10 月 20 日那篇报道里算过一笔重度缓存场景账单，假设你的业务或高频编码工作流累计消耗了 10 亿输入 Token。

当你的上下文缓存命中率在 90% 时，MiniMax M3.1 Flash 的输入总费用是 190 元。

而如果你全部在白天的高峰时段调用 DeepSeek V4.1 Flash-1017，输入费用是 236 元，这时候 MiniMax 确实能帮你省下 46 元。

但重点来了。

在 Claude Code 这种连续修改同一个项目文件的长会话里，我觉得上下文缓存命中率往往能轻松推高到 95% 甚至更高。

同样按 10 亿输入 Token 计算，当缓存命中率升至 95% 时，MiniMax M3.1 Flash 的费用是 145 元。

而哪怕是在价格翻倍的高峰时段，DeepSeek V4.1 Flash-1017 凭借 0.04 元的极低缓存价，费用也直接降到了 138 元，两者基本打平甚至反超。

如果是在闲时时段跑批处理或夜间写代码，DeepSeek 0.02 元的缓存价更是直接把成本压到了地板上。

聊完具体的代码测试和 Token 账单，收尾之前，我想起经济学里著名的「杰文斯悖论」。

当年蒸汽机改进了煤炭的燃烧效率，经济学家原本以为全社会的煤炭消耗量会下降。

结果恰恰相反，因为单次动力成本大幅降低，人们把蒸汽机塞进了各行各业，煤炭的总消耗量反而暴增。

今天的 AI 编程正在重演一模一样的历史。

就像安德烈·卡帕西说的，「最热门的新编程语言是英语。（The hottest new programming language is English.）」

当国产 Flash 双子星把 100 万上下文的吞吐推到 200+ TPS、把输入价格压到一块钱甚至几分钱的时候，怎么说呢，我们写的自然语言指令其实变多了，全自动 Agent 在后台跑的轮次也变多了。

在消耗总量注定膨胀的前提下，谁能用更精细的架构管住单次调用的幻觉和缓存成本，谁就能在一人公司的长跑里活得更滋润。

之前我一个人协同多个 AI，在 3 个月内完成了 27 万行代码和近 3000 次提交，把海外产品 Kirkify 和新项目 ShipSite 一步步跑通。

这些实战经历让我深刻体会到，工具链的克制与算账，是独立开发者最重要的护城河。

回到刚才那个选型问题，针对这次 DeepSeek V4.1 Flash-1017 与 MiniMax M3.1 Flash 的对比实验，我给出一个不和稀泥的明确结论与边界条件，供你直接抄作业。

哪些场景我推荐主力用 DeepSeek V4.1 Flash-1017？

第一，你在用 Claude Code 或类似工具维护像「字流」这样已经有上百次提交、逻辑耦合度高的存量代码库，对代码准确率和零幻觉有硬性要求（DeepSWE 77.0% 得分与 MIT 开放权重架构更稳）。

第二，你的工作流上下文极长，缓存命中率经常维持在 95% 以上，或者你习惯在夜间闲时时段集中写代码、跑自动化测试脚本。

那它 0.02 元/百万 Token 的闲时缓存价，是我觉得目前极具性价比的选择。

那哪些场景适合切到 MiniMax M3.1 Flash 呢？

第一，你的团队主要在白天高峰时段高频调用 API，且任务大多是短平快的独立脚本生成、自动化办公流（Automation-Bench 62.2 分表现亮眼）。

如果上下文缓存命中率低于 90%，此时它全天 1 元输入、4 元输出的一口价能帮你避开高峰期溢价。

第二，你的业务容错率较高，或者你在外层已经写好了极其严格的 Schema 校验与单元测试拦截网，能够兜住它那 93% 的自信幻觉率风险。

我已经毫无保留地把这套算账逻辑测出来了，有用你就直接拿走。

回到开头我们在本地终端里跑的那道「字流」接口修复题。

真正决定你月底账单厚度的，从来不是厂商发布会上那张漂亮的 PPT，而是你每天敲下回车键之前，对底层路由规则的那一次清醒配置。

下一阶段，我依然会专注在「ShipSolo AI 编程出海领航计划」的实战打磨与海外产品的合规交付上，帮大家把编程工作流和 Stripe、PayPal 收付款的坑一个个填平。

你今天看完这篇文章后可以立刻做的一个动作，就是打开你本地的终端或 API 后台，拉出过去 7 天你在 Claude Code 里的调用日志。

你去算一下你的平均缓存命中率到底有没有超过 95%，并在评论区聊聊你目前主力在用哪个模型写业务代码。

我是孟健。连载在公众号「孟健AI编程」，掘金和知乎的专栏都叫「AI编程实战」。

这篇是免费笔记。要按你的项目往下做，看领航计划。