最近的workbuddy上线的神秘匿名模型 spacebunny你们用了吗？

这款模型的性能主打“快”和“便宜”：

- 限时 0.03x 积分倍率
- 速度很快
- 1M 上下文
- 原生支持文本/图像/视频输入

它擅长写代码、跑脚本、处理长文档、分析截图和视频，适合“多跑几版选一版”的快速迭代任务。

短板也很明显：

- 中文细腻写作不太行
- 前端被不少人吐槽
- 只输出文字、不能画图
- 匿名预览版能力可能波动

上线才三天，就冲上了 OpenRouter 和 OpenCode 双平台调用量日榜第一。

spacebunny到底是什么模型呢？

有人测试了它的“分词器指纹”。
这个原理可以这么理解：
大模型眼里的文字，不是按“字”来读的，而是先切成一个个 Token。
Token 可能是一个词、半个词、一个汉字、一个标点，甚至一个 Emoji 的一部分。
每个厂商在训练模型之前，都会用自己的语料和算法，做一套自己的“词表”和切分规则。
你可以把它想成不同厂商各自准备了一盒“积木”：
同样一句话，A 厂商可能用 10 块积木拼出来，B 厂商可能用 14 块，C 厂商可能用 8 块。

比如“人工智能”可能被切成一个 Token，也可能被切成“人工/智能”两个。
一个 Emoji 可能算 1 个 Token，也可能被拆成 3 个。
代码里的空格、换行、缩进、罕见字符，各家差异更大。
因为 API 是按 Token 计费的，所以响应里会直接返回 prompt_tokens，也就是输入被切成了多少个 Token。
匿名模型可以藏名字、藏供应商，但很难藏住自己计费用的分词器。

测试者就是利用这一点：
设计了 50 组“探针字符串”，覆盖中文、英文、代码、Emoji、空格换行、罕见 Unicode 等。
然后分别发给 spacebunny 和已知模型，只让它补 1 个 Token，再读 API 返回的 prompt_tokens。
为了排除聊天模板、系统提示带来的固定开销，还会用“差分法”：
先发一个固定基准，再发“基准+探针”，两者 Token 数相减，剩下的就是探针本身被切成了多少 Token。
最后把这些数字组成一个向量，去和已知模型的分词器比对。

结果 spacebunny 跟 MiniMax 系列 50/50 完全一致，平均误差 0.00；
跟 Kimi 只有 13/24 匹配；
跟 GLM 只有 7/24。

这种“完全一致”很难是碰巧，所以大家才猜测它来自 MiniMax 家族。
不过要注意，分词器指纹只能证明它用了同一家族或同款分词器，不能直接锤死具体版本。
因为同一家族的不同代模型，很可能共享同一个词表。

所以目前只能说“大概率是 MiniMax 家族”，具体是不是 M3.1 Flash，还需要结合 1M 上下文、三档推理、视觉能力、知识截止时间等更多信号交叉验证。

有用过的朋友来聊聊真实体验吗？
速度香不香，中文写作到底行不行？
你们觉得它到底是哪家？