蚂蚁百灵开源Ling-3.1-flash，主打真实工作流任务执行
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载跨环境办公任务执行
Ling-3.1-flash 定位于完成真实工作流中的任务，能够在网页、文档、表格和代码环境之间切换操作。它可以直接制作 Excel 表格和 PPT 演示文稿，也能生成代码并对其进行测试。这一能力已落地到蚂蚁内部的桌面协同 Agent 客户端小虎中，意味着该模型并非停留在演示阶段，而是进入了实际办公协作场景。对于需要跨多个软件界面完成连续操作的用户来说，模型不再只是回答问题，而是尝试把任务从头到尾做完。
稀疏架构与长上下文
该模型总参数约 560B，但每个 Token 仅激活约 25B，属于典型的稀疏激活设计。它延续了 Ling-3.0-flash 的架构思路，并提高了线性 Attention 的比例，采用 7 层 KDA 搭配 1 层 Gated MLA 的注意力组合。路由方面设置 512 个专家，每个 Token 选择其中 8 个，同时调用 1 个共享专家。上下文窗口上限可达 1M，并配套提供长上下文并行推理方案 PCP 与 DCP，同时加强了对 JSON Schema 的支持。这些设计共同指向一个目标：在保持较大参数容量的同时，控制实际计算开销，并支撑超长输入下的稳定推理。
量化降本与部署门槛
混合精度量化让权重占用从约 534GB 降到 292GB，在对应的 Hopper 测试配置中，部署所需 GPU 由 8 卡减少到 4 卡。这一变化直接降低了硬件门槛，使原本需要更大集群才能承载的模型，可以在更小的设备组合上运行。对于考虑私有化部署或控制推理成本的团队而言，显存占用减半和卡数减半是比参数规模更实际的参考指标。
评测表现与调用成本
在办公任务评测 GDPVal-AA V2.1 中，Ling-3.1-flash 的 ELO 得分为 1673；Artificial Analysis 评测给出的智能指数为 41，输出速度约每秒 210 Token。混合调用价格约为每百万 Token 0.19 美元。这些数字分别对应任务完成质量、综合能力、生成效率和费用四个维度，方便读者在选型时与已有方案横向对照。需要留意的是，评测分数和速度会随具体配置与调用方式变化，实际表现仍需结合自身工作流验证。
为什么值得看
开源模型把长上下文、低成本与办公Agent落地绑在一起，选型者可直接对照参数、价格与评测数据判断是否适配。
信源1 家
关键事实
Ling-3.1-flash由蚂蚁百灵开源推出，定位高智效比专业模型，主打完成真实工作流任务[1]
模型约560B总参数，每Token激活约25B，采用7层KDA配1层Gated MLA，设置512个路由专家、每Token选8个加1个共享专家[1]
上下文窗口上限1M，混合精度量化后权重占用从约534GB降至292GB，Hopper测试配置下部署GPU由8卡降至4卡[1]
办公任务评测GDPVal-AA V2.1中ELO为1673，Artificial Analysis智能指数41，输出约每秒210 Token，混合调用价格约每百万Token 0.19美元[1]
模型已被接入蚂蚁内部桌面协同Agent客户端「小虎」[1]
相关 · 模型
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。