这个双十一，百灵新模型干起活来不烧心
内容提要
蚂蚁百灵开源Ling-3.1-flash，主打真实工作流任务。模型总参数约560B、激活约25B，采用混合线性注意力与稀疏MoE，支持1M上下文，量化后降低部署门槛。实测可完成电商大促方案、医疗问诊单等任务，办公评测表现有竞争力，输出快、成本低。百灵借此强调“智效比”，推动模型落地金融、医疗等真实场景。
延伸解读
架构设计：如何平衡长任务与算力开销
Ling-3.1-flash采用混合线性注意力与稀疏MoE架构，总参数约560B，每Token激活约25B。其中7层KDA配1层Gated MLA，在保持全局注意力通路的同时降低计算复杂度；512个路由专家中每Token选择8个，并调用1个共享专家。这种设计旨在让模型在长时间执行任务时既不掉链子，也不至于把算力烧穿，适合需要持续处理大量上下文的工作流。
部署门槛：量化与推理优化
为降低部署门槛，团队通过混合精度量化将模型权重占用从约534GB降至292GB，在Hopper测试配置中所需GPU由8卡降至4卡。同时提供长上下文并行推理方案（PCP/DCP），并加强对JSON Schema的支持，便于模型处理长资料和对接现有业务接口。这些优化让中小团队也能以较低成本尝试部署，但具体效果可能因实际硬件环境而异。
实测表现：办公与医疗场景的可用性
在办公任务评测GDPVal-AA V2.1中，Ling-3.1-flash的ELO得分为1673，展现出处理多步骤工作任务的竞争力。医疗场景的HealthBench Professional评测中也保持相对领先。实测中，模型能完成电商大促方案、医疗问诊单等任务，并主动进行一致性检查，标注待核验数据。但需注意，模型在长文本输入时注意力可能跑偏，建议逐步交付任务，且当前版本尚不具备原生视觉理解，需前置视觉模型处理。
行业定位：从算效比到智效比
百灵强调“智效比”，将模型计算效率、参数效率、Token效率结合，推动模型在金融、医疗等真实场景落地。Ling-3.1-flash智能指数41，输出速度约每秒210 Token，混合调用价格约每百万Token 0.19美元，为高频业务场景提供了兼顾智能、效率与成本的选择。百灵负责人西亭认为Coding并非唯一考场，行业风向正转向真实工作流，但路线之争远未结束。
Q&A
Ling-3.1-flash 是什么？它主要想解决什么问题？
Ling-3.1-flash 是蚂蚁百灵开源推出的高智效比专业模型，主打真实工作流任务，旨在把真实工作流里的活干完，而不仅仅是答得漂亮。
Ling-3.1-flash 的架构和参数配置是怎样的？
模型总参数约560B，每个Token激活约25B。采用混合线性注意力与稀疏MoE：7层KDA配1层Gated MLA，设置512个路由专家，每个Token选择其中8个并调用1个共享专家。支持1M上下文窗口。
Ling-3.1-flash 在部署和成本方面有哪些优化？
通过混合精度量化，模型权重占用从约534GB降至292GB，部署所需GPU由8卡降至4卡。同时提供长上下文并行推理方案（PCP/DCP），并加强对JSON Schema的支持。据Artificial Analysis评测，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。
Ling-3.1-flash 在办公和医疗等真实场景中表现如何？
在办公任务评测GDPVal-AA V2.1中ELO得分为1673，智能指数41。医疗场景HealthBench Professional评测中保持相对领先。实测可完成电商大促方案、医疗问诊单等任务，在长时Lua编译器开发任务中独立测试通过率97.8%。
Ling-3.1-flash 有哪些已知的局限或使用注意事项？
存在一些小Bug：塞入大段长文本时注意力有时会跑偏，建议逐步交付任务；一句话生成存在适应边界，效果不佳时需重新明确思路；当前版本尚不具备原生视觉理解，需前置视觉模型处理，增加成本。
百灵提出“智效比”是什么概念？行业对此有何反应？
百灵将模型计算效率、参数效率、Token效率绑在一起谈，强调“智效比”。该说法得到行业响应，Anthropic、OpenAI近半年也陆续推出面向金融、医疗的专业能力，如Claude for Financial Advisors。
