蚂蚁百灵开源 Ling-3.1-flash：560B 总参 / 25B 激活、MIT 协议、标称 1M 上下文

10 月 15 日，蚂蚁百灵在官方开发者博客宣布正式开源 Ling-3.1-flash，权重同时上架 Hugging Face（inclusionAI/Ling-3.1-flash）与 ModelScope。Hugging Face 模型页的 License 标注为 MIT，模型标签包含 fp8 与 bailing_hybrid；36氪报道称上架的是 FP8 checkpoint，仓库随附 SGLang、vLLM 部署路径（部署细节为媒体转述，本文未直核仓库 README）。

这不是一次「当天发布、当天开源」。模型本体在 9 月 30 日就已经发布，官方当时的博文写明：免费体验为期两周、期间服务长度为 256K；免费体验期结束并转为付费服务后，计划开放 1M 上下文，届时也计划同步开源。10 月 15 日的开源，是对这句承诺的兑现——对一家同时运营商用 API 的团队来说，这条兑现路径比开源本身更值得记录。

上海证券报·中国证券网同日发布快讯，口径与官方一致：总参数约 560B、每 Token 激活约 25B、最高支持 1M 上下文。IT之家 10 月 16 日早间的报道复述了同一组规格与限时折扣价。多家媒体在同一天给出同一组数字，说明信息源是同一份官方材料，而不是各自独立核实的结果——这一点在引用时应当记住。

本文的证据边界需要先交代：所有规格来自官方博客与 Hugging Face 模型页，性能与价格全部标注来源与口径；百器AI 未实测、未部署权重、未调用 API、未做成本测算。凡是查不到的，本文写「官方未披露」或标注 NEEDS_VERIFICATION，不做推测。

官方给出的结构是：总参数约 560B，每 Token 激活约 25B；模型设 512 个路由专家，每个 Token 从中选择 8 个路由专家，并同时调用 1 个共享专家。36氪补充了两项官方博文正文未写的细节：共 72 层，激活参数约为总参数的二十二分之一。这组比例的设计意图很直白——推理账单跟着激活参数走，能力上限跟着总参数走。（以上为厂商口径，无第三方复现。）

Attention 用的是混合线性架构：按 7 层 KDA 配 1 层 Gated MLA 的方式堆叠，即每 8 层保留 1 层全局 Attention，其余层走线性复杂度路径。这是 Ling 3.0-flash 路线的延续，官方称这一代进一步提高了线性 Attention 层的比例。对长文档、长代码库、多轮任务历史这类负载来说，这类结构的用意是压住长序列带来的计算增长，而不是单纯把窗口数字做大。

上下文是这次最需要打引号的一项。官方口径是「最高支持 1M」，Artificial Analysis 的模型页也标注 Context window 1M、约合 1500 页 A4。但 36氪核对了开源仓库的发布配置：max_position_embeddings 为 262,144，「百万上下文」写在模型卡的目标栏。也就是说，今天在开源权重上能直接验证的是 256K 这一档，1M 属于官方目标值。该条只有一个来源、本文未直核配置文件，标 NEEDS_VERIFICATION。

还有一个容易被忽略的提醒，是官方自己在 9 月 30 日博文里写的：这些结构数据不能直接等同于实际部署成本，吞吐、延迟与资源消耗仍然取决于硬件、推理精度、批量、专家通信、上下文和输出长度。这句话比任何「4 卡可跑」的口号都更值得抄在采购文档第一行。

这次开源最有工程含量的部分是那套混合量化方案。官方口径：对 routed experts 采用 MXFP4 量化，dense 层保持 block-FP8，权重占用从约 534GB 降至 292GB。逻辑不难理解——512 个路由专家占了参数的绝对大头，而 MoE 专家本身稀疏激活、对量化相对不敏感，压到 4-bit 损失可控；dense 层每个 Token 都要过一遍，是全模型的主干道，保守留在 FP8。（厂商口径，无第三方复现。）

在这套量化之上，官方称在对应的 Hopper GPU 测试配置中，服务部署由 8 卡降至 4 卡，让具备服务器级 GPU 的团队以更少卡数运行模型。但官方紧接着补了一句限定：实际需求仍随上下文、并发量和服务配置而变。36氪也把这一点单独拎出来提醒：4 卡是特定测试条件下的数字，不能直接当采购清单。

官方给了两组延迟与吞吐参考，均为厂商口径、无第三方复现。其一是模拟生产请求：平均输入约 25.47K Token、输出约 224 Token、缓存命中率 76%，8 卡 Hopper 下平均首 Token 时间 604 毫秒，相邻输出 Token 平均间隔 3.28 毫秒。其二是容量规划视角：平均输入约 8.5K Token、输出约 800 Token，4 卡 Hopper 下达到约 1.36 QPS，同时满足首 Token 时间 P50 小于 3 秒、相邻输出 Token 间隔 P90 小于 70 毫秒的约束。

工程配套还有两项，指向的是「能不能接进业务」而不是「跑分好不好看」：一是针对长资料处理的长上下文并行推理方案 PCP/DCP；二是工具调用对 JSON Schema 支持的加强，方便与现有业务接口对接。对要做知识库问答、办公助手、代码 Agent 的团队来说，后者的实际权重往往高于榜单名次——接口能不能被稳定调用，经常直接决定项目能不能上线。

官方在 9 月 30 日的发布博文里点名了四个主评测：办公向的 GDPVal-AA V2.1、医疗向的 HealthBench Professional、软件工程向的 FrontierSWE，以及终端操作向的 Terminal-Bench 4.0。但这些结果在原文里是图表图片，正文没有给出逐项数值——本文不从中提取任何分数，相关字段标 NEEDS_VERIFICATION。凡是看到有人引用「某某分 XX%」而没有对应截图来源的，建议直接跳过。

官方真正可读的是三个工程案例，均为厂商口径、无第三方复现。从零实现一个把 Lua 源码编译为 x86-64 ELF 的编译器，约 17 小时持续执行后独立测试 178 项通过、共 182 项（约 97.8%），同文档对比 Claude Fable 5 为 99.0%、GLM-5.3-Flash 为 95.9%。对 Pyright 1.1.400 做性能优化，约 10 小时后在 2279 项基准与回归测试全部通过的条件下达到 1.432 倍加速，对比为 1.502 倍与 1.290 倍。把 C 图像库用 Rust 重实现，约 20 小时、30 项验证全通过、8.015 倍加速，对比为 1.396 倍与 27.310 倍——官方自己也承认，这一项明显落后于对照模型，在极限性能优化上仍有提升空间。

引用这类分数时必须挂一个注：36氪指出，Terminal-Bench 4、SWE-bench Pro 这些成绩是在百灵自家的 LingCode 框架上跑出来的，而 LingCode 基于开源编码智能体 Pi 改造、本身尚未开源。用没开源的考具考出来的分，外部暂时无法复现。这不等于分数有问题，但意味着它只能当作官方声明，不能当作可验证的第三方结论。

目前唯一可交叉验证的能力数据来自第三方评测机构。Artificial Analysis 公开页显示：Ling 3.1 Flash 智能指数 41，在该站 121 个可比模型中排第 7；输出速度 216.9 Token/秒，在 78 个模型中排第 8。同一页也给了两条不太好听的评价：按 3:1 的输入/输出混合价比价，表价为输入 $0.30、输出 $0.90（每百万 Token，缓存折扣 80%），平均每个智能指数任务成本约 $1.00；而且它「非常啰嗦」——评测过程输出了 220M Token，而中位数是 140M。36氪转述的 MindStudio 上手结果更具体：SQL 调优能单点命中最高影响的修复方案、单发 SVG 质量不错、模拟急救医疗问答结构完整；但从 Blender 到 Godot 的长链条 Agent 管线是「能跑完，但游戏是坏的」，低资源语言同样是短板。

价格方面官方给的是限时 2.5 折（厂商口径，无第三方复现，以平台页面实际计费为准）。OpenRouter 以美元计价：输入 $0.075、输出 $0.225、缓存读取 $0.015，原价分别是 $0.30 / $0.90 / $0.06；Ling Studio 以人民币计价：输入 ¥0.5、输出 ¥1.5、缓存读取 ¥0.1，原价分别是 ¥2 / ¥6 / ¥0.4。官方另称混合调用价格约每百万 Token 0.19 美元。折扣截止时间官方没有写死，只说各渠道的优惠时间和实际计费以平台页面为准——做预算时应按「折扣会结束」来算。

生态进度有一部分可以量化：官方按 Hugging Face 公开仓库的下载读数估算，截至 2026 年 10 月 14 日，Ling 3.0 系列官方模型及社区适配仓库的近 30 天滚动下载计数接近 100 万次。这是官方估算而非平台统计口径，但至少说明上一代在本地部署社区里已经跑通——官方列出的例子包括单台 DGX Spark 跑 Ling-3.0-flash、16GB MacBook Air 跑 Ling-3.0-tiny、Galaxy A32 上跑 Tiny GGUF，社区还提供了 Flash/Tiny 的 GGUF、MLX 4bit、NVFP4 等适配。

同一天不止一家在开源。据 36氪，10 月 15 日英伟达开源 Nemotron 3.5 Super VL、阶跃星辰放出 600B 的 Step 5 Preview 权重、蚂蚁开源 Ling-3.1-flash。三家撞在同一天，指向的是同一块阵地：能部署在自有基础设施里的 Agent 执行层。从竞争视角看，计价单位正在从「跑分多少」变成「每卡每天能跑多少活」——这也是为什么权重体积从 534GB 压到 292GB 这种工程细节，实际意义可能大于智能指数多一两分。

选型建议分三档。场景是办公文档、医疗沟通、代码库改造这类「长上下文 + 工具调用」的团队，Ling-3.1-flash 值得进候选池，先用 256K 档跑自有任务集；需要 1M 上下文的，等官方把配置与计费口径写清楚再评估，别把目标值当现货；预算敏感的，注意 $0.30/$0.90 是表价、$0.075/$0.225 是限时折后价，两者混用会算错账。最后一条最重要：以上所有数字都不是你自己场景里的结果。