这个双十一，百灵新模型干起活来不烧心

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400"> 这个双十一，百灵新模型干起活来不烧心 鹭羽 2026-10-15 15:35:24 来源： 量子位 鹭羽 发自 凹非寺 量子位 | 公众号 QbitAI Word天！又到了一年一度的双十一。。。 在电商打工的同学们，are you ok？我朋友已经崩不住了，天天都在消息轰炸我： 有没有好用的 AI打工神器 求推荐？急急急，最好是活干得好又能干很久的那种。 你别说，我最近还真挖到了个宝藏。 蚂蚁百灵新开源推出的 Ling-3.1-flash ，我平时的工作周报、选题总结都靠它包圆。 u1s1，Claude Code、Codex这些也都用过，最后发现还得是国产模型更得我心。 尤其是 百灵 ，平时不显山露水的，不卷参数也不卷榜单，但真到干活时，那是相当靠谱。 按照官方的说法，这个模型就主打一件事： 把真实工作流里的活干完。 就拿开头的电商报告来说，老板一句 「把这次大促的情况整理出来」 ，落到打工人头上，就是找资料、核数据、追进度，再做成Excel和汇报PPT…… 一项业务的背后往往要多环节通力合作，更麻烦的是，数据还零散藏在不同文件、不同工具里。 图片源自百灵官微 Ling-3.1-flash就是基于这类真实需求衍生出来的 高智效比 专业模型。 说白了，它想证明的是，答得漂亮还只是其次，任务交得出去才是关键。 为真实世界任务而造 要接住大促分析这样琐碎的活，模型得在多个流程之间持续推进。Ling-3.1-flash模型的设计，可以顺着这条任务链来理解。 模型需要解决的第一个问题，是 把交付目标拆解清楚 。 用户可能只给模糊的一句指令，实际需要交付的却是一整套汇报材料，模型得自己找出相关资料，判断缺什么、需要什么，再根据中间结果继续往前走。 Ling-3.1-flash 工作时正是如此。 它将需求理解、任务拆解、信息整合、工具调用和结果检查连接起来，可以跨网页、文档、表格和代码环境开展工作。 文能制作Excel、PPT，武也能生成和测试代码。 而且！这套能力已经有了相当具体的 落地形态 。 Ling-3.1-flash已经被接进了蚂蚁内部的桌面协同Agent客户端 「小虎」 ，模型指挥行动，执行环境则要让它真正读到文件、运行程序和写入结果。 这倒是个值得借鉴的思路，咱虽然还用不上小虎，但咱自有的 办公Agent ，加上Ling-3.1-flash组合拳，想来效果应该也不错。 等任务持续推进后，资料和历史上下文将出现明显膨胀，计算开销也会随之增加。 这时Ling-3.1-flash的 混合架构设计 就起到了关键作用。 模型拥有约560B总参数，每个Token激活约 25B 。在保留知识容量的前提下，Ling-3.1-flash把单步真正参与计算的权重规模给压了下来。 注意力结构上，它延续了Ling-3.0-flash的架构，并进一步提高了 线性Attention 的比例。 其采用7层KDA配1层Gated MLA的方式，KDA负责线性时间复杂度的序列处理，每8层保留1层Gated MLA，维持全局注意力通路。 模型上下文窗口上限可达 1M ，能一次性容纳更多文档、代码和历史任务，减少人工切分和反复搬运信息的功夫。 同时模型设置512个路由专家，每个Token选择其中8个，并同时调用1个共享专家。 这种 混合线性加稀疏MoE 的路子，目的只有一个：让模型在长时间执行里不掉链子，也不至于把算力烧穿。 此外，团队也在积极降低部署门槛，通过混合精度量化，模型权重占用从约 534GB降至292GB ，在对应的Hopper测试配置中，部署所需GPU由 8卡降至4卡 。 面向具体业务，团队还提供长上下文并行推理方案（PCP/DCP），并加强对 JSON Schema 的支持，让模型更方便地处理长资料、对接现有业务接口。 架构之外，是骡子是马，还得交给真实评测中跑一通。 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。 图片源自百灵官微 同时，据 Artificial Analysis 最新公开评测，Ling-3.1-flash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，为高频业务场景提供了兼顾智能水平、生成效率与调用成本的选择。 医疗场景 下的HealthBench Professional评测中，Ling-3.1-flash也同样保持相对领先。 图片源自百灵官微 此外，软件开发、终端操作等场景下，Ling-3.1-flash也均具备一定的信息理解与执行能力。 以蚂蚁内部进行的一项长时的Lua原生编译器开发任务为例，整个过程持续约17小时，期间模型反复开发和修正，最终独立测试的通过率为 97.8% 。 所以在办公Agent选型时，Ling-3.1-flash面面俱到且专业不出错，成为其优先试配的理由。 实测Ling-3.1-flash见真章 为了测试它干活到底有多 「真」 ，咱们实测走起～ 这第一道题，先来个 双十一电商任务 试试水。 假设你是家居收纳品牌Ling的电商负责人，根据资料，你需要向老板提交一份覆盖10月15日至11月11日的双十一大促方案，方案将直接交给运营、内容、客服和仓储后续执行。 P.S.相关数据资料由Codex辅助生成。 在给定业务目标、商品资料、团队情况和历史渠道数据后，模型开始迅速梳理资料并进行大促方案设计。 首先模型进行 初始目标可行性判断 。 它没有直接接受老板画的大饼，在提前识别广告边际效率递减、库存、发货能力等约束的前提下，对初始目标给出了相对合理的预估。 同时也给出了相应的 调整路径 ，以帮助打工人应对老板的质询。 再看模型给出的大促优惠方案，其中算出来的关键数字，倒是 经得住核对 。 无论是商品组合表还是渠道预算明细，每一项数据都可追溯，说明具备一定的数据分析能力。 Ling-3.1-flash也细致地给出了 分阶段执行排期 ，甚至包括每个阶段需要的前置条件。 虽然在提示词中我们只要求大促方案到双十一当天，模型却自行补充上了后续的复盘和利润核算过程。 实在是暖暖得很贴心～ 模型的 文本输出 也很不赖，比如各种短视频引流催单、直播话术都手拿把掐。 画面、文案、钩子一应俱全，咱牛马直接照抄AI作业，省心又省事。 最后模型还会主动进行 一致性检查 ，明确标注出哪些数据还有待用户核验、哪些内容需要用户确定，最终方案执行的主动权始终还在用户手上。 除了日常办公， 医疗健康场景 也是Ling-3.1-flash的强项。 我们给出一份虚拟的血脂检查数据和模糊病症描述，希望模型整理出带去门诊的沟通单。 在信息不足的情况下 ，Ling-3.1-flash没有直接下判断，而是先列出需要用户补充的细节，再区分已知事实、不确定项和要问医生的问题。 在 引导 用户补充关键信息后，它再将新增内容与原有内容交叉验证，得出更为专业的问诊参