编辑｜山辉、冷猫 上个月，Jev 火遍了 AI 社区。 一个完全不会输出长文本的智能体，主要工作是做判断。它朴实无华，但足够快，足够实用，被不少开发者接进了 Agent 工作流。 能力离谱到能够实现在 MC 里全自主从零开始击败末影龙。 Jev 的走红，多少反映出今年 AI 正在发生的一种变化： 大家关心的能力越来越务实 。毕竟，真正让 AI 干活，远比解题刷分刷榜更复杂。 工作中的任务往往是复杂的，长程的。让 AI 独立完成，它得自己找资料、分析信息、发现问题，再决定要不要回头修改补充。一旦中途走错方向，还得及时纠正。任务持续的时间越长，出错和跑偏的可能性就越大。 但真正能啃下这块硬骨头的大模型，目前还屈指可数。如今，开源大模型领域的重要玩家蚂蚁百灵，也开始在这一方向上发力。 9 月 30 日， 蚂蚁百灵发布 Ling-3.1-flash，并于 10 月 15 日正式开源 。这次升级，重点瞄准的就是 复杂任务和长程执行 。 拿到模型后，我们也想试试它的成色：如果不再把任务拆成一步步的提示词，直接把整项工作交给 AI，它到底能干到什么程度？ 于是，我们准备了几项不同类型的任务，让 Ling-3.1-flash 自己上手。 架构、性能、成本，Ling-3.1-flash 的三张牌 先简单看看 Ling-3.1-flash 的基本面。 模型总参数约 560B，但每处理一个 Token，只需激活约 25B 参数，上下文窗口最高支持 1M Token。 架构上，Ling-3.1-flash 延续了百灵此前的混合线性注意力设计：每 7 层 KDA 搭配 1 层 Gated MLA，512 个路由专家中，每个 Token 激活 8 个路由专家和 1 个共享专家。 简单来说， 既要让模型装得下足够多的信息，又要控制处理长上下文的计算成本 。 其中，KDA 采用线性复杂度设计，随着上下文变长，计算开销不会像传统全注意力那样快速膨胀。而每 8 层保留的 Gated MLA，则为模型提供了全局信息交互的通道，帮助它在处理长序列时捕捉关键关联。 这样的组合，尤其适合需要反复读取资料、维护大型代码库，以及连续调用工具的复杂任务。 从公开评测来看，Ling-3.1-flash 已经在多个涉及真实任务的基准测试中展现出竞争力。 比如，GDPVal-AA V2.1 考察的是日常办公场景下的综合任务处理能力；FrontierSWE 和 Terminal-Bench 4.0，分别检验模型解决复杂软件工程问题、使用终端工具完成任务的能力；HealthBench Professional 则关注医疗场景中的专业信息理解与沟通。 Ling-3.1-flash 在 Artificial Analysis 的智能指数中得分 41 ，在开源模型中是一个相当不错的成绩。 百灵在这个版本中强调一个词： 「智效比」 。 说白了，就是完成同样一项任务，模型究竟要消耗多少算力、多少时间，以及多少钱。模型能力再强，如果每执行一项任务都要付出高昂成本，真正落地时也很难大规模用起来。 根据 Artificial Analysis 的公开评测数据，Ling-3.1-flash 的智能指数为 41，输出速度约 210 Token/s，混合调用价格约为每百万 Token 0.19 美元，在速度和价格方面都颇具竞争力。 为了把成本进一步压下来，百灵还在部署层面下了功夫。通过对路由专家采用 MXFP4 量化，同时将 Dense 层保持在 block-FP8 精度，模型权重占用从约 534GB 压缩至 292GB，部署需求也从 8 卡降到了 4 卡。相当于 把模型需要占用的显存空间压缩了近一半 。 看完基本面，我们直接上手实测。 让 AI 当一次编辑 我们的日常大致是这样，每天要从海量的行业信息中筛出值得关注的消息，找到原始信源确认事实，补充技术背景和行业语境，最后形成一个能拿给团队讨论的选题思路。从发现一条线索到形成可用的研究材料，中间通常需要多次搜索、反复比对、持续判断。 我们在百灵的「热点侦察站」场景中对 Ling-3.1-flash 进行了这次测试。 指令很简单，搜索过去 24 小时值得关注的 AI 行业新闻，筛选出有报道价值的消息，给出新闻摘要、发布时间、原始信源和推荐理由。 模型开始工作后，首先调用了联网搜索工具检索近期动态。这里需要区分的是，搜索能力来自平台接入的工具，模型自身负责的是信息筛选和价值判断。 最终，模型给出了八条候选新闻，从微软、Meta 的大模型进展，到 Anthropic 的安全评估、AI 行业监管、企业营收和产业政策，覆盖了多个方向。 （图注）精选新闻节选 为了方便阅读，我们要求模型以网页看板呈现。 从结果来看，模型对头部行业动态的覆盖比较充分，对新闻中一些关键的事