Ling-3.1-flash-1019 在 44 分上与 Kimi K3 持平——但仍无任何可下载内容

数字先于模型而至。10 月 22 日，蚂蚁集团的 Ling 团队在自己的账号上公布了 Ling-3.1-flash-1019，并附上一个分数和一个承诺：在 Artificial Analysis 智能指数上得到 44 分，高于一周前 Ling-3.1-flash 的 41 分，并与 Moonshot 的 Kimi K3 持平。同一篇帖子称，API 访问和开放权重“即将推出”。Artificial Analysis 的模型页面印证了前半部分——44 分，在其追踪的 174 个模型中排名第三——也印证了后半部分：没有公开可用的 API，参数数量未披露，许可状态为专有。因此准确的说法不是“Ant 发布了一款 K3 级模型”，而是：Ant 公布了 Ling-3.1-flash-1019 的一个实测分数，而截至今天，在 Ant 自己的评估流程之外，没有人能调用取得这一分数的构建版本。这是一份针对一个目前仅有一个数字和一个承诺的模型所作的“截至目前我们所知”解读，下文每个数字要么带有来源，要么明确标注为没有来源。

若要一口气说清这件事的轮廓：Ling-3.1-flash-1019 是与 Ling-3.1-flash 同一产品线的带日期标记检查点——一个约 5600 亿参数的稀疏专家混合模型，每个 token 约 250 亿参数激活，采用混合线性注意力堆栈，并宣称支持 100 万 token 上下文——“1019”是构建日期，而非新架构。真正新的是分数、拿到该分数的成本，以及这场比较如今牵涉到的两家实验室之间的差距：Ant，它只宣布而未交付；以及 DeepSeek，其自家带日期的 flash 构建，DeepSeek V4.1-Flash-1017在五天前发布，带权重且价目表未变。这两种发布风格之间的差距，正是本文的大部分内容所在。

44 是什么，以及页面没有说明什么

Artificial Analysis Intelligence Index 是一个复合指标，而不是单一测试。4.3.2 版对十项评估进行加权：AA-Briefcase v1.1、GDPval-AA v2.1、AutomationBench-AA、Terminal-Bench 4.0、SciCode、Humanity's Last Exam、GDP.pdf、CritPt、AA-Omniscience 和 AA-LCR v1.1。一个融合了办公工作、终端使用、竞赛数学、长上下文检索和幻觉行为的复合指标，几乎能为任何模型生成一个数字，而这个数字的信息量最多也只等同于其下方各行所提供的信息量。

对于 Ling-3.1-flash-1019，相关行尚未出现。该页面公布其成绩为 44，并将其整体排名列为第三；页面列出了 100 万 token 上下文、文本输入与文本输出、推理模型、未披露的参数数量，以及最关键的部分：在逐项评测结果和速度本应出现的位置标注“没有公开可用的 API”。SciCode 被标记为审核中。没有输出速度数据，没有延迟数据，也没有办法在没有权重或端点的情况下复现任何一行结果。这并不是对 Artificial Analysis 的批评，因为它只能测量自己能够触及的内容；这描述的是此刻证据有多么单薄。综合评分下方的模型详情很可能是在供应商托管或供应商提供的端点上测得的，而这一安排的具体细节并未公开。

那个页面上有两个数字比标题数字更能说明问题，因为二者都是成本而非得分。第一个是索引运行期间消耗的输出 token：1019 构建版本为 3.5 亿，而得分为 41 的构建版本为 2.2 亿。第二个是每项 Intelligence Index 任务的成本：$1.49，而其前身为 $1.00。合起来看，它们说出了得分无法表达的东西：多出的三分，是在相同名义价目表下通过多思考约 59% 换来的，而每项任务的账单上涨了约 49%。一个实验室通过让模型推理更久来提升指数得分，这样做并没有错——推理长度是一个正当的杠杆——但这确实意味着 44 并非免费，也意味着仅按指数比较的买家，比较的是一个每分成本已经朝错误方向移动的数字。

价目表本身没有变化。Artificial Analysis 列出的两个版本价格均为每百万输入 token 0.30 美元、每百万输出 token 0.90 美元，缓存折扣 80%，按其标准混合用量计算为每百万 0.19 美元的混合价，并提供 100 万上下文窗口。这些是沿用母公司已公布的价格；在供应商尚未宣布新定价的情况下，这是一个合理假设，但它仍然是假设。Ant 在线上版本上的促销定价——详见下文——远低于标价。

这三分是从哪里来的

Ant 尚未公布 1019 版本的逐项评估表。目前流传的子项得分来自中文媒体对此次发布的报道，其中引用了 Artificial Analysis 的两项变化：AA-Briefcase 从约 1,400 Elo 升至 1,524，AutomationBench-AA 从约 62% 升至 68%。在模型页面出现相应评估行之前，这两项数据都应视为二手信息——它们是报道中的数字，并非本文对照一手表格核实过的数据。

它们至少与父构建所测得的结果在内部是一致的。我们在10月7日查看 Ling-3.1-flash 页面时，AA-Briefcase 为 1,400.35，AutomationBench-AA 为 0.617——与相关报道四舍五入后的“大约 1,400”和“约 62%”是同一组数值。因此，变化方向是可信的，并且指向一个具体论断：这次更新是智能体能力和办公工作方面的改进，而非通用能力的提升。AutomationBench 和 AA-Briefcase 是该指数中最直接奖励多步骤工具使用和长时程任务完成的两行。如果这两项发生了变化，而 GDPval、SciCode、HLE 和 CritPt 没有变化，那么对 Ling-3.1-flash-1019 的正确描述就是“更擅长完成任务”，而不是“更聪明”。

这种区分有实际意义。一个在智能体类目上有所提升的模型，值得用你自己的工具调用工作负载来测试；一个各项均衡提升的模型，则值得在所有方面测试。在分项数据公布之前，44 无法告诉你你手里的是哪一种；而合理的姿态，正是那个标记此构建的账号所采取的：展示完整分数。综合分只是标题。分项才是决策依据。

Kimi K3-Flash 的框架，已定价

让 Ling-3.1-flash-1019 登上许多时间线的那个说法，来自 10 月 22 日一个广受关注的账号；它实际上把这次构建描述为 Kimi K3-Flash——以 flash 级经济性提供 K3 级智能——并把 Ant 在这条产品线上的进展与 DeepSeek 在 V4.1-Flash 上的进展相提并论。“Kimi K3-Flash”和这个类比都不是产品声明；两者都只是简写，值得把这种简写说对的部分与它一笔带过的部分区分开来。

它说对的地方在于价格与指数之间的算术，而这种算术非常直白。Kimi K3 在其 Max 配置下，于同一指数上位列 44。它也是一个拥有 2.8 万亿参数的模型，每个 token 激活 1040 亿参数，Moonshot 定价为每百万输入 $3.00、每百万输出 $15.00，缓存输入为 $0.30。Ling-3.1-flash-1019 是一个 5600 亿参数系列，约有 250 亿激活参数，定价为 $0.30 和 $0.90。相同的综合得分，输入费率为其十分之一，输出费率为其十六分之一，每个 token 的激活参数为其四分之一。如果你只需要这个指数，那这并不是边际胜利；这是相同头条成绩下的另一种成本结构。

这种简写所掩盖的，正是指数没有衡量的一切。Kimi K3 接受图像输入；Artificial Analysis 将 Ling-3.1-flash-1019 列为文本输入、文本输出。Kimi K3 自七月下旬起便可依据其自有许可证下载，并且从那时起可从多个提供商处调用；Ling-3.1-flash-1019 既没有权重，也没有端点。Kimi K3 的评估行已公布，其速度也已测量——44 是基于一张可见表格的复合得分。Ling 的 44 则是基于一张尚不可见表格的复合得分。而且，参数数量的可比性并不像“560B”这个词所暗示的那样：K3 每个 token 消耗 1040 亿参数，这个构建消耗 250 亿。

• 指数 — 在 Artificial Analysis Intelligence Index v4.3.2 上，两者均为 44。

• 价格 — Ling-3.1-flash-1019 每 100 万 tokens 输入 $0.30 / 输出 $0.90，而 Kimi K3 为 $3.00 / $15.00。

• 活跃参数——每个 token 约 25B，对比每个 token 104B。总计：约 560B，对比 2.8T。

• 模态——仅文本输入与文本加图像输入的对比。

• 可用性——仅作公布，无 API、无权重，而相比之下可下载，并自 2026 年 7 月起已提供服务。

• 证据——一个未公布任何行的复合体，对比一个已公布表格并测得输出速度的复合体。

这样说，“Kimi K3-Flash”是对意图的公正描述，却是对现状的不公正描述。意图是真实的：如果 Ant 以母公司的 MIT 许可证、按母公司的价格发布这个构建，它就会以巨大优势成为市场上获得 K3 级综合性能的最便宜途径。现状则是，它只是一个分数，背后没有任何产物；而你在 44 上实际能租到的模型，定价完全不是这么回事。

两个实验室，一套行动手册：带日期戳的检查点

更有意思的模式不在于分数，而在于这次发布的形式。本次对比涉及的两个实验室本月都在同一个命名规则下推出了周期中的更新——在现有产品名后附加一个四位数的月和日后缀——而且两者都要求你把这个后缀当作版本来读。

DeepSeek 的参评型号是 DeepSeek V4.1-Flash-1017，日期为10月17日，比 Ant 的早五天。其更新日志称此次更新实现了“性能-成本帕累托改进”，表示 API 调用方式和定价保持不变，并将现有调用指向新构建版本。同日早晨，其权重以 MIT 许可在 Hugging Face 上发布，参数量为7630亿，且没有任何门槛限制。在该指数上，引用 Artificial Analysis 的报道将其排在45分，比 Ling 的 1019 高一分——较10月初 V4.1-Flash (Max) 配置测得的39分上升了六分。十天上升六分，且包含权重。

Ant 的参评条目是 Ling-3.1-flash-1019，根据其后缀可知日期为 10 月 19 日，并于 10 月 22 日公布。大约一周内提升三个百分点，未包含权重，也未给出权重发布时间。同样的打法，不同的执行方式：DeepSeek 把这个检查点当作一次正式发布，而 Ant 把它当作一次榜单成绩更新，随后才会跟进发布。这不算丑闻，也并不罕见——实验室经常在权重发布前先公布——但它改变了读者今天能做什么，而对于你可能将流量导向的模型来说，这是唯一重要的检验。

命名约定中埋藏着一个运营层面的后果，而这也是这种模式值得在单次发布之外持续跟踪的原因。当供应商通过更改后缀、保持 API 模型字符串不变来刷新模型时，“flash 模型”就不再是一个稳定的目标。你按名称请求模型，提供商就会把这个名称指向其最近发布的任意构建版本，而你上周的评估也不再能描述今早应答的到底是什么。DeepSeek 对此说得很明确——变更日志称，对现有模型字符串的调用现在会到达 1017 构建版本。

固定版本才是解决办法，而且这是路由层面的问题，而不是基准测试层面的问题。这也恰好是我们自己的目录能用作示例的地方：它同时列出了 deepseek/deepseek-v4.1-flash 和 deepseek/deepseek-v4.1-flash-1017 作为独立的模型 ID，以及 kimi/kimi-k3 与它们并列，因此调用方可以指定具体构建版本，而不是只指定模型家族。Ling-3.1-flash-1019 不在我们的目录中，本文也不会假装它在——在我们能核实的任何地方都没有它的端点，而这正是上一节的重点。

哪些是真正开放的，以及“即将推出”是否值得期待

正在宣布的版本并不是开放的那个版本。开放的是 Ling-3.1-flash，其权重由 Ant 于 10 月 15 日以 MIT 许可发布在 Hugging Face 和 ModelScope 上。它的模型卡具体到了 1019 公告所没有的程度：5600 亿总参数、每 token 激活 250 亿参数、5720 亿参数的可下载检查点、63 个 KDA 层加 9 个门控 MLA 层（7:1 比例）以及 4 个稠密层、512 个路由专家（激活 8 个、共享 1 个）、157,184 的词表大小，以及 100 万 token 上下文。

那个父构建版本上的服务方案，正是 560B 模型之所以值得关注的全部原因。Ant 的发布说明描述了一种混合精度方案——路由专家使用 MXFP4，稠密层使用 block-FP8——将权重占用从约 534GB 降到 292GB，并且在测试配置中，将 Hopper 部署从八块 GPU 缩减到四块。其中还提供了面向 SGLang 和 vLLM 的部署方案、Ant 称为 PCP/DCP 的长上下文并行方案，以及为工具调用改进的 JSON Schema 支持。Ant 公布的实测服务数据好得毫无意外：在八块 Hopper GPU 上，缓存命中率为 76% 时，平均首 token 时间为 604ms，token 间延迟为 3.28ms；在四块 GPU 上，约为每秒 1.36 次查询，P50 首 token 时间低于三秒。

这些内容对于 1019 构建都尚未得到确认。这是一个合理的预期——同一产品线上一个带有日期标记的检查点，且未提及相同的参数数量，不太可能重做其量化方案——但预期并不等于文档，而决定这个版本在运营层面是否重要的两件事都缺失了。第一是许可证。Ant 自己 10 月 15 日的帖子将父模型描述为开源，却完全没有点名任何许可证；Hugging Face 模型卡写的是 MIT。这些是不同的产物，权威性也不同，而对于 1019 构建，两者都尚不存在。第二是检查点。一个拥有 250 亿激活参数、可在四块 Hopper GPU 上运行的模型，与一个需要八块 GPU 的模型是真正不同的方案，而整个四 GPU 说法都依赖于一个尚未附加到该构建的量化方案。

因此，对“即将推出”的合理解读是：这是一项排期声明，而非技术声明。它告诉你 Ant 打算发布。它没有告诉你以什么条款、以多大规模发布，也没有告诉你部署方面的计算是否仍然成立。

你今天可以运行的内容

可调用的构建版本是父版本 Ling-3.1-flash，而它的注意事项属于那种只有在你尝试使用之后才会暴露出来的类型。实际提供的上下文一直是 262,144 个 token，而不是规格所声称的 1M；托管端点有 32,768 个 token 的输出上限，并且托管价格一直是促销价而非标价。Ant 10 月 15 日的说明显示，该促销约为 75% 优惠：国际侧每百万输入 $0.075、每百万输出 $0.225、每百万缓存读取 $0.015，Ling Studio 上则为 ¥0.5 / ¥1.5 / ¥0.1。这些是父版本的真实数字，而不是 1019 构建版本的；后者没有自己公布的价格。

如果你的问题是“我是否应该把一条生产路径迁移到这东西上”，答案是不要，而且不是因为模型不好。一个没有端点、没有权重、没有许可证，也没有公布逐评估明细行的构建版本无法被评估，只能被预期。如果你的问题是“这条线是否值得关注”，答案是值得，而据此采取行动的低成本方式，就是拿它声称与之持平的对象来做基准测试。Kimi K3 和 DeepSeek V4.1-Flash-1017 都能通过一个 OrcaRouter 密钥，按供应商目录价、0% 加价访问，因此用同一套测试框架同时跑两者，就能在 Ant 正式发布任何东西之前告诉你，44 和 45 每个任务实际让你付出多少成本。自动故障转移在这里很重要，原因很平常：当你把全新的评估框架指向一个不熟悉的构建版本时，你希望一个坏端点让你付出的代价是一次重试，而不是一个下午。如果你不想把客户端重写两遍，路由 DSL 可以把任一模型放到单个端点后面。

什么能解决这件事

四件事，按它们改变局面的程度从大到小排列。

• 评测行。在 Artificial Analysis 页面上发布一张逐项评测表，会把 44 从一条头条式结论变成一份详细画像，并告诉读者这究竟是智能体能力的提升，还是广泛性的提升。SciCode 脱离“审核中”状态这件事比平时更重要，因为编程正是廉价模型最先取代昂贵模型的领域。

• 模型权重，并附有具名许可证。MIT 许可证会让“四 GPU”这一说法可被广泛复现，并使其成为任何人都能自行托管的最便宜的 K3 级模型。限制性或定制许可证则会让 44 变成一个附带合同的营销数字，而这本身就会成为一则新闻。

• 一个 API——有了它，速度和延迟才得以存在。索引中每个拥有端点的模型都有实测的输出速度；而这个模型没有任何数据，这意味着“flash”宣称中关于效率的那一半目前尚未得到验证。一个推理时长多出 59% 的 flash 模型，与一个推理速度同等提升的模型，是截然不同的产品。

• 用同一个测试框架覆盖这三者。目前还没有已发布的基准测试在同一评测中运行 Ling-3.1-flash-1019、DeepSeek V4.1-Flash-1017 和 Kimi K3；在出现这样的基准之前，本文中的每一处比较——包括引发本文的那篇帖子中的比较——都是对不同时间、不同配置下计算出的复合结果的比较。

要准确概括 Ling-3.1-flash-1019，目前只能这么说：分数是真的，实验室是真的，但对应的模型尚未以制品的形式存在——至少在上述几样东西中的第一个落地之前，情况都是如此。Ant 如今已经在两个 Ling-3.1-flash 构建版本都尚未完全可用时先行发布了它们：九月那次发布没有权重，而这次连权重和端点都没有。这一模式已经清晰到足以据此做规划：把 Ant 的后缀当作“有东西要来了”的信号，把 DeepSeek 的后缀当作“东西已经在这里了”的信号。44 这个分数值得了解，但还不值得把流量路由过去。