Ling-3.1-flash在Artificial Analysis智能指数中得分41：560B MoE性能达到前代两倍

Ling-3.1-flash，蚂蚁集团的5600亿参数混合专家模型，如今带有一个并非其自家实验室写下的数字：在Artificial Analysis Intelligence Index上拿到41分。该指数由独立评估机构运行，使用该评估机构掌控的硬件，针对固定测试套件进行——它使该模型比其直接前代Ling-3.0-flash高出21分，而后者在同一指数上仍为20分。蚂蚁于2026年9月底宣布Ling-3.1-flash，Artificial Analysis将发布时间定为10月1日，而它比那个被它分数翻倍的模型年轻三个月。

那个差距才是关键。在一个由十种不同评估构成的基准测试上出现 21 分的变动，不是厂商图表能伪造出来的东西，也不是这个博客两周前写得出来的东西——当时对 Ling-2.1-flash 唯一存在的测量，是 Ant 自己的基准测试卡：GDPval-AA v2.1 上 1,673 Elo，FrontierSWE 上 75.16，HealthBench Professional 上 65.35。那些数字是真实实验室提出的真实主张，但未被复现。41 则性质不同。它是本次发布中第一个第三方可以据以问责的数字。

41 实际上衡量的是什么

Artificial Analysis Intelligence Index v4.3.2 是十项评估的加权综合：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。孤立地看待综合指数是错误的，因此各项评估的细分行比总体数字更重要：

• GDPval-AA — Ling-3.1-flash 为 1,621.75，而 Ling-3.0-flash 为 948.35。这是该组中最大的单次跃升，也是指数变动所主要依赖的一项。

• GDP.pdf — 0.100 全部通过，高于 0.054。绝对值仍然偏低，但几乎翻了一番。

• AA-LCR v1.1 长上下文推理——0.83，而前代为 0.73，与 DeepSeek V4.1 Flash（Max）的 0.84 持平。

• SciCode — 0.541 对比 0.420。这是编码科学能力的提升，而非聊天质量的提升。

• CritPt 物理推理 — 0.180，相比之前的 0.017。在较小基数上达到前代的十倍。

• AA-Omniscience——+2.22，而 Ling-3.0-flash 为 −17.88。这一项将在下文中讨论，因为它与主要结论相悖。

Ling-3.0-flash 在这些行上并非只是输给了 Ling-3.1-flash；它在其中两行上彻底崩了。它在 AutomationBench-AA 上得分 0.032，在 Terminal-Bench 4.0 上则恰好为 0.000。41 这个数字正应放在这一背景下解读——其前代是一个高效、廉价、开放权重的模型，基本上完全不具备智能体终端能力。

收益来自哪里：智能体工作，而非对话

将 Ling-3.1-flash 的指数贡献与它最常被并列比较的两款 Flash 级模型进行对比，一个被总体数据所掩盖的模式便显现出来。DeepSeek V4.1 Flash（Max）在同一指数上得到 39 分，GLM 5.3 Flash 得到 42 分，因此三者都落在三个点的区间内。但它们抵达这一位置的路径各不相同。

• 智能体终端任务 —— Ling-3.1-flash 在 Terminal-Bench 4.0 上得分 0.333，DeepSeek V4.1 Flash（Max）0.268，GLM 5.3 Flash 0.328。

• 智能体真实世界工作 — Ling-3.1-flash 在 GDPval-AA 上获得 1,621.75 Elo，DeepSeek V4.1 Flash（Max）1,600，GLM 5.3 Flash 1,646.86。

• AutomationBench-AA — Ling-3.1-flash 0.617，DeepSeek V4.1 Flash (Max) 0.689，GLM 5.3 Flash 0.604。

• 编程科学 — Ling-3.1-flash 在 SciCode 上得分 0.541，DeepSeek V4.1 Flash (Max) 0.519，GLM 5.3 Flash 0.516。

狭义解读是，Ling-3.1-flash 在智能体基准测试上具备竞争力，在 SciCode 上略有领先。更有用的解读是：在大多数人说到“它能否驱动工具循环”时所指的两项智能体终端指标上，它是三者中最强的——而在知识可靠性指标上，它落后于另外两者。这是一种具体的形状，而非全面胜出，值得在有人仅凭那个指数数字就为一个工作负载买单之前把它点明。

伴随更大模型而来的账单

Ling-3.0-flash 在蚂蚁自己的 API 上定价为每百万输入 token 0.07 美元、每百万输出 token 0.22 美元，并且是以 MIT 许可证开放权重。Ling-3.1-flash 目前这两者都还不具备。Artificial Analysis 记录其运行成本为每百万输入 0.30 美元、每百万输出 0.90 美元——缓存命中价格为 0.06 美元，较输入价格优惠 80%——并以 InclusionAI 自己的 API 作为服务提供商进行衡量。相比它所取代的模型，输入价格大约是后者的四倍，换来的是 21 点的指数提升。

这笔交易是否划算完全取决于工作负载，而指数本身就能为它定价：按这些费率，对 Ling-3.1-flash 运行全部十项 Intelligence Index 评估大约需要 960 美元，而 DeepSeek V4.1 Flash (Max) 约为 477 美元，GLM 5.3 Flash 为 280 美元。原因不只是费率表。Ling-3.1-flash 是一个话非常多的话痨型推理模型——它在跑完指数时消耗了 2.2 亿个输出 token，远高于其价格档位的中位数；其评估运行平均每个任务约 357 秒，而 DeepSeek V4.1 Flash (Max) 为 285 秒，GLM 5.3 Flash 为 979 秒。按单个任务计算，Ling-3.1-flash 的成本约为 0.99 美元，而 DeepSeek 为 0.27 美元，GLM 5.3 Flash 为 0.25 美元。

从41上，这些全都看不见，却一样不落地全都会落到账单上。一个模型可以赢下一个指数，却输掉一份预算。

与标题相矛盾的两个数字

首先是知识可靠性。Ling-3.1-flash 在 AA-Omniscience 上得分 +2.22，该基准衡量模型是否知道自己知道什么：正确答案得分，幻觉扣分，而拒答不得分也不扣分。其准确率为 29.1%，幻觉率为 37.9%。与同系列模型相比，这是该组中最弱的画像——GLM 5.3 Flash 得分 +7.47，幻觉率为 27.6%；DeepSeek V4.1 Flash (Max) 得分 −5.30，在已作答问题中的幻觉率高达惊人的 96.5%。综合评分奖励的是 Ling-3.1-flash 所展现的能力，而非其展现能力的可靠性；而一个会虚构其断言内容三分之一的模型，在生产环境中需要围绕它配备检索。

第二点是上下文。Artificial Analysis 将 Ling-3.1-flash 列为具有 1,000,000 token 上下文窗口。Ant 自己的发布材料也提到目标是 1M。但 Ant 的开发者文档逐一列出了该系列各模型的窗口，其中给 Ling-3.0-flash 的是原生 256K、可扩展至 1M，而且尚未为 Ling-3.1-flash 提供任何条目。那个确实被测量到的独特长上下文项目——AA-LCR 为 0.83——是长上下文推理得分，而不是实际服务窗口的测量值。将 1M 视为宣称的上限，并在围绕它进行设计之前，用你自己的长上下文请求验证实际交付的窗口。

它在规格表上的表现如何

逐维度的全貌，主语在前，每行：

• 总参数量 — Ling-3.1-flash 560B 对比 DeepSeek V4.1 Flash (Max) 552B 对比 GLM 5.3 Flash 320B。

• 每 token 激活参数量 —— Ling-3.1-flash 25B 对比 DeepSeek V4.1 Flash (Max) 16B 对比 GLM 5.3 Flash 18B。Ling-3.1-flash 激活的参数量最多，这也是其推理服务成本处于当前水平的原因之一。

• 权重与许可 — Ling-3.1-flash 未公开（专有，无许可文本），而 DeepSeek V4.1 Flash（Max）以 MIT 许可开源，GLM 5.3 Flash 以 MIT 许可开源。

• 宣称的上下文 —— Ling-3.1-flash 1M 对比 DeepSeek V4.1 Flash (Max) 1M 对比 GLM 5.3 Flash 1M。三者都声称同样的上限；但其中只有两个提供了可下载的检查点，让你能据此验证。

• 模态——Ling-3.1-flash 为文本输入、文本输出，而 DeepSeek V4.1 Flash (Max) 支持文本和图像输入，GLM 5.3 Flash 则支持文本、图像和视频输入。这是 Ling-3.1-flash 唯一明显落后的一项，任何基准测试成绩都无法弥补这一点。

• 供应商 API 上的价格 — Ling-3.1-flash 每百万输入 / 输出 $0.30 / $0.90，对比 DeepSeek V4.1 Flash (Max) $0.30 / $1.20，对比 GLM 5.3 Flash $0.15 / $0.50。

• 指数得分 —— 41 对 39 对 42。在三方对比中，三分之差并不能构成排名；这只是一场平局，而打破平局的是读者的工作负载碰巧更接近哪一项评估。

在哪里可以呼叫它

Ling-3.1-flash 目前不在 OrcaRouter 目录中——我们通过公共模型 API 查询 InclusionAI 旗下的该模型，返回的是未找到，我们不会暗示并非如此。它目前运行在蚂蚁自有 API 以及承载该版本的第三方平台上，这才是其可用范围的如实情况。对于比较上述三款模型的人来说，值得注意的是，另外两款现在就可路由：DeepSeek V4.1 Flash 和 GLM 5.3 Flash 都已按各自提供商的标价出现在 OrcaRouter 目录中，零加价，只需一个 API 密钥，并可在两者之间自动故障转移。如果上面的比较表明你的工作负载更看重知识可靠性，而不是智能体终端任务，那么 GLM 5.3 Flash 就是值得一试的那款——而且你可以在同一个密钥上让它与 DeepSeek V4.1 Flash 对比试用，无需第二份合同，也无需新增一行客户端代码。

41 改变了什么，又没有改变什么

它改变的是这次发布的地位。Ling-3.1-flash 不再是一份附带着厂商图表的规格说明；它是一个拥有独立实测定位的模型，而这个定位相比 Ling-3.0-flash 在智能体能力上是一次真正的代际跃升——这种跨越源自设计上的改变，而非在同一套配方上堆砌更多算力。它没有改变的，是采购层面的任何事。权重依然闭源，许可条款依然未成文，模态依然仅限文本，而价格约为前代的四倍，换来的增益却集中在智能体与终端任务上。

如果你的工作是智能体循环、工具驱动和长工具链，那么41是迄今为止围绕该模型发布的最有意义的数字，趁着可用性仍在扩展，它值得认真一看。如果你的工作是多模态、知识关键型问答，或预算敏感的高吞吐量推理，那么41触及不到你的问题——而GLM 5.3 Flash已经可路由、已经以MIT协议开源，输出价格还只有一半，是这三者中定位更合适的模型。该指数告诉你Ling-3.1-flash处于什么位置。它不会告诉你你是否该在意，而这个问题由你正在构建的东西来回答。