Ling-3.2-flash 与 Ling-3.1-flash：相同的 560B 骨架，新增一种感知，无新增权重

Ant Ling 自己的弃用页面让 Ling-3.2-flash 的抉择比发布博文所呈现的更难。三款较旧的模型——Ling-2.6-1T、Ring-2.6-1T 和 Ling-2.6-flash——将于 2026 年 11 月 15 日停用，而这三款模型的推荐替代品都是 Ling-3.1-flash。因此，在 Ling-3.2-flash 问世当天，它的前代刚刚被指定为所有从 2.6 代迁移的团队的官方落脚点。这些团队现在不得不在 Ant 让他们迁移到的模型和 Ant 同一周发布的模型之间做选择。两者参数量相同、上下文窗口相同、API 接口面相同——并且恰好在一个重要维度上不同，还有一个更重要的维度：Ling-3.2-flash 能看，Ling-3.1-flash 能读，而能下载的是 Ling-3.1-flash。

这才是值得做的比较，而发布报道所做的并不是这个比较。Ling-3.2-flash 在能力上胜出。Ling-3.1-flash 则在生产团队决定采用所需的一切方面胜出：公开的价格、MIT 许可的权重，以及一个可核验的独立评分——即便该评分后来已从其原先所在的排行榜上撤下。

什么才是真正相同的

从 Ant 未改动的部分开始，因为它们决定了迁移实际上需要多少工作量。

• 规模——两者的总参数均为 560B，每个 token 激活 25B。Ant 的模型选择表在两行中都列出了相同的这两个数字。

• 背景——两者均具备 100 万 token 的上下文窗口。低一档的 Ling-3.0-flash 上限为 256K，因此 100 万如今已是旗舰机型的基线配置，而不再是宣传亮点。

• 请求接口——两者均通过 api.ant-ling.com/v1 提供，分别使用兼容 OpenAI 的 chat/completions 端点和兼容 Anthropic 的 messages 端点。两者都接受带有 enabled 或 disabled 的 thinking 对象；Ant 的参考文档对 3.0、3.1 和 3.2 系列均作同样说明。

• 谱系——相同的混合线性 MoE 家族，相同的 KDA 到门控 MLA 注意力方案（Ant 在 3.0 中引入并在 3.1 中改进），以及与开放 3.1 检查点相同的 512 路由专家拓扑。

• 速率限制——同样是每秒两次查询的全局上限，超过即返回 429，同样是 90 秒的同步超时并建议使用流式传输。换用新模型并不会为你带来更高的吞吐量。

因此，从 Ling-3.1-flash 迁移到 Ling-3.2-flash 只需更改模型字符串，再加上你在处理图像时所做的任何不同操作。没有新的 SDK，没有新的端点，也没有新的认证方式。

真正改变的是：模型学会了观察

Ling-3.1-flash 是文本输入、文本输出。这并不是 Ant 刻意隐瞒的局限——厂商自家的选型指南就把它定位为适用于办公工作、长周期软件开发和复杂智能体任务，其 2026 年的发布材料中满是工程类基准测试：一次 Lua 到 x86-64-ELF 的编译器移植、一次 Pyright 一致性测试通过、一次 Rust 重实现、一个 OceanBase 解析器补丁。它是为以写代码为生的人打造的模型。

Ling-3.2-flash 围绕四项视觉能力重新定位：复杂视觉理解、多模态长程智能体、3D 理解与交互，以及医疗多模态工作。API 参考文档明确指出，Ling-3.2-flash 请求“原生接受文本、图像和视频”，对静态图像使用 image_url 块，对视频使用 video_url 块。Ant 发布的演示展示了这些能力的用途：读取材质球的无头渲染结果，并比较粗糙度和法线贴图以改进脚本；通过 UI 操作驱动 Blender；将工程图纸转换为 3D 网页模型；把带有公式的研究 PDF 转换为可运行的代码；根据餐食照片估算份量和卡路里。

Ant 的三项发布基准测试均为视觉类，且全部由厂商自行报告。OmniDocBench1.5 为 92.21，对比 Opus 5 在最大努力下的 90.56；ZEROBench(Sub) 为 43.71，对比 39.52；Vision2Web 为 85.86，对比 80.20。这些数据所支持的结论范围狭窄且具体：在文档解析、3D 场景推理和视觉到网页实现方面，Ant 认为新模型胜过一个前沿闭源模型。三项测试中没有任何一项涉及文本推理，而 Ant 根本没有发布任何文本基准——考虑到 Ling-3.1-flash 的发布几乎全是文本基准，这本身就是一个信号。

如果你的工作负载是文本，那么客观的解读是：Ling-3.2-flash 相较于 Ling-3.1-flash 的优势尚未经过测量。如果你的工作负载涉及查看某些内容，那这正是它的全部意义所在。

价格问题正是两者分歧最大的地方。

Ling-3.1-flash 有公开的价目表，目前正在打折。Ant 的定价页面显示，其价格为每百万输入 token ¥2.00、每百万输出 token ¥6.00，下调 75% 后分别为 ¥0.50 和 ¥1.50，缓存读取价格为 ¥0.40，降至 ¥0.10。Ant 为第三方平台公布的美元列显示，标价为 $0.30 和 $0.90，折后为 $0.075 和 $0.225。

Ling-3.2-flash 完全没有价目表。定价页面列出了 Ling-3.1-flash、Ling-3.0-flash-VL、Ling-3.0-flash 以及两个 Ming 图像模型；Ling-3.2-flash 只出现在一条促销横幅中：“发布后前 2 周免费”，之后恢复原价，并建议留意账户余额。没有输入费率，没有输出费率，没有缓存费率，而且——对多模态模型而言影响更大的是——没有公布图像或视频 token 的计费方式。

对于任何做容量规划的人来说，这就是决定性的不对称。一个你无法定价的模型，就是一个你无法纳入预算的模型；而一个图像 token 核算方式没有文档说明的视觉模型，就是一个你甚至无法根据其文本费率来估算成本的模型。免费窗口将在11月19日前后关闭，比 Ant 弃用潮在15日到来早五天。从 Ling-2.6 迁移的团队将在同一个两周内先后撞上这两个日期。

权重：前代是开放的，后继则不是

这正是颠覆直觉顺序的部分。较旧的模型才是那个权重可下载的模型。

Hugging Face 仓库 inclusionAI/Ling-3.1-flash 采用 MIT 许可证，包含 572,120,680,768 字节的 safetensors——约 572 GB——最后修改于 2026 年 11 月 3 日。其同类仓库 Ling-3.1-flash-1019 是 Ant 在 10 月下旬推送的后训练修订版，同样采用 MIT 许可证，包含 54 个 FP8 分片，约 573.8 GB。两者都是完整检查点，而非适配器，并且由于使用了自定义的 BailingMoeV3ForCausalLM 建模代码，都需要 trust_remote_code。

Ling-3.2-flash 没有代码仓库。inclusionAI 组织近期的列表中包含 Ling-3.1-flash-1019、Ling-3.1-flash、一个基础检查点、ZwZ2 视觉模型和 Ming 音频模型——没有 3.2 条目。在蚂蚁的公告下，点赞最多的回复是一位用户希望它能开源，而蚂蚁尚未回应。

所以，这两个模型会根据你的需求互换位置。如果你想在自己的硬件上部署一个560B的MoE模型、离线评估它、微调它，或者只是不想依赖厂商的在线可用性，那么Ling-3.1-flash的条款允许你完成所有这些事，而Ling-3.2-flash则不允许。如果你想要更好的多模态模型，并且愿意以租用方式使用它，那么两者的排序就会反过来。

那些独立评分，虽说也就那样

Artificial Analysis 于十月下旬将其 Intelligence Index 重建为 v5.0.1，这次重建使两个 Ling 模型处于不同状态。如今查看时，Ling 3.1 Flash 页面完全没有 Intelligence Index 数值——该指标卡显示 N/A，每项指数任务用时、每项指数任务成本和输出 token 数也均为 N/A。相比之下，Ling 3.1 Flash 1019 页面在 v5.0.1 上显示 30 的实时得分，每项指数任务加权成本为 $3.19，生成的输出 token 数为 240M。

那个30分与任何重建前的Ling分数都不可比。在旧评分标准下，Ling-3.1-flash-1019得分为44；v5评分标准更严格，将综合得分的60%权重分配给私有集和留出集，这使得大多数模型的分数下降。从44到30的变化是重新评分的结果，而非性能退步。

Ling-3.2-flash 完全没有 Artificial Analysis 页面。没有任何第三方数据，没有速度测量，也没有每任务成本估算。现存唯一的数据是 Ant 的三项视觉基准测试。

如何决定

由上述所有内容得出的决策规则异常清晰，因为这两个模型实际上并不是替代品。

如果你的工作负载是文本、时间线是生产环境，就继续用 Ling-3.1-flash。你能拿到已公布的折扣费率、可自行托管的 MIT 权重、1019 构建在当前评分标准下 30 分的独立评分，以及 Ant 自己给出的、作为三款即将退役模型替代方案的建议。对于文本工作，Ling-3.2-flash 在这些方面没有任何改进，只有一种尚未经过衡量的可能性。

如果工作涉及图像、视频、带版式的文档、3D 或截图，就改用 Ling-3.2-flash。这正是 Ling-3.1-flash 完全不具备的能力，也是接受未公布价格和闭源权重的唯一理由。在免费窗口期内完成评估——集成只是在现有 SDK 上改一个模型字符串——并且在 11 月 19 日之前基于它构建的任何东西都应视为试点，而非正式承诺。

如果你有混合流量，就两个都运行。把视觉任务路由到 3.2，把文本任务路由到 3.1，这正是双模型拆分真正的用途所在；另外要注意，Ant 的速率限制是按账户全局计算的，而不是按模型计算——上限不会因为你调用了两个模型就翻倍。

路由器适合用在哪里，又不适合用在哪里

准确说明我们自身的处境，因为很容易让人产生更多联想：Ling-3.2-flash 和 Ling-3.1-flash 都不在 OrcaRouter 的目录中。我们在 11 月 6 日重新读取了实时模型列表，它返回了 215 个标识符，其中没有 Ling、inclusionAI、Ring 或 ERNIE 条目——唯一匹配“ling”的是 Kling 视频模型。因此，在今天，这次比较中没有任何一项是只需一次调用就能获得的。

在这里，路由器真正为你带来的是出口路径，而不是入口。Ant 的速率限制是每个账户每秒两次查询；对 560B 旗舰模型施加全局限制器，正是故障转移能体现价值的场景，而在智能体循环中运行 Ling-3.2-flash 的实用做法，是在它后面再接一个提供商，而不是在 429 后面排队。在我们这边，第二个提供商是一个在同一密钥上公布费率的模型：Qwen3.8-Flash用于视觉工作时，每百万输入 $0.15、每百万输出 $0.47，或者DeepSeek V4.1 Flash用于文本时每百万输入 $0.15、输出 $0.60，GLM-5.3-Flash 为 $0.15 和 $0.50。价格是按提供商标价零加价透传，因此供应商降价当天就能生效，而不是等一个重新定价周期之后。路由 DSL将多个模型组合成一次调用，这就是上述拆分如何变成一个单一端点，而不是两套集成。

怎样才能了结此事？

三份公开材料就能把这件事从主观判断变成规格对比。一份 Ling-3.2-flash 的价目表，包括图像和视频 token 如何计数。一个与其前代采用相同 MIT 条款的 Ling-3.2-flash 代码仓库，这会让旧款模型的主要优势一夜之间消失。还有一张纯文本基准表——一套推理测试、一套编码测试——它能告诉我们，3.2 代是改进了 3.1 当初专为打造的那项能力，还是只给它增加了一种感官。

在那之前，排序是这样的：Ling-3.2-flash 是更好的模型，而 Ling-3.1-flash 是更值得押注的选择。Ant 相隔五周发布这两款模型——Ling-3.1-flash 于 2026 年 9 月 30 日，Ling-3.2-flash 于 11 月 5 日——而这两款模型中只有一款标了价格。