ERNIE Light DT 1.0 對比 Ling 3.1 Flash：同一量級下 25 倍的價格差距

兩款中國快速層級模型，皆為純文字模型，皆標榜百萬 token 視窗，且都採用稀疏注意力技巧，讓長上下文保持可負擔——而其中一款每輸入 token 的價格卻是另一款的二十五倍。ERNIE Light DT 1.0由 Baidu 於 2026 年 11 月 10 日發布，定價為每百萬輸入 token 1.13 美元、每百萬輸出 token 3.94 美元。Ling 3.1 Flash是 Ant Group 於 2026 年 9 月 30 日發布的 5,600 億參數混合專家模型，以相同單位計定價為 0.045 美元與 0.135 美元，並在 Artificial Analysis Intelligence Index 上取得 41 的獨立評分。

這不是一個能用上下文品質輕輕帶過的微小差距。這是這兩家實驗室目前在此級別都有販售的兩個模型之間最大的每 token 價差，而且在任何人簽下採購訂單之前，這都需要一個解釋。

看出這個問題最省成本的方式：一次請求，兩筆帳單

以這類模型所針對的單次呼叫為例——一組 120,000 個 token 的檢索文件集，搭配 2,000 個 token 的答案，執行一次。

在 ERNIE Light DT 1.0 上，該請求的費用為 120,000 × $1.13/1M 加上 2,000 × $3.94/1M，即 $0.1356 加上 $0.0079，約 14.4 美分。

在 Ling 3.1 Flash 上，同一個請求的費用為 120,000 × $0.045/1M 加上 2,000 × $0.135/1M，也就是 $0.0054 加上 $0.00027，約為 0.57 美分。

兩個模型都聲稱能滿足該請求。其中一個執行它的成本便宜二十五倍。每天若有一萬個這類請求，差別就是每天 1,356 美元對上 57 美元——大約每月 39,000 美元對上 1,700 美元。

只有三種可能的解釋。要麼 Baidu 知道一些關於品質、但尚未公布的事，要麼壓縮方案帶來了一些 Ling 架構不具備的東西，要麼這個價格只是暫定值，之後會變動。本文其餘部分要討論的就是哪一種。

每一個實際上是什麼

• Ling 3.1 Flash — Ant Group 的混合推理 MoE，總參數約 5,600 億，每個 token 約有 250 億啟用參數，文字輸入、文字輸出，來自 inclusionAI 實驗室。於 2026 年 9 月 30 日發布，並已在 Ant 自家 API 及其消費級產品中上線。行銷宣稱上限為 100 萬 token；但該端點推出時實際提供的是 256,000，而目前國際規格列出的是 1,000,000 token 上下文，最大輸出為 262,144 token。

• ERNIE Light DT 1.0 — 百度的小型層級端點，於 2026 年 11 月 10 日上架，建構於開源 G​LM 架構上，並結合百度搜尋「Lightning」產品線的研究，採用 Baidu Sparse Attention 與回饋驅動的歷史壓縮方案。1,024,000 個 token 的上下文，最大輸出 131,072 個 token，僅支援文字。四種推理強度等級、工具呼叫、結構化輸出。

參數數量並不可比——Ling 尚未公佈 Light DT 的參數數量，因此誠實的說法是：一方已知總量為 560B，另一方則未披露。真正可比的是形態：兩者都是稀疏模型、都是純文字模型，且都針對長上下文、高負載工作而設計。

稀疏注意力，兩次，出於兩個不同的原因

架構方面的說法彼此呼應，這使得價格差距更難解釋，而非更容易解釋。

Ling 3.1 Flash 每處理一個 token，只須動用其 5600 億參數中的 250 億。這是一種容量策略：讓極龐大的知識庫常駐，再以狹窄的路徑穿行其中，於是你就能以小模型的算力換得大模型的世界知識。長上下文的主張也出自同一套設計——若每一步都很便宜，維持一條長序列敞開的負擔就小得多。

ERNIE Light DT 的故事重點在於記憶，而非容量。百度表示，該模型透過回饋驅動的歷史壓縮「改善歷史資訊的儲存與索引」，「在維持模型效能的同時，大幅降低 KV 快取的儲存與運算成本」，並讓你以「更低的成本」容納更長的上下文。注意這裡的措辭：對營運商而言成本更低。這說的是百度的服務帳單，未必是你的帳單。

這就是關鍵所在。這一類的每一種壓縮方案——百度在 ERNIE 5.5 中的 Heavily Compressed Attention、Qwen 的 micro-block sparse attention、Ling 自家的 routing——都在降低廠商每個上下文 token 的成本。廠商是否把這筆節省轉嫁出去，是商業決策，而百度選擇不轉嫁。它恰恰對自己聲稱已變得更便宜的那項能力收取溢價。

這不一定就是惡意。一套能在百萬個 token 下仍保持品質的壓縮方案，建置成本高，驗證成本也高，供應商可能是在回收那筆研究成本。但這確實意味著，買方正在為一項理應已改善經濟效益的能力付費，而這項改善並未反映在價目表上。

Ling 的獨立評分，以及它對這個等級的說明

Ling 3.1 Flash 在 Artificial Analysis Intelligence Index 上得分 41。這是真正的第三方測量，不是廠商圖表，而且這使該模型位居快速層級的上半部——穩居行銷預算更高的模型之上，但低於前沿小型模型。這個分數附帶一個對成本比較很重要的注意事項：Ling 是個話多的推理模型。先前對該模型的評估發現，它在完成索引評估時消耗了約 2.2 億個輸出 token，遠高於同價位層級的中位數，且每項任務平均耗時數分鐘。模型大方花用的便宜 token 仍可能累積起來——但以每百萬輸出 token 0.135 美元計算，即使推理用得很慷慨，成本仍然不高。

ERNIE Light DT 1.0 完全沒有任何評分。既沒有廠商自報的分數，也沒有獨立評測的分數。百度只公布了價目表和一段機制說明的文案，就沒有下文了。對一款定價偏高的模型而言，在零證據的情況下登場，是這次比較中最致命的一點——不是因為它很可能表現不佳，而是因為買家無法分辨「未經測量」與「缺乏競爭力」，而這樣的價格也換不到任何善意推定。

上下文上限是百度唯一有空間爭辯的地方。

如果說付溢價有其理由，那理由就在這裡。Ling 3.1 Flash 的百萬 token 視窗，至少在其發布期間，一直是上限而非實際提供的數字——該端點提供 256K，而公告宣稱 1M。ERNIE Light DT 宣稱 1,024,000，其列表顯示上下文也是同一數字，輸出則為 131,072，且沒有記載任何縮減。

那個區別在真實流量下是否仍成立尚不可知，因為百度尚未公布任何長上下文評估。其他任何人也沒有。兩個系列中唯一的長上下文證據來自 ERNIE 5.5 Flash Base 的廠商表格，其中報告 HELMET-RAG 71.5、HELMET-ICL 85.9、LongBench-v2 48.7 和 InfiniteBench 46.5——這是百度自己的數字，來自一個不同且大得多的模型，不能轉移到這個模型上。

所以，支持 Light DT 的論點歸結起來就是：一個未經評測的模型，帶著未經證實的長上下文優勢，輸入價格卻是一個至少有真實指數分數和可用端點的已評測模型的二十五倍。這不是一個強有力的立場，而坦白這麼說也是合理的。

各自真正更擅長的地方

• 輸出上限 — Light DT 為 131,072 個 token，而 Ling 為 262,144 個。Ling 提供你兩倍的生成空間，這對長篇內容合成與代理逐字稿而言很重要。

• 推理控制 — Light DT 提供 max、high、low 與 none，預設為 max。Ling 是混合式推理器，採用開/關切換，而非分級階梯；並沒有文件記載的「none」能讓你走上快速的非思考路徑。

• 無論請求量多大，成本皆然 — Ling 在各種請求規模下都是如此。沒有任何工作負載能靠百分之二的上下文優勢（1,024,000 對 1,000,000 個 token）抵銷 25 倍的輸入價格溢價。

• 證據——Ling 在雙向上皆是如此：獨立的指數評分，以及已公開且附有參數數量的架構。Light DT 兩者皆無。

• 服務穩定性 — Ling 建構於 Ant 自有基礎設施及第三方平台之上；Light DT 則僅依賴 Baidu 的國際端點。單一供應商模式沒有容錯移轉機制，這屬於採購風險，而非效能風險。

• 開放性 — Ling 的 1019 檢查點於 2026 年 10 月下旬以開放權重釋出，因此其架構可供檢視，模型也能自行託管。Light DT 沒有權重，也沒有模型卡。

最後一點值得強調。Ling 系列有一個開放的產物和一個封閉的產物，而開放的那個讓你能查核這些說法。ERNIE Light DT 只提供封閉選項，而其模型的核心主張——壓縮在長上下文中仍能保持品質——正是你會想獨立驗證的那種說法。

如果你還想試試看

這兩個模型都不在 OrcaRouter 的目錄中，所以這並不是建議你去哪裡註冊。但如果 Light DT 的長上下文特性與你的工作相關，測試它的方式是範圍狹窄且成本低廉的。

把同樣超過十萬 token 的提示詞分別送給這兩個模型，各送二十次，並在其中放入答案分別埋在深淺不同位置的問題——開頭附近、中間，以及結尾。你自己替答案評分。這個測試在 Ling 上花不到一美元，在 Light DT 上約三美元，而且一個下午就能釐清兩家廠商都沒公布的事。如果 Light DT 在 Ling 品質下滑的深處仍能維持品質，那麼較高的價格就有站得住腳的理由。如果兩者都下滑，你就會知道，在這個級別裡，百萬 token 視窗無論是誰賣的，都只是行銷數字。

無論結果如何，都要讓切換保持低成本。一個路由式端點，會依每次請求顯示兩個模型的價格——可選擇將一小部分流量導向新模型，並在同一天撤回——是評估沒有公開證據的模型的唯一理智方式。只憑價目表購買容量，正是團隊最後為一個從未填滿的用量窗口多付 25 倍費用的原因。