Ling-3.1-flash-1019 以 44 分與 Kimi K3 並列——而且仍然沒有東西可供下載

數字比模型先到。10 月 22 日，螞蟻集團的 Ling 團隊在自己的帳號上發布了 Ling-3.1-flash-1019，附上一個分數和一項承諾：在 Artificial Analysis Intelligence Index 上拿到 44 分，比一週前 Ling-3.1-flash 的 41 分更高，並與 Moonshot 的 Kimi K3 持平。同一則貼文表示 API 存取與開放權重「即將推出」。Artificial Analysis 的模型頁面認同前半段——44 分，在其追蹤的 174 個模型中排名第三——也認同後半段：沒有公開可用的 API、參數數量未揭露，授權狀態為專有。所以準確的說法不是「螞蟻發布了一款 K3 等級的模型」，而是：螞蟻公布了 Ling-3.1-flash-1019 的實測分數，而截至今日，螞蟻自家評估流程以外的人，沒有人能呼叫拿下這個分數的版本。這是一份關於某個模型的「目前已知」讀數——這個模型目前只有一個數字和一項承諾的深度——而下文每一個數字都附有來源，或明確標示沒有來源。

想一口氣掌握全貌的人，可以這樣理解這件事的輪廓：Ling-3.1-flash-1019 是與 Ling-3.1-flash 同一產品線、帶日期戳的檢查點——一個約 5,600 億參數的稀疏混合專家模型，每個 token 約有 250 億參數啟用，採用混合線性注意力堆疊，並宣稱具備 100 萬 token 上下文——而「1019」是建置日期，不是新架構。新的地方在於分數、取得這個分數的成本，以及這項比較如今牽涉的兩家實驗室之間的落差：Ant 只宣布而尚未實際推出，而 DeepSeek 自己那份帶日期的 flash 版本，DeepSeek V4.1-Flash-1017，早了五天推出，附上權重與未變的價目表。這兩種發布風格之間的距離，正是本文大半篇幅所在。

44 是什麼，以及該頁面未說明的事

Artificial Analysis Intelligence Index 是一項複合指標，而非單一測試。4.3.2 版對十項評估進行加權：AA-Briefcase v1.1、GDPval-AA v2.1、AutomationBench-AA、Terminal-Bench 4.0、SciCode、Humanity's Last Exam、GDP.pdf、CritPt、AA-Omniscience 與 AA-LCR v1.1。這類複合指標融合了辦公室工作、終端機使用、競賽數學、長上下文擷取與幻覺行為，幾乎能為任何模型產生一個數字，而該數字的資訊價值，僅取決於其下方的各列資料。

對 Ling-3.1-flash-1019 而言，這些資料列尚未出現。該頁面公布 44 分，並將其列為總體第三；頁面列出 100 萬 token 上下文、文字輸入與文字輸出、推理模型、未公開的參數數量，以及——最重要的一點——在應列出各項評估結果與速度的位置，寫著「沒有公開可用的 API」。SciCode 標示為審查中。沒有輸出速度數據、沒有延遲數據，也沒有辦法在沒有權重或端點的情況下重現任何一列。這不是對 Artificial Analysis 的批評，因為它只能測量它能觸及的東西；這是描述此刻證據有多薄弱。綜合評分下方的模型詳細資訊已被測量，極可能是在廠商託管或廠商提供的端點上測得，而該安排的細節並未公開。

那一頁上的兩個數字比標題更能說明問題，因為兩者都是成本而非分數。第一個是索引執行期間消耗的輸出 token：1019 建置版本為 3.5 億，而得分 41 的建置版本為 2.2 億。第二個是每項 Intelligence Index 任務的成本：$1.49，而前代為 $1.00。合起來看，它們說出了分數無法表達的事：多出的三分，是在相同的名目費率下靠推理時間約延長 59% 換來的，而每項任務的費用上升了約 49%。實驗室透過讓模型推理更久來取得索引分數，這樣做並沒有錯——推理長度是正當的槓桿——但這確實意味著 44 並非免費，也意味著只依索引分數比較的買家，所比較的是一個每分成本已朝錯誤方向移動的數字。

費率卡本身未變。Artificial Analysis 列出兩個版本皆為每百萬輸入 token 0.30 美元、每百萬輸出 token 0.90 美元，快取折扣 80%，依其標準組合混合後為每百萬 0.19 美元，以及 100 萬上下文視窗。這些是沿用母公司已公布的價格，在供應商尚未宣布新定價時，這是合理的假設，但終究只是假設。Ant 在上線版本上的促銷價格——詳見下文——遠低於牌價。

這三點是從哪裡來的

Ant 尚未公布 1019 版本的逐項評估表。目前流傳的子分數來自對該公告的中文報導，其中提到兩項歸因於 Artificial Analysis 的變動：AA-Briefcase 從約 1,400 Elo 攀升至 1,524，而 AutomationBench-AA 則從約 62% 升至 68%。在評估列出現在模型頁面之前，請將這兩項都視為二手資訊——它們是報導中的數字，而非本文對照原始表格查證過的數字。

它們至少與父建置所測得的結果在內部上一致。當我們在 10 月 7 日讀取 Ling-3.1-flash 頁面時，AA-Briefcase 為 1,400.35，AutomationBench-AA 為 0.617——與報導四捨五入後的「約 1,400」和「約 62%」是相同數值。因此，發展方向是合理的，且指向一項具體主張：這次更新是代理式與辦公室工作方面的改善，而非一般能力提升。AutomationBench 和 AA-Briefcase 是這個指數中最直接獎勵多步驟工具使用與長時程任務完成的兩項。如果這兩項有變動，而 GDPval、SciCode、HLE 和 CritPt 沒有，那麼對 Ling-3.1-flash-1019 的正確描述就是「更擅長完成任務」，而不是「更聰明」。

這種區別有實際意義。若某個模型是在代理型任務列上取得進展，那就值得拿你自己的工具呼叫工作負載來測試它；若某個模型是全面均勻地提升，那就值得在所有地方都測試。在各列數據公布之前，44 無法告訴你手上握有的是哪一種，而合理的態度正是那個標記此版本的帳號所採取的：把完整分數攤開來看。綜合分數只是標題。各列數據才是決策依據。

Kimi K3-Flash 的框架，已定價

讓 Ling-3.1-flash-1019 登上許多人的時間軸的那個定調，來自 10 月 22 日一個廣受關注的帳號；它實際上把這次的建置形容成一個 Kimi K3-Flash——K3 等級的智慧、flash 層級的成本效益——並把螞蟻在這條產品線上的進展與 DeepSeek 在 V4.1-Flash 上的進展相提並論。「Kimi K3-Flash」和這組類比都不是產品宣稱；兩者都只是簡便說法，而值得把這種簡便說法說對的部分，與它輕輕帶過的部分分開來看。

它做對的地方在於價格對指數的算術，而這套算術很鮮明。Kimi K3 在其 Max 配置下，於同一指數上位居 44。它也是個 2.8 兆參數的模型，每個 token 有 1,040 億活躍參數，由 Moonshot 定價為每百萬輸入 $3.00、每百萬輸出 $15.00，快取輸入為 $0.30。Ling-3.1-flash-1019 則是 5,600 億參數的系列，約有 250 億活躍參數，定價為 $0.30 和 $0.90。相同的綜合分數，輸入費率只有十分之一、輸出費率只有十六分之一，且每個 token 的活躍參數只有四分之一。如果你需要的只是這個指數，那並非小幅勝出；而是在相同頭條成績下，截然不同的成本結構。

這種簡寫所掩蓋的，正是該指數沒有衡量的一切。Kimi K3 接受圖像輸入；Artificial Analysis 則將 Ling-3.1-flash-1019 列為文字輸入、文字輸出。Kimi K3 自七月底起便可依其自有授權下載，此後也可透過多家供應商呼叫；Ling-3.1-flash-1019 則既沒有權重，也沒有端點。Kimi K3 的評估列已公布，速度也已實測——44 是根據一張可見表格彙總出的綜合分數。Ling 的 44 則是根據一張尚未可見的表格彙總出的綜合分數。而且，參數數量並不能像「560B」這個詞所暗示的那樣直接相比：K3 每個 token 動用 1,040 億個參數，這個版本則動用 250 億個。

• 指數 — 兩者在 Artificial Analysis Intelligence Index v4.3.2 上均為 44。

• 價格 — Ling-3.1-flash-1019 每 1M 輸入 $0.30 / 輸出 $0.90，相較於 Kimi K3 的 $3.00 / $15.00。

• 作用中參數——每個 token 約 25B，相較於每個 token 約 104B。總計：約 560B，相較於 2.8T。

• 模態 — 僅文字與文字加圖像輸入的對比。

• 可用性 — 已宣布，尚無 API、尚無權重；相對地，可下載並自 2026 年 7 月起提供服務。

• 證據 — 一個未公布任何資料列的複合項目，相對於一個已公布表格並有實測輸出速度的複合項目。

照這樣說來，「Kimi K3-Flash」對其意圖而言是公允的描述，對現況而言卻不公允。意圖是真的：如果 Ant 以母公司的 MIT 授權、母公司的價格推出這個版本，它就會成為市場上通往 K3 級綜合效能最便宜的路徑，而且幅度遙遙領先。至於現況，則是它只是一個分數，背後沒有任何成品；而你在 44 上實際能租用的模型，定價與它完全不是一回事。

兩個實驗室，同一套攻略：標註日期的檢查點

更有趣的模式不是分數，而是發布的形式。這項比較所涉及的兩家實驗室，本月都以相同的命名慣例推出了週期中更新——在既有產品名稱後附上四位數的月日後綴——而且兩者都要求你將這個後綴解讀為版本。

DeepSeek 的參賽模型是 DeepSeek V4.1-Flash-1017，日期為 10 月 17 日，比 Ant 的早五天。其更新日誌稱此次更新為「效能與成本的帕雷托改善」，表示 API 呼叫方式與定價維持不變，並將既有呼叫指向新版本。其權重於同日上午以 MIT 授權上架 Hugging Face，參數量為 7,630 億，且未設任何存取限制。在該指數上，引用 Artificial Analysis 的報導將其列於 45，比 Ling 的 1019 高一分——較 V4.1-Flash (Max) 配置於十月初測得的 39 攀升六分。十天內上升六分，且包含權重。

Ant 的參賽作品是 Ling-3.1-flash-1019，從其後綴可知日期為 10 月 19 日，並於 10 月 22 日公告。大約一週內三分，未包含權重，也未給出權重到來的日期。同樣的劇本，不同的執行方式：DeepSeek 把該檢查點視為正式發布，Ant 則把它當成記分板更新，隨後才會正式發布。這不是醜聞，也不罕見——實驗室經常在權重釋出前先公告——但這會改變讀者今天能做什麼，而對於你可能會把流量導向的模型來說，這是唯一重要的考驗。

命名慣例中潛藏著一個營運上的後果，而這正是這個模式值得跨版本持續追蹤的原因。當供應商透過變更後綴、但保留 API 模型字串不變來更新模型時，「flash 模型」就不再是穩定的目標。你按名稱請求該模型，供應商會把這個名稱指向它最近出貨的任一建置版本，於是你上週的評估已不再描述今早回應的內容。DeepSeek 對此說得很明確——變更記錄指出，對現有模型字串的呼叫現在會到達 1017 建置版本。

固定版本才是解決方案，而這是路由層面的問題，不是基準測試層面的問題。這也正是我們自家型錄恰好能作為例證的地方：型錄將 deepseek/deepseek-v4.1-flash 與 deepseek/deepseek-v4.1-flash-1017 列為各自獨立的模型 ID，並將 kimi/kimi-k3 與它們並列，因此呼叫者可以指名具體建置版本，而不是整個系列。Ling-3.1-flash-1019 不在我們的型錄中，本文也不會假裝它在——在我們能驗證的任何地方都找不到它的端點，而這正是上一節的重點所在。

什麼實際上已經開放，而「即將推出」又值得多少

所公布的版本並不是目前開放的那個版本。開放的是 Ling-3.1-flash，其權重由 Ant 於 10 月 15 日以 MIT 授權在 Hugging Face 與 ModelScope 上發布。它的模型卡在某些細節上比 1019 公告更明確：總參數 5,600 億，每個 token 啟用 250 億，可下載的檢查點為 5,720 億參數，63 個 KDA 層加上 9 個閘控 MLA 層（比例為 7:1），另有 4 個稠密層，512 個路由專家，其中 8 個啟用、1 個共享，詞彙量 157,184，上下文長度 100 萬 token。

那個父版本的推論服務表現，正是 560B 模型之所以有意思的原因。Ant 的發行說明描述了一套混合精度方案——路由專家採用 MXFP4，稠密層採用 block-FP8——可將權重佔用量從約 534GB 降到 292GB，且在測試配置中，讓 Hopper 部署從八張 GPU 降到四張。文中提供了 SGLang 與 vLLM 的部署配方、Ant 稱為 PCP/DCP 的長上下文平行方案，以及對工具呼叫更完善的 JSON Schema 支援。Ant 公布的實測服務數據，以好的方面來說並不突出：在八張 Hopper GPU 上、76% 快取命中率下，平均首 token 時間為 604ms，token 間延遲為 3.28ms；在四張上，每秒約 1.36 次查詢，P50 首 token 時間低於三秒。

這些都尚未在 1019 版本中獲得證實。這是個合理的預期——同一產品線上、帶有日期標記的檢查點，且未提及參數量有變，不太可能重新打造其量化說法——但預期不等於文件記錄，而決定這個版本在營運層面是否重要的兩件事都付之闕如。第一是授權條款。Ant 自己在 10 月 15 日的貼文將母模型描述為開源，卻完全沒指名授權條款；Hugging Face 卡片則寫 MIT。那些是不同的產物，權威性也不同，而對 1019 版本而言，兩者都還不存在。第二是檢查點。一個可在四張 Hopper GPU 上執行、擁有 250 億活躍參數的模型，與需要八張的模型是截然不同的方案，而整個四 GPU 的說法，取決於一套尚未附在此版本上的量化配方。

因此，對「即將推出」的公允解讀是：這是一項排程陳述，而非技術陳述。它告訴你 Ant 打算推出，但沒有告訴你條件為何、規模多大，或部署上的計算是否依然成立。

你今天可以運行什麼

可呼叫的建置版本是母版本 Ling-3.1-flash，而它的注意事項屬於只有實際使用後才會浮現的那一類。實際提供的上下文一直是 262,144 個 token，而非規格宣稱的 100 萬；託管端點另有 32,768 個 token 的輸出上限，且託管價格一直是促銷價而非牌價。螞蟻 10 月 15 日的紀錄指出，這項促銷約為 75% 折扣：國際版為每百萬輸入 $0.075、每百萬輸出 $0.225、每百萬快取讀取 $0.015，Ling Studio 則為 ¥0.5 / ¥1.5 / ¥0.1。這些是母版本的真實數字，不是 1019 建置版本的數字；後者沒有自己的公開費率。

如果你的問題是「我是否該把正式生產環境的路徑遷移到這個東西上」，答案是不要，而且不是因為模型不好。一個沒有端點、沒有權重、沒有授權，也沒有公布逐項評估資料列的建置版本，無法被評估，只能被預期。如果你的問題是「這條產品線值不值得關注」，答案是值得，而要據此採取行動的低成本方式，就是拿它聲稱能與之匹敵的對象來做基準測試。Kimi K3 與 DeepSeek V4.1-Flash-1017 都能透過同一把 OrcaRouter 金鑰，以 供應商定價、0% 加成取得，因此對兩者跑同一套測試工具，就能在 Ant 正式推出任何東西之前，告訴你 44 和 45 每項任務實際讓你付出多少成本。自動容錯移轉在這裡很重要，原因很平凡：當你把全新的評估測試工具指向一個不熟悉的建置版本時，你會希望壞掉的端點讓你付出一次重試的代價，而不是一個下午。如果你不想把用戶端重寫兩次，路由 DSL 可以讓這兩個模型都置於單一端點之後。

什麼能讓它塵埃落定

四件事，依它們改變整體局面的程度由高至低排列。

• 評測資料列。在 Artificial Analysis 頁面上公開的逐項評測表，能讓 44 從一則標題變成一份剖析，並讓讀者知道這是代理式改進，還是全面性的改進。SciCode 脫離「審查中」狀態這件事比平常更重要，因為程式設計正是便宜模型最先取代昂貴模型的領域。

• 模型權重，並附具名授權。MIT 授權會讓「四 GPU」這項主張具備可移植性，並讓它成為任何人都能自行託管的最便宜 K3 等級模型。若採用受限或客製化授權，則會讓 44 淪為附帶合約的行銷數字，而且本身就會成為一則話題。

• 一個 API，因此速度與延遲才得以存在。索引中每個具有端點的模型都有實測的輸出速度；這個模型則沒有，這意味著「flash」宣稱中關於效率的那一半目前尚未受到檢驗。一個推理時間多出 59% 的 flash 模型，和一個以相同幅度更快推理的模型，是截然不同的產品。

• 三款模型共用同一套測試框架。目前尚無已發表的基準測試，能在同一項評估中同時運行 Ling-3.1-flash-1019、DeepSeek V4.1-Flash-1017 與 Kimi K3；而在出現這樣的基準之前，本文中的每一項比較——包括最初引發這篇文章的貼文中的那項比較——都是在不同時間、不同配置下計算出的綜合指標之間的比較。

至少在其中第一個真正落地之前，對 Ling-3.1-flash-1019 的準確總結是這樣：一個真實的分數，來自真實的實驗室，評測的卻是一個尚未以成品形式存在的模型。Ant 如今已宣布了兩個 Ling-3.1-flash 版本，而兩者都尚未完全可用——九月那次發布沒有權重，這次則既沒有權重也沒有端點——而這個模式清晰到足以據此規劃：把 Ant 的後綴視為「有東西要來了」的訊號，把 DeepSeek 的後綴視為「有東西已經在這裡」的訊號。44 分值得知道，但還不值得據此進行路由。