Ling-3.1-flash 在 Artificial Analysis Intelligence Index 上達到 41 分：560B MoE 是其前代的兩倍

Ling-3.1-flash 是螞蟻集團的 5600 億參數混合專家模型，如今帶著一個不是自家實驗室寫下的數字：在 Artificial Analysis Intelligence Index 上拿下 41 分。該指數由獨立評測機構運行，使用該評測機構掌控的硬體，並以固定測試套件進行評估——它讓這個模型比自身的直接前代 Ling-3.0-flash 高出 21 分，而後者在同一指數上仍為 20 分。螞蟻集團於 2026 年 9 月底宣布推出 Ling-3.1-flash，Artificial Analysis 則將發布日期定為 10 月 1 日，而它比它所倍翻的模型年輕三個月。

那個落差才是重點。在一個由十種不同評估共同構成的綜合指標上出現 21 分的變動，不是廠商圖表能捏造的那種東西，也不是本部落格兩週前寫得出來的那種東西；當時對 Ling-3.1-flash 唯一存在的量測，是 Ant 自家的基準測試卡：GDPval-AA v2.1 上 1,673 Elo、FrontierSWE 上 75.16、HealthBench Professional 上 65.35。那些數字是一家真實實驗室提出的真實宣稱，但未經重現。41 則性質不同。它是本次發布中第一個能由第三方據以查核的數字。

41 究竟實際衡量的是什麼

Artificial Analysis Intelligence Index v4.3.2 是一項由十項評估構成的加權綜合指標：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。單獨解讀一項綜合指標是錯誤的，因此各項評估的逐列資料比總體標題數字更重要：

• GDPval-AA — Ling-3.1-flash 為 1,621.75，Ling-3.0-flash 則為 948.35。這是整組中最大的單一躍升，也是指數變動主要所倚賴的一項。

• GDP.pdf — 0.100 全部通過，較 0.054 上升。以絕對值而言仍然偏低，但已接近翻倍。

• AA-LCR v1.1 長上下文推理 —— 相較於前代的 0.73，達到 0.83，並與DeepSeek V4.1 Flash（Max）的 0.84 不相上下。

• SciCode — 0.541 對比 0.420。這是程式科學上的增益，而非聊天品質上的增益。

• CritPt 物理推理 — 0.180，而先前為 0.017。在小基數上達到前身的十倍。

• AA-Omniscience — +2.22，相較於 Ling-3.0-flash 的 −17.88。這一點將於下方討論，因為它與主要結論相悖。

Ling-3.0-flash 在這些列上不僅僅是輸給 Ling-3.1-flash；它在其中兩列徹底崩潰。它在 AutomationBench-AA 上得分 0.032，在 Terminal-Bench 4.0 上則恰好是 0.000。這正是解讀那個 41 時所處的背景——前代是一款高效、便宜、開放權重的模型，基本上完全不具備代理式終端機能力。

收益從何而來：代理式工作，而非對話

將 Ling-3.1-flash 的指數貢獻，與它最常被並列比較的兩個 Flash 層級模型相比，就會浮現出一種被彙總數據掩蓋的模式。DeepSeek V4.1 Flash (Max) 在同一指數上拿下 39 分，GLM 5.3 Flash 拿下 42 分，因此三者都落在三分區間之內。但三者是從不同位置抵達那裡的。

• 代理式終端機工作 — Ling-3.1-flash 在 Terminal-Bench 4.0 上為 0.333，DeepSeek V4.1 Flash (Max) 為 0.268，GLM 5.3 Flash 為 0.328。

• 代理式真實世界工作 — Ling-3.1-flash 在 GDPval-AA 上取得 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。

• 程式設計科學 — Ling-3.1-flash 在 SciCode 上得分 0.541，DeepSeek V4.1 Flash (Max) 0.519，GLM 5.3 Flash 0.516。

狹義的解讀是，Ling-3.1-flash 在代理式基準測試上具有競爭力，並且在 SciCode 上略微領先。有用的解讀是，在大多數人所說的「它能否驅動工具迴圈」時所指的兩項代理式終端指標上，它是三者中最強的——而在知識可靠性指標上，它則落後於另外兩者。這是一種特定的形態，而非全面的勝利，而且在任何人僅憑指數數字就購買工作負載之前，值得把這一點說清楚。

隨著更大模型而來的帳單

Ling-3.0-flash 在 Ant 自家 API 上的定價為每百萬輸入 token 0.07 美元、每百萬輸出 token 0.22 美元，而且是以 MIT 授權的開放權重。Ling-3.1-flash 目前則兩者皆非。Artificial Analysis 將其運行成本記錄為每百萬輸入 0.30 美元、每百萬輸出 0.90 美元——快取命中費率為 0.06 美元，相當於輸入價格的 80% 折扣——並以 InclusionAI 自家 API 作為服務供應商來衡量。相較於它所取代的模型，輸入價格大約是四倍，換來的是指數 21 點的提升。

這項取捨是否划算，完全取決於工作負載，而這個索引本身就能為它定價：以那些費率計算，對 Ling-3.1-flash 執行全部十項 Intelligence Index 評估，約需花費 $960；相較之下，DeepSeek V4.1 Flash (Max) 約為 $477，GLM 5.3 Flash 約為 $280。原因不僅在於價目表。Ling-3.1-flash 是非常多話的推理模型——它在跑完整個索引時燒掉了 2.2 億個輸出 token，遠高於其價格級距的中位數；而且它的評估執行每項任務平均約需 357 秒，相較之下 DeepSeek V4.1 Flash (Max) 為 285 秒，GLM 5.3 Flash 為 979 秒。以每項任務計算，Ling-3.1-flash 約花費 $0.99，而 DeepSeek 為 $0.27，GLM 5.3 Flash 為 $0.25。

這些從 41 都看不見，但全都會算在發票上。一個模型可以在指數上勝出，卻在預算上落敗。

與標題唱反調的兩個數字

第一項是知識可靠性。Ling-3.1-flash 在 AA-Omniscience 上得分 +2.22，該評測衡量的是模型是否知道自己知道什麼：答對得分，幻覺扣分，拒答則不計分。其準確率為 29.1%，幻覺率為 37.9%。與同系列夥伴並列來看，這是該組中最弱的表現——GLM 5.3 Flash 得分 +7.47，幻覺率 27.6%；而 DeepSeek V4.1 Flash (Max) 得分 −5.30，在已作答問題中的幻覺率更高達驚人的 96.5%。這項綜合評分獎勵的是 Ling-3.1-flash 所展現的能力，而非它展現該能力的可靠程度；一個所斷言內容有三分之一是憑空捏造的模型，在正式環境中需要搭配檢索機制。

第二個是上下文。Artificial Analysis 將 Ling-3.1-flash 列為具有 1,000,000 個詞元的上下文視窗。Ant 自家的發布資料也將 1M 列為目標。但 Ant 的開發者文件逐一列出該系列各模型的視窗，其中 Ling-3.0-flash 的原生視窗為 256K、可延伸至 1M，且尚未收錄 Ling-3.1-flash 的任何條目。確實有被測到的那個獨特長上下文項目——AA-LCR 為 0.83——是長上下文推理分數，而非實際服務視窗的測量值。請將 1M 視為宣稱的上限，並在以此為設計依據之前，用你自己的長上下文請求驗證實際提供的視窗。

它在規格表上的表現如何

逐維度的概況，主體在前，每行：

• 總參數量 — Ling-3.1-flash 560B 對比 DeepSeek V4.1 Flash (Max) 552B 對比 GLM 5.3 Flash 320B。

• 每個 token 的啟用參數 — Ling-3.1-flash 25B 對比 DeepSeek V4.1 Flash (Max) 16B 對比 GLM 5.3 Flash 18B。Ling-3.1-flash 啟用得最多，這也是其服務成本會落在目前這個水準的原因之一。

• 權重與授權條款 —— Ling-3.1-flash 未公開發布（專有，無授權條款文字），對比 DeepSeek V4.1 Flash（Max）以 MIT 授權開放，對比 GLM 5.3 Flash 以 MIT 授權開放。

• 標稱上下文長度 — Ling-3.1-flash 1M 對比 DeepSeek V4.1 Flash (Max) 1M 對比 GLM 5.3 Flash 1M。三者都宣稱同樣的上限；但其中只有兩家提供可下載的檢查點，讓你能實際驗證。

• 模態 — Ling-3.1-flash 為文字輸入、文字輸出，而 DeepSeek V4.1 Flash (Max) 為文字與圖像輸入，GLM 5.3 Flash 則為文字、圖像與影片輸入。這是 Ling-3.1-flash 唯一明顯落後的面向，且沒有任何基準測試項目能彌補這一點。

• 供應商 API 定價 — Ling-3.1-flash 每百萬輸入／輸出為 $0.30／$0.90，對比 DeepSeek V4.1 Flash (Max) 的 $0.30／$1.20，以及 GLM 5.3 Flash 的 $0.15／$0.50。

• 索引分數 — 41 對 39 對 42。在三方比較中，三分的差距並不構成排名；這是一場平手，其勝負取決於讀者的工作負載恰好與哪一項評估更為相似。

你可以稱呼它的地方

Ling-3.1-flash 目前並不在 OrcaRouter 的型錄上——向我們公開的模型 API 查詢 InclusionAI 旗下的這款模型會回傳找不到，而我們不會暗示其他情況。它目前運行於螞蟻自家的 API，以及搭載該發布版本的第三方平台上，這才是其可用範圍的誠實描述。對於任何比較上述三款模型的人來說，值得注意的是，另外兩款現在都可路由：DeepSeek V4.1 Flash 與 GLM 5.3 Flash 都以各自供應商的定價並列於 OrcaRouter 的型錄上，零加成，共用單一 API 金鑰，並在兩者之間自動容錯轉移。如果上述比較顯示你的工作負載更看重知識可靠性，而非代理式終端機作業，那麼 GLM 5.3 Flash 就是值得一試的那一款——而且你可以在同一把金鑰上拿它與 DeepSeek V4.1 Flash 對照測試，無須第二份合約，也不必寫一行新的用戶端程式碼。

第41號改變了什麼，又沒有改變什麼

它改變的是這次發布的定位。Ling-3.1-flash 不再只是一份附著廠商圖表的規格書；它是一個擁有獨立實測定位的模型，而這個定位相較於 Ling-3.0-flash，在代理能力上是貨真價實的跨世代躍進——那種源自設計變革、而非在同一套配方上堆疊更多算力的躍進。它沒有改變的，則是採購層面的任何事。權重依然封閉，授權條款依然未成文，模態依然僅限文字，而價格約為前代的四倍，換來的增益卻集中在代理與終端任務上。

如果你的工作是代理迴圈、工具驅動與長工具鏈，那麼 41 是迄今針對這個模型所公布、最有意義的數字，值得趁著可用性仍在擴展之際認真審視。如果你的工作是多模態、或是對知識準確性至關重要的問答，或是對預算敏感的高流量推論，那麼 41 觸及不到你的問題——而 GLM 5.3 Flash 已經可以路由、也已在 MIT 授權下開放，輸出價格只要一半，是三者之中定位更有利的模型。這份指數告訴你 Ling-3.1-flash 位居何處。它不會告訴你該不該在意，而這個問題的答案取決於你正在打造什麼。