Ling-3.1-flash 對比 DeepSeek V4.1 Flash：指數多兩分，帳單卻是三倍

Ling-3.1-flash 與 DeepSeek V4.1 Flash（Max）在 Artificial Analysis Intelligence Index 上相差兩分——41 對 39——但在價格上卻天差地遠。把組成該指數的十項評測分別拿去跑這兩個模型，Ling-3.1-flash 每項任務約需 0.99 美元，而 DeepSeek 只要 0.27 美元。兩者都是約 5,500 億參數的混合專家模型，並宣稱具備 100 萬 token 上下文。一個是來自 Ant Group 旗下 InclusionAI 實驗室的封閉、純文字模型，於 2026-10-01 發布，至今仍未公布權重或授權條款。另一個自 2026-09-10 起以 MIT 授權開源，可接受圖像與文字，能在 23 家供應商上執行，也是大多數團隊早就會放進設定檔的模型。就大多數面向而言，兩者根本沒得比。真正有趣的問題是：這兩分差距究竟為什麼會存在。

Ling-3.1-flash 真正領先之處

在衡量操作終端機與撰寫必須能執行的程式碼的評測中，它處於領先，而這個領先幅度值得精確說明，因為總體數據會掩蓋它。

• Terminal-Bench 4.0 — Ling-3.1-flash 0.333 對上 DeepSeek V4.1 Flash（Max）0.268。就絕對值而言，兩者都只是 modest 的數字；而差距相當於 DeepSeek 得分的四分之一。

• SciCode — 0.541 對比 0.519。

• CritPt 物理推理 — 0.180 對比 0.143。

• GDPval-AA 代理式真實世界工作 — 1,621.75 Elo 對比 1,600 Elo。

那四項裡有兩項幾乎難分軒輊，一項是小幅勝出，而 Terminal-Bench 4.0 是唯一一個即使換了隨機種子、差距依然能存續的項目。把這對照到 DeepSeek 勝出的地方：AA-Briefcase v1.1 代理式知識工作以 1,420.47 Elo 對上 1,400.35，AutomationBench-AA 以 0.689 對上 0.617，AA-LCR 長脈絡推論以 0.84 對上 0.83，還有——對生產環境最要緊的那一項——AA-Omniscience 以 −5.30 對上 Ling-3.1-flash 的 +2.22，而這項指標中幻覺比拒答更糟。DeepSeek 在該項的準確率為 46.4%，且在其所回答的問題中有 96.5% 的幻覺率；Ling-3.1-flash 則答對 29.1%，幻覺率為 37.9%。這兩者都不是那種可以不搭配前置檢索、直接指向知識庫使用的模型。

價格差距比指數差距更大，而且這不僅僅是價目表。

表面費率看起來幾乎一模一樣。Artificial Analysis 記錄兩者皆為每百萬輸入 token $0.30。它們在其他兩個數字上則差異懸殊：

• 輸出 — Ling-3.1-flash 每百萬 $0.90，對比 DeepSeek V4.1 Flash (Max) 每百萬 $1.20。在此，Ling-3.1-flash 完全是更便宜的模型，便宜了 25%。

• 快取讀取 — Ling-3.1-flash 每百萬 $0.06，對比 DeepSeek V4.1 Flash (Max) 每百萬 $0.006，這是 98% 折扣對上 80% 折扣。這正是這兩個模型不再能相提並論的地方。

在 7:2:1 的快取命中／輸入／輸出混合比例下，混合費率算出來是 Ling-3.1-flash 的 $0.192，以及 DeepSeek V4.1 Flash (Max) 的 $0.184——幾乎打平。但這個混合比例是對你如何使用模型的假設，而這個假設承擔了很重的分量。任何有大量提示重複使用的工作負載——冗長的系統提示、檢索前導文字、每一輪都會重新送出累積上下文的代理迴圈——都會把實際混合比例推向快取讀取，而在那裡，快取定價 10 倍的差距就會主導一切。Token 量也會以同樣的方式產生複合影響：Ling-3.1-flash 是個話多的推理模型，在整個索引評估中產生了 2.2 億個輸出 token，而 DeepSeek 是 2.5 億個，且每個評估任務平均約 357 秒，DeepSeek 則為 285 秒。它每個答案思考得更多，耗時也更長。

實作範例：兩者上相同的代理迴圈

以一個工具驅動的代理為例，每項任務執行 1M 輸入 token，其中 90% 由快取提供，並回傳 200,000 輸出 token。在 Ling-3.1-flash 上，依上述數字：900,000 個快取輸入 token 以 $0.06 計，加上 100,000 個全新輸入以 $0.30 計，再加上 200,000 個輸出以 $0.90 計，每項任務約為 $0.26。在 DeepSeek V4.1 Flash (Max) 上，相同的迴圈約為 $0.14——大約是一半。

現在套用 DeepSeek 的排程，因為這正是大多數比較會跳過的部分。DeepSeek 的離峰費率就是上面那個，而離峰涵蓋週末與一天中的大部分時段；但在兩個平日時段，也就是 UTC 01:00–04:00 和 06:00–10:00，輸入與快取定價會加倍。把同一個迴圈移到尖峰時段，DeepSeek 的成本會落在約 $0.28——此時 Ling-3.1-flash 那張較高但固定的價目表，反而是那個小時更便宜的選擇，而 10× 快取折扣已被時鐘抵銷。

整個決策就取決於一組數字。如果你的 agent 流量以快取為主，而且你能安排排程，那麼在指數差距兩點的情況下，DeepSeek V4.1 Flash (Max) 的成本大約是 Ling-3.1-flash 的一半。如果你的流量以快取為主，且落在 DeepSeek 的尖峰時段，這兩個模型的成本大致相同，而 Ling-3.1-flash 在 terminal-agent 那一列略勝一籌，就成了決勝關鍵。

沒有可供比較的軸

這三個面向並不接近，而它們往往是在討論價格之前就決定架構的關鍵因素。

• 權重與授權 — Ling-3.1-flash 尚未發布權重，也沒有授權條款，而 Artificial Analysis 將其歸類為專有。DeepSeek V4.1 Flash (Max) 以 MIT 授權開放權重，可從 Hugging Face 下載，並允許商業使用。其中一個可自行託管、微調及氣隙部署；另一個則不能。

• 模態 — Ling-3.1-flash 是文字進、文字出。DeepSeek V4.1 Flash (Max) 可接受圖片連同文字輸入，並在多模態基準測試中接受評分。假如你的流程中有任何環節會把螢幕截圖、圖表或掃描檔交給模型，那麼這個比較就到此為止。

• 服務供應面 — DeepSeek V4.1 Flash (Max) 可透過 23 家供應商取得，包括 OrcaRouter；Ling-3.1-flash 則透過該供應商自家的 API，以及承載其發行的第三方平台運行。就正式生產路徑而言，供應商數量是一項韌性特質，而非人氣競賽。

還有一個不對稱性並未出現在上述任何清單中：DeepSeek V4.1 Flash (Max) 在單一回應中提供 384,000 個輸出 token。Ant 尚未公布 Ling-3.1-flash 的最大輸出長度，因此目前還無法以它為基準來估算長生成工作負載。沒有公布上限並不等同於上限很小，但它也不是一個你可以據以設計的數字。

同時執行兩者，以及實際上會是什麼樣子

Ling-3.1-flash 今天不在 OrcaRouter 目錄中——向我們公開的模型 API 查詢時，InclusionAI 旗下的這個模型會傳回 not-found，而本文不會假裝並非如此。DeepSeek V4.1 Flash 目前可路由，價格為供應商的定價、零加成，因此供應商調價當天，我們這邊就會同步生效，而且它和目錄其餘模型一樣，透過同一組單一 API 金鑰存取，並在上游供應商之間自動容錯移轉。

這種不對稱有其實際形態。當一個模型是閉源的、定價大約是其前代四倍，而且只能透過單一供應商取得時，要進行比較的明智做法，就是把那個開放、被廣泛服務的模型保留為預設路徑，並把挑戰者當成你可測試的東西，而非你必須投入承諾的對象。DeepSeek V4.1 Flash (Max) 今天就能承擔生產迴圈——開放權重、影像輸入、384K 輸出、98% 快取折扣——而 Ling-3.1-flash 則負責代理專屬工作，讓它的 Terminal-Bench 與 SciCode 優勢真正派上用場。因為兩者都使用 OpenAI 相容的 chat-completions 格式，這種分工是一項路由決策，而不是整合專案：一個端點、一把金鑰，以及一條規則，把各模型可量測上更擅長的任務分派出去。

裁決結果

就現有證據而言，DeepSeek V4.1 Flash（Max）贏得這場對決，而且它勝出的地方大多與兩個 Index 分數無關：MIT 授權的開放權重、圖像輸入、384,000 個輸出 token、98% 的快取折扣，以及 23 家可相互接手故障轉移的供應商。Ling-3.1-flash 的理由較狹窄但真實——它是兩者中較出色的終端與工具代理，也是這對之中唯一尚未公布內含尖峰時段倍數費率表的模型。

有兩件事會改變這項評估。如果 Ant 以寬鬆的授權條款發布權重，開放性差距就會消失，比較也會變成單純的能力與成本討論。而如果 Ant 所提供的長上下文視窗，在兩個模型都宣稱的 100 萬個 token 上獲得驗證，上下文對等性的說法就不再只是說法。在那之前，誠實的總結是：一個模型可以在代理式基準測試的某一列勝出，卻仍輸掉整體評估——而這些模型之間的兩點指數差距，大約值每項任務成本的 3.6 倍，這是一種只有特定工作負載才該做的取捨。