Ling-3.1-flash 在 2026 年 10 月 15 日由蚂蚁百灵正式开源，权重已上架 Hugging Face 和 ModelScope。这个模型 9 月 30 日就已发布并开放试用，10 月 14 日试用期结束，这次补上的正是完整权重和最高 1M 上下文——对想把模型接进自有业务系统的团队来说，今天这一步才算真正能动手。
先看部署门槛：560B 的体量，25B 的激活
Ling-3.1-flash 延续 Ling-3.0-flash 的混合线性架构，总参数约 560B，每个 token 激活约 25B，上下文上限 1M。官方模型卡给出的参考部署是 8 张 H200 或 4 张 GB300，并提供 SGLang 与 vLLM 的部署路径。这个量级显然不是给个人电脑准备的，但和同体量稠密模型相比，激活比例压低了单次推理的计算量。它和 MiniCPM-V 4.7 把多模态模型塞进手机内存 走的是两个方向：一个把模型做小到端侧能跑，另一个把大模型做得在机房里跑得起、用得起。
评测数字要拆开看：强在办公和交付，不只看总分
第三方机构 Artificial Analysis 的公开测试里，Ling-3.1-flash 智能指数 41，输出速度约每秒 210 token，混合调用价格约每百万 token 0.19 美元。场景化成绩更能说明它的定位：办公任务评测 GDPVal-AA V2.1 拿到 1673 分，医疗场景 HealthBench Professional 拿到 65.35，在软件工程和终端操作类基准上也有对应表现。发布方实测演示里，它能把分散的财报资料整理成可编辑的数据表和交互网页，也能读旧代码、写新功能、再按测试结果继续修正。也就是说，这次开源的主线不是参数规模本身，而是让团队能在自己的任务集上检验：面对模糊的业务需求，它把活干完的比例到底有多高。
把权重接进生产环境之前，有三件事建议先做。第一，用自有办公和工程任务做小样本对照，重点看长任务中途出错后能不能自己修正，而不是只看单轮问答。第二，按 1M 上下文的真实调用比例测成本，上下文拉满时多数模型的账单和延迟都会明显变化。第三，医疗这类高风险场景只适合先做病史整理和问题清单等辅助环节，正式结论仍要走专业审核。做到这三步，再判断它适不适合替换现有工作流里的模型。
