蚂蚁百灵 Ling-3.1-flash 发布：560B 参数 25B 激活、百万上下文、试用后开源，国产 Agent 模型怎么选？

核心结论

蚂蚁集团旗下 InclusionAI（蚂蚁百灵）于 2026 年 9 月 30 日正式发布 Ling-3.1-flash 语言模型。该模型采用混合专家（Mixture of Experts）架构，总参数量约 5600 亿，每 token 激活参数约 250 亿，激活率不到 5%。设计上下文窗口上限为 100 万 token，当前两周免费试用期间限制为 25.6 万 token。模型定位于智能体（Agent）任务、搜索、办公软件及医疗、金融、材料科学等垂直领域。试用结束后，百灵计划开放完整的 100 万 token 上下文能力，并将模型权重开源。目前已通过 Vercel AI Gateway（接入 Novita）和 OpenRouter 提供免费 API 调用，模型 ID 为 inclusionai/ling-3.1-flash。

关键规格

架构与定位分析

Ling-3.1-flash 延续了 flash 系列的 MoE 路线，但参数量较前代大幅跃升。上一代 Ling-3.0-flash 为 124B 总参数、5.1B 激活，新一代在总量上放大约 4.5 倍，激活量同步放大约 5 倍。这一设计的核心思路是：用更大的参数储备换取更强的模型能力，同时通过极低的激活率控制单次推理的计算成本。

百万级上下文窗口是该模型的另一个核心卖点。Ling-3.1-flash 的设计目标为 100 万 token，这一规格使其能够处理超长文档、完整代码库和长链路 Agent 工作流。试用期间的 25.6 万 token 限制对大多数长文档和 Agent 试点场景已够用，但完整的百万窗口才是其差异化竞争力的关键所在。

官方将 Ling-3.1-flash 定位于四个方向：智能体任务、搜索、办公软件和专业应用。这一定位与蚂蚁百灵近期的产品策略一脉相承。此前发布的金融增强模型 Ling-3.0-flash-Fin（MIT 许可，124B 总参 / 5.5B 激活）瞄准投研工作流，Ling-3.0-flash-VL 则是首个原生多模态模型。Ling-3.1 作为通用底座，在参数规模和上下文能力上全面升级，为这类长链路任务提供了更强的基础设施。

基准数据：8 项自报成绩，均未经第三方验证

根据 BenchLM 追踪数据，Ling-3.1-flash 公布了 8 项基准成绩，全部来自蚂蚁百灵发布截图（X/Twitter @AntLingAGI），尚无任何第三方独立评测结果。各维度得分及与当前已验证领先者的对比如下：

编码类

智能体类

知识类

需要注意的是，以上基准的评测工具链和评分设置均未公开文档化。HealthBench Professional 在"AQ 环境"中评测，且标注的医疗能力目前仅在 AQ 环境可用。这些是厂商自报结果，不构成独立测量或临床认证。

开源策略与时间表

Ling-3.1-flash 采取"先试用、后开源"的发布节奏。两周免费试用是这次发布中最务实的部分：开发者无需付费即可上手验证，试用期间 25.6 万 token 的上限对大多数长文档和 Agent 试点场景已够用。

试用结束后，官方计划开放完整的 100 万 token 上下文窗口并开源模型权重。参考 OrcaRouter 记录，Ling-3.0-Flash 从发布到开源权重之间存在约两周间隔，因此 Ling-3.1-flash 的开源预计在 10 月中旬前后。但开源的具体许可协议和权重发布时间尚未确认——这两点将直接决定 Ling-3.1-flash 能否真正进入国产开源第一梯队的实战序列。

此前蚂蚁百灵已开源过 Ling 系列的 tiny 和 flash 基础模型（如 Ling-3.0-flash-Fin 采用 MIT 许可）。如果 Ling-3.1-flash 沿用 MIT 或 Apache 2.0 许可，5600 亿参数级别的开源模型将为国内开发者提供一个在 DeepSeek V4、Qwen3.8 之外的新选项。

国产开源模型生态格局

Ling-3.1-flash 的发布进一步丰富了国产大模型矩阵。当前国产开源第一梯队的主要选手包括：

• DeepSeek V4：1M 上下文、API 兼容 OpenAI/Anthropic、零 CUDA 依赖
• Qwen3.8 系列：27B 到 2.4T 多规格，Apache 2.0 许可，Hugging Face 下载量领先
• Kimi-K3：Moonshot 旗下的长上下文模型
• Ling 系列：蚂蚁百灵出品，金融和多模态方向有专用变体

Ling-3.1-flash 的差异化在于：560B 总参 / 25B 激活的 MoE 配置在"总参数量"上领先同梯队竞品，但"激活参数"仍控制在 25B 级别，理论上可以在合理硬件上实现部署。百万级上下文窗口则是对标 Gemini 4 Argon（1M 输出 token）和 DeepSeek V4（1M 上下文）的关键能力。

选型建议

对于正在评估 Agent LLM 的开发者和企业，Ling-3.1-flash 值得在以下场景验证：

1. 长上下文 Agent 场景：需要处理数十份文档、多轮工具调用的 Agent 工作流，百万 token 窗口是核心需求
2. 金融/医疗垂直应用：蚂蚁百灵此前在金融方向的积累（Ling-3.0-flash-Fin）可能在该模型上有延续
3. 成本敏感的大规模部署：25B 激活的 MoE 在推理成本上有天然优势，待开源后可评估私有化部署的硬件需求

验证时重点关注两个维度：长上下文下的有效记忆长度（不能只看标称窗口，需测试信息检索准确率随上下文增长的变化），以及 Agent 多步任务的稳定性和工具调用准确率。

同时建议关注开源落地后的两个关键信号：许可协议（MIT/Apache 2.0 为商用友好，自定义许可需仔细审查）和权重发布时间。这两个信号决定了 Ling-3.1-flash 是"又一个参数竞赛的参与者"还是"真正可进入生产部署的选项"。

来源

• TechNode 报道（2026-09-30）：https://technode.com/2026/09/30/ant-group-launches-ling-3-1-flash-with-560-billion-parameters/
• IT 之家报道（2026-09-30）：https://www.ithome.com/1/008/907.htm
• InclusionAI 官方 X/Twitter：https://x.com/AntLingAGI
• Vercel AI Gateway 模型页面：https://vercel.com/ai-gateway/models/ling-3.1-flash
• BenchLM 基准追踪：https://benchlm.ai/models/ling-3-1-flash
• LLM Reference 模型页面：https://www.llmreference.com/model/ling-3.1-flash
• AI Weekly 报道（2026-09-30）：https://aiweekly.co/alerts/ants-inclusionai-ships-ling-31-flash-with-560b-parameters