螞蟻集團 Ling 團隊推出 Ling-3.1-flash-1019，稱新版本經進一步後訓練，重點提升推理和實際智能體（Agent）工作流程；團隊亦同步開放 Ling-3.1-flash-base，讓開發者自行延續訓練或調整模型。兩款模型延續家族的主要規模：總參數 5,600 億、每個 token 啟用 250 億參數，並支援最多一百萬 token 的上下文窗口。1610

兩款模型，面向不同需要

Ling-3.1-flash-1019 是已完成額外後訓練的版本，定位在推理、複雜工作流程及多步驟智能體任務。Ling-3.1-flash-base 則是基礎模型，適合研究人員和開發者用於繼續預訓練、領域適配，或自行進行後訓練。110

兩款模型均可在 Hugging Face 的 inclusionAI 倉庫找到。1019 的模型卡列明採用 MIT 授權；相關發布報道亦指 base 模型以 MIT 授權開放。6103944 Base 模型卡則說明，提供的權重是 BF16 格式，架構沿用混合線性 MoE（Mixture-of-Experts，專家混合）設計，結合 KDA 與 Gated MLA 注意力機制。10

目前可查到的資料支持上述架構概述，但未能核實更細緻的層數及專家數量。較有把握的規模數字是總參數 5,600 億、每個 token 啟用 250 億參數。110

基準測試有進步，但不等於所有用途都更強

與上一版 Ling-3.1-flash 比較，1019 在 Artificial Analysis Intelligence Index v4.3.2 的分數由 41 升至 44。模型卡及相關報道亦列出知識工作、流程自動化和科學測試的提升。67

評測項目	上一版 Ling-3.1-flash	Ling-3.1-flash-1019
Artificial Analysis Intelligence Index v4.3.2	41	44 67
AA-Briefcase	約 1,400 Elo	1,524 Elo 16
GDPval-AA	約 1,618 Elo	1,644 Elo 4144
AutomationBench-AA	62%	68% 16
CritPt	18%	26% 641
SciCode	54%	57% 641

Artificial Analysis Intelligence Index 的比較來自 Artificial Analysis；表內其他多項數字則見於螞蟻的模型資料及發布報道。6714 這些結果反映模型在指定測試中的表現，並不代表每一種實際用途都會有同等幅度的提升。

螞蟻另稱，base 模型在涵蓋八個範疇、共 47 項基準測試的比較中，有 32 項得分最高。這是公司公布的比較結果，現有資料未提供獨立驗證；對開發者來說，較適合視為值得試用的訊號，而不是模型必定勝過其他選擇的證明。394244

由模型能力到持續執行的 AI 助理

這次模型發布亦呼應螞蟻旗下「靈光 2.0」的產品方向。相關報道指，靈光 2.0 加入跨對話記憶、長時間任務調度及專用雲端主機，讓部分工作可在用戶離開對話後繼續運行。4351

兩者的角色要分清楚：模型負責推理和處理多步驟工作；記憶、排程，以及離開對話後繼續執行，則要靠周邊產品和基建配合。換言之，螞蟻所談的智能體能力不只是一個新模型，也包括讓任務持續運作的整套系統。14351

中文發布報道亦提到，視覺語言版本 Ling-3.1-flash-VL 已應用於靈光，並計劃稍後公開。不過，現有資料未有確認其公開發布日期。4446

開發者部署前要留意甚麼？

Ling 的資料列出對 SGLang 和 vLLM 的支援：SGLang 提供 Ling 專用開發映像；vLLM 則有從原始碼安裝的方式。25 另外，報道指如要用盡一百萬 token 的上下文窗口，需要手動把設定調高至超過 256K；不能假設預設設定已支援完整長度。2

這些文件可作部署起點，但實際表現仍要按目標硬件和工作負載測試。現有文件摘錄亦不足以確認一套適用於兩款模型的通用八卡配置。

螞蟻集團 Ling 團隊推出 Ling-3.1-flash-1019，稱新版本經進一步後訓練，重點提升推理和實際智能體（Agent）工作流程；團隊亦同步開放 Ling-3.1-flash-base，讓開發者自行延續訓練或調整模型。兩款模型延續家族的主要規模：總參數 5,600 億、每個 token 啟用 250 億參數，並支援最多一百萬 token 的上下文窗口。1610

兩款模型，面向不同需要

Ling-3.1-flash-1019 是已完成額外後訓練的版本，定位在推理、複雜工作流程及多步驟智能體任務。Ling-3.1-flash-base 則是基礎模型，適合研究人員和開發者用於繼續預訓練、領域適配，或自行進行後訓練。110

兩款模型均可在 Hugging Face 的 inclusionAI 倉庫找到。1019 的模型卡列明採用 MIT 授權；相關發布報道亦指 base 模型以 MIT 授權開放。6103944 Base 模型卡則說明，提供的權重是 BF16 格式，架構沿用混合線性 MoE（Mixture-of-Experts，專家混合）設計，結合 KDA 與 Gated MLA 注意力機制。10

目前可查到的資料支持上述架構概述，但未能核實更細緻的層數及專家數量。較有把握的規模數字是總參數 5,600 億、每個 token 啟用 250 億參數。110

基準測試有進步，但不等於所有用途都更強

與上一版 Ling-3.1-flash 比較，1019 在 Artificial Analysis Intelligence Index v4.3.2 的分數由 41 升至 44。模型卡及相關報道亦列出知識工作、流程自動化和科學測試的提升。67

評測項目	上一版 Ling-3.1-flash	Ling-3.1-flash-1019
Artificial Analysis Intelligence Index v4.3.2	41	44 67
AA-Briefcase	約 1,400 Elo	1,524 Elo 16
GDPval-AA	約 1,618 Elo	1,644 Elo 4144
AutomationBench-AA	62%	68% 16
CritPt	18%	26% 641
SciCode	54%	57% 641

Artificial Analysis Intelligence Index 的比較來自 Artificial Analysis；表內其他多項數字則見於螞蟻的模型資料及發布報道。6714 這些結果反映模型在指定測試中的表現，並不代表每一種實際用途都會有同等幅度的提升。

螞蟻另稱，base 模型在涵蓋八個範疇、共 47 項基準測試的比較中，有 32 項得分最高。這是公司公布的比較結果，現有資料未提供獨立驗證；對開發者來說，較適合視為值得試用的訊號，而不是模型必定勝過其他選擇的證明。394244

由模型能力到持續執行的 AI 助理

這次模型發布亦呼應螞蟻旗下「靈光 2.0」的產品方向。相關報道指，靈光 2.0 加入跨對話記憶、長時間任務調度及專用雲端主機，讓部分工作可在用戶離開對話後繼續運行。4351

兩者的角色要分清楚：模型負責推理和處理多步驟工作；記憶、排程，以及離開對話後繼續執行，則要靠周邊產品和基建配合。換言之，螞蟻所談的智能體能力不只是一個新模型，也包括讓任務持續運作的整套系統。14351

中文發布報道亦提到，視覺語言版本 Ling-3.1-flash-VL 已應用於靈光，並計劃稍後公開。不過，現有資料未有確認其公開發布日期。4446

開發者部署前要留意甚麼？

Ling 的資料列出對 SGLang 和 vLLM 的支援：SGLang 提供 Ling 專用開發映像；vLLM 則有從原始碼安裝的方式。25 另外，報道指如要用盡一百萬 token 的上下文窗口，需要手動把設定調高至超過 256K；不能假設預設設定已支援完整長度。2

這些文件可作部署起點，但實際表現仍要按目標硬件和工作負載測試。現有文件摘錄亦不足以確認一套適用於兩款模型的通用八卡配置。