螞蟻集團百靈團隊推出 Ling-3.1-flash-1019，這是針對推理與 Agent 工作流進一步後訓練的版本；團隊也同步發布 Ling-3.1-flash-base，讓開發者可自行延伸訓練。新版本保留 Ling 系列的主要規模：總參數 5,600 億、每個 token 啟用 250 億參數，並支援最高 100 萬 token 的上下文長度；官方資料也列出多項基準測試進步。1610

兩款模型，適用情境不同

Ling-3.1-flash-1019 是已完成額外後訓練、可直接使用的版本，螞蟻將其定位在推理和實際 Agent 任務。Ling-3.1-flash-base 則是基礎檢查點，面向想繼續預訓練、調整至特定領域，或自行進行後訓練的開發者與研究人員。110

兩款模型都可在 Hugging Face 的 inclusionAI repositories 取得。1019 的模型卡標示 MIT 授權；發布報導也指出 base 版本採 MIT 授權。6103944 Base 模型卡則說明，這是 BF16 權重檢查點，並採用結合 KDA 與 Gated MLA attention 的混合線性 MoE 架構。10

目前可查到的資料介紹了這些架構元件，但不足以確認網路上有時提及的更細部層數與專家數量。現有資料能確認的主要規模數字，是總參數 5,600 億、每個 token 啟用 250 億參數。110

基準測試顯示哪些變化？

相較前一版 Ling-3.1-flash，1019 在 Artificial Analysis Intelligence Index v4.3.2 的分數由 41 分升至 44 分。模型卡與相關報導也列出其在知識工作、流程自動化與科學評測上的進步。67

評測項目	前一版 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 的比較由 Artificial Analysis 提供；其餘多數數字則出自螞蟻的模型資料與發布報導。6714 這些結果反映的是特定評測中的比較，不能直接視為所有實際應用都會有同等幅度的提升。

螞蟻另稱，Ling-3.1-flash-base 在涵蓋八個領域的 47 項基準測試中，有 32 項得分高於另外兩款比較模型。這是公司公布的比較結果，現有資料沒有提供獨立驗證；對開發者來說，可將它視為值得自行測試的線索，而不是模型必然勝過其他選項的證明。394244

與螞蟻的個人 Agent 方向相呼應

這次模型發布也呼應靈光 2.0 的產品方向。相關報導指出，靈光 2.0 將個人助理延伸至可跨對話記憶、安排長時間任務，並透過專屬雲端主機，讓使用者離開對話後，任務仍能持續執行。4351

不過，模型能力與系統持續運作是兩件事：模型可支援推理和多步驟工作，記憶、排程與持續執行則仰賴周邊產品和基礎設施。螞蟻所談的 Agent 方向，因此不只是推出一個新檢查點，而是將模型能力放進更完整的系統中。14351

中國媒體也報導，視覺語言版本 Ling-3.1-flash-VL 已在靈光相關場景應用，並計畫日後對外發布；目前可查資料未提供確定的公開發布日期。4446

開發者部署時的注意事項

Ling 相關資料列出 SGLang 與 vLLM 的支援方式。SGLang 指引提供 Ling 專用開發映像；vLLM 指引則採從原始碼安裝的方式。25 另外，報導指出若要使用完整的 100 萬 token 上下文，需手動將設定調高至超過 256K；不應假設預設設定就能直接使用最高上下文長度。2

這些部署資訊可作為起點，實際使用仍須按目標硬體與工作負載測試。現有文件摘錄無法確認有一套適用於兩款模型、且普遍合適的八 GPU 配置。

螞蟻集團百靈團隊推出 Ling-3.1-flash-1019，這是針對推理與 Agent 工作流進一步後訓練的版本；團隊也同步發布 Ling-3.1-flash-base，讓開發者可自行延伸訓練。新版本保留 Ling 系列的主要規模：總參數 5,600 億、每個 token 啟用 250 億參數，並支援最高 100 萬 token 的上下文長度；官方資料也列出多項基準測試進步。1610

兩款模型，適用情境不同

Ling-3.1-flash-1019 是已完成額外後訓練、可直接使用的版本，螞蟻將其定位在推理和實際 Agent 任務。Ling-3.1-flash-base 則是基礎檢查點，面向想繼續預訓練、調整至特定領域，或自行進行後訓練的開發者與研究人員。110

兩款模型都可在 Hugging Face 的 inclusionAI repositories 取得。1019 的模型卡標示 MIT 授權；發布報導也指出 base 版本採 MIT 授權。6103944 Base 模型卡則說明，這是 BF16 權重檢查點，並採用結合 KDA 與 Gated MLA attention 的混合線性 MoE 架構。10

目前可查到的資料介紹了這些架構元件，但不足以確認網路上有時提及的更細部層數與專家數量。現有資料能確認的主要規模數字，是總參數 5,600 億、每個 token 啟用 250 億參數。110

基準測試顯示哪些變化？

相較前一版 Ling-3.1-flash，1019 在 Artificial Analysis Intelligence Index v4.3.2 的分數由 41 分升至 44 分。模型卡與相關報導也列出其在知識工作、流程自動化與科學評測上的進步。67

評測項目	前一版 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 的比較由 Artificial Analysis 提供；其餘多數數字則出自螞蟻的模型資料與發布報導。6714 這些結果反映的是特定評測中的比較，不能直接視為所有實際應用都會有同等幅度的提升。

螞蟻另稱，Ling-3.1-flash-base 在涵蓋八個領域的 47 項基準測試中，有 32 項得分高於另外兩款比較模型。這是公司公布的比較結果，現有資料沒有提供獨立驗證；對開發者來說，可將它視為值得自行測試的線索，而不是模型必然勝過其他選項的證明。394244

與螞蟻的個人 Agent 方向相呼應

這次模型發布也呼應靈光 2.0 的產品方向。相關報導指出，靈光 2.0 將個人助理延伸至可跨對話記憶、安排長時間任務，並透過專屬雲端主機，讓使用者離開對話後，任務仍能持續執行。4351

不過，模型能力與系統持續運作是兩件事：模型可支援推理和多步驟工作，記憶、排程與持續執行則仰賴周邊產品和基礎設施。螞蟻所談的 Agent 方向，因此不只是推出一個新檢查點，而是將模型能力放進更完整的系統中。14351

中國媒體也報導，視覺語言版本 Ling-3.1-flash-VL 已在靈光相關場景應用，並計畫日後對外發布；目前可查資料未提供確定的公開發布日期。4446

開發者部署時的注意事項

Ling 相關資料列出 SGLang 與 vLLM 的支援方式。SGLang 指引提供 Ling 專用開發映像；vLLM 指引則採從原始碼安裝的方式。25 另外，報導指出若要使用完整的 100 萬 token 上下文，需手動將設定調高至超過 256K；不應假設預設設定就能直接使用最高上下文長度。2

這些部署資訊可作為起點，實際使用仍須按目標硬體與工作負載測試。現有文件摘錄無法確認有一套適用於兩款模型、且普遍合適的八 GPU 配置。