双 11 上阵的百灵新模型，官方口径值得信几分

大模型圈的宣传语越来越像招聘启事：不问「会多少」，只问「能不能把活干完」。蚂蚁百灵这周开源的新模型，用的正是这个话术。

行业背景可以补一句：这一年各家几乎都在卷编程能力和榜单名次，而百灵负责人此前在外滩大会上表达过一个判断——编程不是唯一的考场，模型该用真实任务来打分。这次发布就是这个思路的落地：与其比谁的代码写得好，不如比谁能把一份大促方案从资料整理做到汇报成品。

一、发生了什么

据量子位 10 月中旬报道，蚂蚁百灵开源了 Ling-3.1-flash。按官方说法，这个模型的目标只有一个：接住真实工作流里的长任务——需求理解、任务拆解、查资料、调工具、核结果，一条链跑到底，能跨网页、文档、表格和代码环境干活，产出 Excel 和汇报材料这类成品。

架构上（以下均为厂商披露）：总参数约 560B，每个 token 只激活约 25B；注意力采用线性和全局混合的方案，八层里只保留一层全局注意力；专家池有 512 个，每个 token 选 8 个，外加 1 个共享专家。上下文窗口上限 1M。经过混合精度量化后，权重占用从约 534GB 降到 292GB，部署所需 GPU 从 8 卡减到 4 卡。

成绩方面，办公任务评测 GDPVal-AA V2.1 的 ELO 得分 1673、某第三方评测机构给出的智能指数 41、输出速度每秒约 210 token、每百万 token 混合调用价格约 0.19 美元，均来自官方或引用第三方公开榜单的口径。团队还举了一个内部例子：一项持续约 17 小时的编译器开发任务，最终独立测试通过率 97.8%——这是蚂蚁内部的自测，不是第三方复现。

二、跟你有什么关系

如果你是电商运营，双 11 这类大促方案、渠道预算表、话术文案是它的主推场景，官方演示里模型还会主动标注哪些数字待人工核验。媒体实测中，它接到大促方案需求时没有照单全收，而是先指出广告边际效率递减、库存与发货能力这些约束，再给出调整后的目标——这个行为至少说明拆解环节是过关的。

如果你是企业选型者，价格和上下文长度让它适合放进高频、多轮的办公 agent 流水线，先在非关键任务上试跑。

如果你是开发者，注意它的两个已知短板：超长文本一次性塞入时注意力会漂；当前版本没有原生视觉理解，图片要先过另一个模型。

三、怎么判断

1. 区分口径：官方评测、第三方榜单、内部自测是三种成色，引用时分开看，97.8% 这类数字先当「厂商声称」。
2. 用自己的任务测：拿一份真实的存量资料，要求模型端到端出成品，重点核对它算出的每个数字。
3. 算总账：模型单价便宜不等于省钱，视觉前置模型、多轮重试、人工校对的成本都要算进去。

四、三个别信的说法

错误说法一：ELO 分数高就等于能干你的活。 榜单任务和你的业务流程差异很大，分数只说明下限不低，不能保证上限。

错误说法二：开源了就随便上生产。 权重开放只解决获取问题，部署、微调、评测仍是自己要做完的工程。

错误说法三：97.8% 通过率代表稳定。 那是单个内部任务的测试结果，换一个任务、换一种提示，数字可能完全不同。

五、一句话结论

厂商口径听起来很全，但真正值钱的验证只有一条：拿你自己的任务跑一遍，核对每个数字。

信息来源

• 量子位：这个双十一，百灵新模型干起活来不烧心（2026-10-15）

功能与价格以官方公告为准。本文写于 2026 年 10 月 26 日。