Ling-3.1-flash 正式开源：让真实业务需求更快变成可用成果
蚂蚁百灵正式开源 Ling-3.1-flash 模型，总参数约 560B，支持 1M 上下文。该模型在办公、医疗、软件研发等场景中可将分散需求推进为可用成果；在 Artificial Analysis 评测中智能指数达 41、输出速度约 210 Token/s；混合调用价格约 0.19 美元/百万 Token；本地部署权重从 534GB 降至 292GB，Hopper GPU 配置由 8 卡减至 4 卡。
模型需回应两层业务现实
企业和个人把模型接入业务，要回答两层问题：
- 模型能否把不完整的需求推进成可用成果；
- 能否部署在自有基础设施中，以可接受的等待时间和算力成本持续提供服务？
今天，蚂蚁百灵正式开源 Ling-3.1-flash，让团队能够在自己的任务和算力环境中，检验模型能力与推理效率。
- 🤗 Hugging Face：
https://huggingface.co/inclusionAI/Ling-3.1-flash - 🤖 ModelScope：
https://modelscope.cn/models/inclusionAI/Ling-3.1-flash
真实可用：让模型能力回应业务需求
从真实需求出发：把目标推进为成果
百灵发布 Ling-3.1-flash 时，就把模型放到办公、医疗沟通和软件研发等场景里：面对分散资料，它可以协助整理报告与汇报材料；面对零散症状，帮助梳理病史和就诊问题；面对旧代码，能够读懂原有实现、编写新功能，并依据测试结果继续修正。
这次开源，百灵希望更多团队能够在自有环境中部署和接入 Ling-3.1-flash，把这些场景能力融入自己的业务流程，更灵活地服务真实需求。
让高频业务调用兼顾能力、速度与成本
企业知识助手和代码助手经常要连续处理资料、生成内容，并根据反馈修改结果。模型既要具备处理这些任务的通用能力，也要让多轮调用保持足够快的响应。在 Artificial Analysis 的公开评测中，Ling-3.1-flash 的智能指数为 41、输出速度约为每秒 210 Token，面向高频业务场景提供智能指数与生成效率的双重能力。
当模型需要持续处理大量请求，团队还要估算调用预算。Ling-3.1-flash 的混合调用价格约为每百万 Token 0.19 美元，在图示对照模型中位于较快输出、较低价格区间，面向高频调用场景提供生成效率与成本优势。
从需求生成界面、视觉素材与交互原型
产品团队要验证一个想法，往往需要先看到页面布局和交互方式。Ling-3.1-flash 可以根据需求生成 React Native 移动应用的界面与组件初稿，让产品和研发围绕具体页面继续调整。在 Design Arena 的 Open Weights（开放权重模型）分类评测中，Ling-3.1-flash 在数据可视化、React Native 移动应用、3D 设计和游戏开发四个方向均位列第三，并在 SVG 生成和网站制作方向分别位列第四和第五（图 3）。这组公开评测结果，为模型在移动应用、交互图表、三维场景、游戏原型、矢量素材及网站构建等多种场景中的生成能力提供了参考。
更多场景：让创意形成可运行的初稿
营销团队需要快速搭建活动页面，产品团队要把移动应用想法变成可讨论的界面，设计团队需要可继续调整的图形素材。Ling-3.1-flash 可以根据文字需求辅助生成营销页面、SaaS 界面、React Native 移动应用页面和可编辑的 SVG 素材，也能制作 Web 3D 交互原型与轻量化 H5 游戏。下面的视频选取部分示例，展示模型如何将想法转化为可以继续打磨的初稿。
从 8 卡到 4 卡：让 560B 级模型更容易进入生产环境
模型能推进任务之后，还要能用企业现有算力提供服务。Ling-3.1-flash 总参数约 560B，每个 Token 激活约 25B，最高支持 1M 上下文。针对本地部署，团队对 routed experts 采用 MXFP4 量化、dense 层保持 block-FP8，权重占用从约 534GB 降至 292GB。在对应的 Hopper GPU 测试配置中，服务部署由 8 卡降至 4 卡，让具备服务器级 GPU 的团队以更少卡数运行模型；实际需求仍随上下文、并发量和服务配置而变。
针对长资料处理，团队提供长上下文并行推理方案（PCP/DCP）；工具调用也加强了对 JSON Schema 的支持，方便与现有业务接口对接。
企业知识问答、办公助手常要先读取较长资料，用户仍希望尽快看到回复。团队通过算子融合与 DSpark 投机解码减少推理开销：在平均输入约 25.47K Token、输出约 224 Token、缓存命中率为 76% 的模拟生产请求中，8 卡 Hopper 配置下的平均首 Token 时间为 604 毫秒，相邻输出 Token 平均间隔为 3.28 毫秒。这为长资料输入后的交互响应提供测试参考。
持续提供服务的业务系统，还需要在固定 GPU 预算内评估单实例能承接多少请求。在平均输入约 8.5K Token、输出约 800 Token 的 4 卡 Hopper 吞吐测试中，模型达到约 1.36 QPS，同时满足首 Token 时间 P50 小于 3 秒、相邻输出 Token 间隔 P90 小于 70 毫秒的测试约束。这为自有部署的容量规划提供参考。
从服务器到手机：Ling 3.0 系列的开源实践
Ling-3.1-flash 在对应测试配置中的服务卡数降至 4 卡。面向不同设备与运行框架，还需要社区继续适配。上一代 Ling 3.0 系列已有具体实践：
- 在单台 DGX Spark 上运行 Ling-3.0-flash，驱动编码智能体构建、测试小游戏；
- 在 16GB MacBook Air 上运行 Ling-3.0-tiny，搭建常驻助手；
- 在 Galaxy A32 4G 上运行 Tiny GGUF，验证本地推理与工具路由原型；
- 通过 PocketPal 在小米 14T Pro 上使用 Tiny 本地对话。
社区还提供 Flash GGUF、Tiny GGUF、Flash MLX 4bit、Tiny MLX 4bit、Flash NVFP4，以及 Flash-Fin、Flash-VL 的 GGUF 适配，方便按设备和推理框架选择。
百灵团队根据 Hugging Face 公开仓库的下载读数估算，截至 2026 年 10 月 14 日，Ling 3.0 系列官方模型及社区适配仓库的近 30 天滚动下载计数接近 100 万次。社区讨论中，开发者认可多工具调研体验，也提醒复杂代码仍需检查。感谢大家持续试用与分享；这些实践为 Ling-3.1-flash 开源后的业务应用提供了参照。
从在线体验到本地部署
Ling-3.1-flash 目前提供限时 2.5 折优惠。欢迎通过如下入口体验和使用模型，在具体任务中验证效果。
- OpenRouter：
https://openrouter.ai/inclusionai/ling-3.1-flash - Ling Studio：
https://ling.tbox.cn
需要在自有环境部署的开发者，可前往 Hugging Face 或 ModelScope 获取开源权重，查看模型说明。
- 🤗 Hugging Face：
https://huggingface.co/inclusionAI/Ling-3.1-flash - 🤖 ModelScope：
https://modelscope.cn/models/inclusionAI/Ling-3.1-flash
附录 | 更多任务评测结果
JOTO 企业落地观察
- 企业部署大模型时，需在「能力上限」与「推理成本」之间做显性权衡；Ling-3.1-flash 将 560B 模型压缩至 4 卡 Hopper 可承载，意味着中等规模技术团队可绕过超大规模集群依赖，直接启动 RAG+智能体联合验证。
- 该模型在 Design Arena 多项生成任务中稳定位列前三，说明其结构化输出（如 React Native 组件、SVG、JSON Schema）已具备工程可用基线；企业知识工程团队可将其作为「原型生成层」嵌入低代码平台流水线，缩短从需求文档到可评审 UI 的周期。
- 首 Token 延迟 604ms、Token 间隔 3.28ms 的实测数据，指向一类典型部署场景：需实时响应但非强实时的内部办公助手；这类系统对 P90 延迟敏感度低于对外服务，更适合采用量化+投机解码组合策略平衡质量与吞吐。
- 社区已出现从 DGX Spark 到 Galaxy A32 的全栈适配实践，表明模型架构对推理框架抽象较充分；FDE 驻场共创中，可优先复用 Tiny/Flash 系列的轻量适配经验，降低客户侧硬件改造门槛。
立即咨询 JOTO
JOTO 提供覆盖企业智能体规划与搭建、AI 平台私有化部署、RAG 知识工程、AI 安全治理、FDE 驻场共创及持续运营优化的全周期 AI 落地服务，帮助企业把验证中的 AI 能力转化为安全、可控、可持续迭代的生产力。 联系 JOTO 获取 AI 落地咨询
想把这些做法用到你的业务里?
留下你的场景和痛点,我们帮你判断从哪一步开始。
联系我们
