Artificial Analysis 发布蚂蚁集团 Ling 3.1 Flash 独立评测：智能指数 41 分，Agentic 能力明显提升

10 月 6 日，独立 AI 评测机构 Artificial Analysis（下称 AA）公布了对蚂蚁集团 Ling 3.1 Flash 的第三方评测结果（）。这是一款 560B 总参数、25B 激活参数、1M token（词元）上下文窗口的推理模型，在 AA Intelligence Index v4.3 上得到 41 分，前代 Ling 3.0 Flash 为 20 分。模型本身此前已由蚂蚁方面发布，此次是 AA 给出的独立评测数据。

AA 称，这轮提升最明显的是 agentic（智能体）能力：Ling 3.1 Flash 的 GDPval-AA v2 Elo 评分为 1,622，AA-Omniscience 指数从前代的 -18 转为 +2。模型定价为每百万输入 token $0.30、输出 token $0.90；AA 表示，它目前可通过 Novita AI 使用，权重“即将”发布。

智能指数由 10 项评测构成

据，当前版本的 Artificial Analysis Intelligence Index 由 10 项评测构成，包括 AA-Briefcase v1.1、GDPval-AA v2.1、AutomationBench-AA、Terminal-Bench 4.0、AA-Omniscience 等，覆盖推理、知识、软件工程与智能体任务；页面 FAQ 给出的参照是，Ling 3.1 Flash 的分数在同价位推理模型中远高于平均（中位数为 13 分）。

前代 Ling 3.0 Flash 发布于 8 月 4 日（）；与它相比，Ling 3.1 Flash 的体量上调明显：总参数从 124B 增至 560B，激活参数从 5.1B 增至 25B，上下文窗口从 262k 扩至 1M。

Agentic 能力：四个基准的读数

AA 称，Ling 3.1 Flash 的 agentic 表现与 GLM-5.3-Flash、Gemini 3.8 Flash (high)、DeepSeek V4.1 Flash (Max) 等模型不相上下；在另一项基准 AA-Briefcase 上，它的 Elo 为 1,400。按模型页的定义，GDPval-AA 对应真实职业任务，AA-Briefcase 对应知识工作。

AA 随后补充了两项自动化基准的对比（）：Ling 3.1 Flash 在 AutomationBench-AA 得 62%、在 Terminal-Bench v4.0 得 33%，前代则分别只有 3% 和 0%。模型页把前者描述为智能体的 SaaS（软件即服务）工作流测试，后者为编码与终端使用测试。

准确率与幻觉率：AA 称涨分来自“知道更多”

AA-Omniscience 的细分数据显示，Ling 3.1 Flash 的准确率从 18% 升至 29%、幻觉率从 44% 降至 38%，尝试作答的比例基本持平（56% 升至 58%）；AA 据此判断，提升主要来自“知道更多”，而不是“更常拒答”。

按模型页的说明，这项基准奖励答对、惩罚幻觉、对拒答不扣分；0 分代表答对与答错数量相当，负分代表错多于对。AA 还给出一个对照：DeepSeek V4.1 Flash (Max) 的幻觉率为 97%。

更大也更贵：每任务成本 $0.99

Ling 3.1 Flash 的缓存输入价格为每百万 token $0.06，较标准输入价低 80%；前代的价格是每百万输入 $0.075、输出 $0.22。按 AA 的计算，它跑完 Intelligence Index 的每任务成本为 $0.99，高于 GLM-5.3-Flash（$0.42）和 DeepSeek V4.1 Flash (Max)（$0.32），低于 Gemini 3.8 Flash (High)（$1.24）；AA 称它仍位于图表中“最具吸引力的象限”。

AA 对这款模型的概括是“更大、定价相应更高，但更省 token”：跑完指数比前代少用约 16% 的输出 token。不过，模型页把它标注为 very verbose（输出极为冗长）：其指数评测共用了 2.2 亿输出 token，而比较对象的中位数是 1 亿。用户在回复中称，560B 总参数约为前代 124B 的 4.5 倍，分数上涨并不令人意外。

权重尚未公开，蚂蚁称计划“很快开源”

蚂蚁方面在表示，“我们计划很快开源该模型”。不过，AA 的模型页 FAQ 目前仍把该模型标注为专有模型、权重未公开；作为对照，前代 Ling 3.0 Flash 的权重已经公开。权重何时真正放出，是这份评测之外仍待回答的问题。