蚂蚁百灵发布 Ling-3.1-flash，升级真实世界长任务能力

蚂蚁百灵发布 Ling-3.1-flash，总参数约 560B，每 Token 激活约 25B，上下文窗口上限为 1M。该模型延续混合线性架构，并提高线性 Attention 层比例，采用 7 层 KDA 配 1 层 Gated MLA，以及 512 个路由专家选 8 个加 1 个共享专家的设计，定位面向真实世界长任务。

该模型将上下文上限拉到 1M，同时以约 560B 总参数、约 25B 激活参数控制推理成本，并提高线性 Attention 层比例。这使长任务处理在容量与效率之间有了新的折中方案，值得关注其对长上下文场景的实际可用性。

通过混合线性架构降低长序列注意力计算开销，以 KDA 与 Gated MLA 分层组合平衡表达能力和效率；MoE 结构用 512 个路由专家中激活 8 个加 1 个共享专家，在扩大总参数的同时限制每 Token 计算量，从而支持 1M 上下文。

对产品和研发而言，1M 上下文与较低激活参数意味着可尝试更长的文档、代码或多轮任务链路，同时控制单次调用成本。但实际效果取决于长上下文的稳定性与推理延迟，需要在具体业务中验证后再决定替换或新增模型。

• 在长文档分析、代码库理解或多轮代理任务中接入该模型做 A/B 测试，对比现有模型的长上下文准确率与单次成本。
• 围绕 1M 上下文设计分段缓存或增量处理方案，降低重复长输入带来的推理开销。
• 评估将高价值但长输入的业务流程（如合同审阅、日志分析）迁移到该模型的可行性。

• Ling-3.1-flash 的实际推理延迟和吞吐数据尚未披露。
• 1M 上下文在真实任务中的有效信息保持能力尚未得到独立验证。
• 模型是否开放 API、权重或仅限内部使用，证据未说明。
• 与同级别长上下文模型的基准对比结果尚未提供。