让AI造城市，一口气干活十几个小时，蚂蚁百灵Ling-3.1-flash把AI带进真实工作流

编辑｜山辉、冷猫

上个月，Jev 火遍了 AI 社区。

一个完全不会输出长文本的智能体，主要工作是做判断。它朴实无华，但足够快，足够实用，被不少开发者接进了 Agent 工作流。

能力离谱到能够实现在 MC 里全自主从零开始击败末影龙。

Jev 的走红，多少反映出今年 AI 正在发生的一种变化：大家关心的能力越来越务实。毕竟，真正让 AI 干活，远比解题刷分刷榜更复杂。

工作中的任务往往是复杂的，长程的。让 AI 独立完成，它得自己找资料、分析信息、发现问题，再决定要不要回头修改补充。一旦中途走错方向，还得及时纠正。任务持续的时间越长，出错和跑偏的可能性就越大。

但真正能啃下这块硬骨头的大模型，目前还屈指可数。如今，开源大模型领域的重要玩家蚂蚁百灵，也开始在这一方向上发力。

9 月 30 日，蚂蚁百灵发布 Ling-3.1-flash，并于 10 月 15 日正式开源。这次升级，重点瞄准的就是复杂任务和长程执行。

拿到模型后，我们也想试试它的成色：如果不再把任务拆成一步步的提示词，直接把整项工作交给 AI，它到底能干到什么程度？

于是，我们准备了几项不同类型的任务，让 Ling-3.1-flash 自己上手。

架构、性能、成本，Ling-3.1-flash 的三张牌

先简单看看 Ling-3.1-flash 的基本面。

模型总参数约 560B，但每处理一个 Token，只需激活约 25B 参数，上下文窗口最高支持 1M Token。

架构上，Ling-3.1-flash 延续了百灵此前的混合线性注意力设计：每 7 层 KDA 搭配 1 层 Gated MLA，512 个路由专家中，每个 Token 激活 8 个路由专家和 1 个共享专家。

简单来说，既要让模型装得下足够多的信息，又要控制处理长上下文的计算成本。

其中，KDA 采用线性复杂度设计，随着上下文变长，计算开销不会像传统全注意力那样快速膨胀。而每 8 层保留的 Gated MLA，则为模型提供了全局信息交互的通道，帮助它在处理长序列时捕捉关键关联。

这样的组合，尤其适合需要反复读取资料、维护大型代码库，以及连续调用工具的复杂任务。

从公开评测来看，Ling-3.1-flash 已经在多个涉及真实任务的基准测试中展现出竞争力。

比如，GDPVal-AA V2.1 考察的是日常办公场景下的综合任务处理能力；FrontierSWE 和 Terminal-Bench 4.0，分别检验模型解决复杂软件工程问题、使用终端工具完成任务的能力；HealthBench Professional 则关注医疗场景中的专业信息理解与沟通。

Ling-3.1-flash 在 Artificial Analysis 的智能指数中得分 41，在开源模型中是一个相当不错的成绩。

百灵在这个版本中强调一个词：「智效比」。

说白了，就是完成同样一项任务，模型究竟要消耗多少算力、多少时间，以及多少钱。模型能力再强，如果每执行一项任务都要付出高昂成本，真正落地时也很难大规模用起来。

根据 Artificial Analysis 的公开评测数据，Ling-3.1-flash 的智能指数为 41，输出速度约 210 Token/s，混合调用价格约为每百万 Token 0.19 美元，在速度和价格方面都颇具竞争力。

为了把成本进一步压下来，百灵还在部署层面下了功夫。通过对路由专家采用 MXFP4 量化，同时将 Dense 层保持在 block-FP8 精度，模型权重占用从约 534GB 压缩至 292GB，部署需求也从 8 卡降到了 4 卡。相当于把模型需要占用的显存空间压缩了近一半。

看完基本面，我们直接上手实测。

让 AI 当一次编辑

我们的日常大致是这样，每天要从海量的行业信息中筛出值得关注的消息，找到原始信源确认事实，补充技术背景和行业语境，最后形成一个能拿给团队讨论的选题思路。从发现一条线索到形成可用的研究材料，中间通常需要多次搜索、反复比对、持续判断。

我们在百灵的「热点侦察站」场景中对 Ling-3.1-flash 进行了这次测试。

指令很简单，搜索过去 24 小时值得关注的 AI 行业新闻，筛选出有报道价值的消息，给出新闻摘要、发布时间、原始信源和推荐理由。

模型开始工作后，首先调用了联网搜索工具检索近期动态。这里需要区分的是，搜索能力来自平台接入的工具，模型自身负责的是信息筛选和价值判断。

最终，模型给出了八条候选新闻，从微软、Meta 的大模型进展，到 Anthropic 的安全评估、AI 行业监管、企业营收和产业政策，覆盖了多个方向。

（图注）精选新闻节选

为了方便阅读，我们要求模型以网页看板呈现。

从结果来看，模型对头部行业动态的覆盖比较充分，对新闻中一些关键的事实边界也有所注意，例如区分模型完成预训练与正式发布、企业自评数据与独立验证结果。

对我们而言，主要的效率瓶颈在于判断。哪怕强如 GPT-6 Astra，都无法在选题判断上为我们的工作提高多少效率。

那么，Ling-3.1-flash 在选题判断上表现如何？

它将微软 MAI-Base-2、Meta Muse Spark Open，以及 Anthropic 向 METR 开放内部访问权限列为最值得优先报道的三条消息，分别对应大模型训练、开放权重生态和 AI 安全治理三个方向。有意思的是，这三条新闻也全部出现在我们当天真实的选题资料中。这说明，在重点行业新闻的识别上，模型与专业编辑的关注方向相当接近。

回到真实的办公室场景，这次测试已经展现出了相当实用的价值。对于每天都要处理大量信息的编辑来说，这意味着选题准备已经有了新的效率提升空间。

而这也正是我们希望看到的模型能力，让模型能够进入日常工作流程，承担具体任务，并产出真正有用的结果。

我们让它从零造了一座城

第二项测试，我们把难度进一步提高，考察模型的长程 Coding 能力。

到了 2026 年，让大模型写代码已经不是什么新鲜事。主流模型普遍具备了不错的代码生成能力，但距离独立承担一项完整的软件工程任务，仍有不小的挑战。

真实的软件开发往往持续数小时，甚至更长时间。模型需要不断编写代码、运行测试、分析报错、修复问题，还要始终掌握整个项目的状态。随着功能不断增加，模块之间的依赖关系越来越复杂，修改一处代码，也可能引发其他功能的异常。

模型能否在长时间开发中保持稳定的工程能力，已经成为 Coding Agent 的重要考题。

在这方面，百灵官方已经展示了几个颇具代表性的案例。

例如一项极具挑战性的任务：用 Rust 重写一个 C 语言图像库，同时保持 C API 兼容、像素输出一致，并引入并行处理和 SIMD 优化。模型历时约 20 小时完成开发，30 项验证全部通过，最终实现了 8.015 倍加速。

而我们，则对 Ling-3.1-flash 的长程复杂任务能力发起了挑战：让 AI 从零开发一款尽可能完整的城市建造游戏。

城市模拟的好处是，涉及的系统非常多元，道路网络、建筑放置、车辆寻路、人口变化、经济循环、城市管理机制，各系统之间还存在复杂的依赖关系。

这意味着，模型必须在开发过程中持续处理不同模块之间的依赖关系，并通过反复测试和修改，逐步完成整个工程。

测试过程中，我们尽量减少人工干预，将主要开发工作交给 Ling-3.1-flash，观察它如何规划开发顺序、协调不同模块，以及在遇到问题时自主寻找解决方案。

整个测试分为三个阶段。

第一阶段是原型开发。 接到任务后，Ling-3.1-flash 仅用约 26 分钟，就完成了第一版可运行的城市建造游戏，包含主菜单、示范城市以及基础的建造和经营系统。

原型建筑造型为简单重复的立方体，并且城市布局密集。

第二阶段是长程优化。 针对初版建筑造型重复、城市布局密集等问题，我们追加了视觉升级要求。模型在约六小时的集中开发中，重新设计建筑、规划城市布局，并持续修改和调试渲染系统，让游戏的整体观感有了明显提升。

优化中重新设计建筑外观，并规划城市布局。

第三阶段则是人工验收后的定向修复。 我们实际进入游戏，检查建筑、道路和交通系统，进一步发现车辆外观、道路标线、遮挡关系及车辆生成逻辑等问题，于是要求模型在保留现有成果的基础上完成最后一轮修改。

Ling-3.1-flash 在 OpenCode 中持续修改游戏代码，将人口数据接入交通系统，并自主检查相关绘制函数，为后续车辆视觉优化做准备。右侧展示了实际代码变更。

自主执行游戏功能回归测试，检查经济系统、存档读写及交通逻辑。测试中发现部分用例未通过，并继续排查问题、验证修复结果。

车辆外观、道路标线和交通逻辑也到进一步完善。

从快速交付原型，到持续优化，再到根据真实使用反馈完善细节，Ling-3.1-flash 在同一份工程中经历了一轮完整的软件开发与迭代流程。

一句话，学习费马原理

第三项测试，灵感来自最近开发者社区讨论的一个新趋势。

10 月初，Andrej Karpathy 在社交媒体上提出了一个颇有意思的想法：随着 AI 编程能力的提升，未来的学习工具或许可以按需生成。

用户可以直接围绕自己的问题，让 AI 即时生成一款交互式学习应用。无论是动态图表、物理模拟器，还是可以自由调整参数的可视化工具，都能够根据具体需求定制。

这样的学习方式很有吸引力，但对模型的综合能力也提出了更高要求。它既要准确理解专业知识，设计合理的教学逻辑，还要将抽象概念转化为直观的交互形式，最终实现为能够正常运行的应用。

我们决定用 Ling-3.1-flash 验证这一设想。

这次选择的知识点，来自科幻作家特德・姜的代表作《你一生的故事》。小说中，费马原理是一个具有重要叙事意义的物理概念。简单来说，光在两点之间传播时，会沿着使传播时间取驻值的路径前进；在常见的折射场景中，这条路径对应传播时间最短的路线。

这个原理看似简单，但如果仅通过公式和文字理解，仍然有一定门槛。光为什么会在进入另一种介质时改变方向？它又是如何「选择」传播路径的？

我们向模型提出了一个相当简短的需求：「我对费马原理很感兴趣。请制作一个精美、直观、可实际操作的交互式教学网页，帮助我真正理解这个概念。」

页面从光的反射开始讲起，逐步引入折射现象和费马原理，并通过动态光路演示，将抽象的物理过程可视化。

其中最核心的部分，是一个可以自由拖拽的光路角度模拟器。用户能够调整光线经过两种介质交界面的位置，实时观察光路长度、传播时间以及相关数值的变化。

从实际体验来看，生成的网页在视觉设计、教学逻辑和交互完成度上都有不错的表现。

这意味着，模型已经能够将专业知识、交互设计和代码实现结合起来，交付一个具备实际使用价值的学习工具。

在真实世界里找寻答案

从生成一个结果，到交付一项完整的工作，模型还需要跨过可靠性、稳定性和专业性等多道门槛。

这也是蚂蚁百灵一直在探索的方向。

今年 9 月，蚂蚁百灵大模型负责人周俊在多次访谈中提到一个判断：百灵不卷跑分，要在真实世界里找 AGI 的答案。

在 Ling-3.1-flash 身上体现的很明显。百灵开始将更多精力投入复杂任务、长程执行和实际部署效率，让模型能够在真实工作中持续发挥作用。

而在通用模型之外，百灵也在推进面向具体行业的能力建设。医疗领域，LingSante 聚焦医学知识推理、循证检索和标准化医疗流程，并通过阿福、好大夫等应用场景积累反馈；金融领域，LingFin 则面向专业投研需求，探索如何提高分析效率、降低模型幻觉带来的风险。

这些探索指向了同一个问题：如何让通用模型的能力，转化为真实产业中可靠、可用的生产力。

沿着这条路径，百灵接下来的发力方向也逐渐清晰。

一方面，继续提升基座模型的推理、规划和长程执行能力，让 AI 能够承担更复杂的工作；另一方面，通过架构优化和工程创新提高「智效比」，降低模型部署与使用的成本。同时，借助医疗、金融等产业场景的实际反馈，持续完善模型的专业能力。

回到我们这次的实测，Ling-3.1-flash 已经能够独立推进一些过去需要人工持续参与的复杂任务。它仍会出错，需要测试、核查和修正，但能够承担的工作范围正在扩大。

对于大模型而言，Benchmark 上的成绩仍然重要，它提供了衡量技术进步的统一标尺。但当模型开始真正参与工作，评价标准也必然更加具体：任务完成了多少，结果是否可靠，消耗了多少资源，又为使用者节省了多少时间。

毕竟，技术突破最终能产生多大价值，还要看它能在现实世界中解决多少问题。

© THE END

转载请联系本公众号获得授权

投稿或寻求报道：liyazhou@jiqizhixin.com