文章核心观点 - 文章以蚂蚁百灵发布的 Ling-3.1-flash 为切入点，指出当前 AI 行业关注重心正从刷榜解题转向务实干活，复杂任务与长程执行成为大模型竞争的关键方向 [4][5] - 蚂蚁百灵于 9 月 30 日发布 Ling-3.1-flash，10 月 15 日正式开源，重点瞄准复杂任务和长程执行能力 [6] - 百灵强调“智效比”概念，即完成同样任务所消耗的算力、时间和金钱，认为模型能力再强若单任务成本过高也难以大规模落地 [19] - 百灵大模型负责人周俊提出“不卷跑分，要在真实世界里找 AGI 的答案”，行业评价标准正从 Benchmark 成绩转向任务完成量、结果可靠性、资源消耗和时间节省 [66][69] 模型架构与性能 - Ling-3.1-flash 总参数约 560B，每处理一个 Token 仅激活约 25B 参数，上下文窗口最高支持 1M Token [11] - 架构延续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 [11] - KDA 采用线性复杂度设计，上下文变长时计算开销不会像传统全注意力那样快速膨胀；每 8 层保留的 Gated MLA 提供全局信息交互通道，帮助捕捉长序列关键关联 [14] - 该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 [15] - 在 Artificial Analysis 智能指数中得分 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 [18][19] - 公开评测覆盖 GDPVal-AA V2.1（日常办公综合任务）、FrontierSWE 和 Terminal-Bench 4.0（复杂软件工程与终端工具使用）、HealthBench Professional（医疗场景专业信息理解与沟通）等多个真实任务基准 [16] 部署与成本优化 - 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 [20] - 部署需求从 8 卡降至 4 卡，显存空间压缩近一半 [20] 实测一：AI 担任编辑 - 在百灵“热点侦察站”场景中测试，指令为搜索过去 24 小时值得关注的 AI 行业新闻，筛选有报道价值的消息，给出新闻摘要、发布时间、原始信源和推荐理由 [24][25] - 模型调用联网搜索工具检索近期动态，搜索能力来自平台接入工具，模型自身负责信息筛选和价值判断 [26] - 最终给出八条候选新闻，覆盖微软、Meta 的大模型进展，Anthropic 的安全评估、AI 行业监管、企业营收和产业政策等多个方向 [27] - 模型对头部行业动态覆盖充分，注意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等关键事实边界 [33] - 模型将微软 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，与专业编辑当天真实选题资料一致 [35] 实测二：长程 Coding 能力 - 百灵官方展示案例：用 Rust 重写 C 语言图像库，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 8.015 倍加速 [41] - 测试任务为让 AI 从零开发一款尽可能完整的城市建造游戏，涉及道路网络、建筑放置、车辆寻路、人口变化、经济循环、城市管理机制等多元系统及复杂依赖关系 [43][44] - 第一阶段原型开发：仅用约 26 分钟完成第一版可运行的城市建造游戏，包含主菜单、示范城市以及基础建造和经营系统 [47] - 第二阶段长程优化：针对初版建筑造型重复、城市布局密集等问题，模型在约六小时集中开发中重新设计建筑、规划城市布局，并持续修改调试渲染系统 [49] - 第三阶段人工验收后定向修复：检查建筑、道路和交通系统，发现车辆外观、道路标线、遮挡关系及车辆生成逻辑等问题，要求模型在保留现有成果基础上完成最后一轮修改 [50] - 测试中模型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 [54] - 模型在同一份工程中经历从快速交付原型、持续优化到根据真实使用反馈完善细节的完整软件开发与迭代流程 [57] 实测三：交互式学习应用生成 - 测试灵感来自开发者社区新趋势：用户可直接围绕问题让 AI 即时生成交互式学习应用，如动态图表、物理模拟器或可调参数的可视化工具 [58][59] - 选择知识点为科幻作家特德·姜代表作《你一生的故事》中的费马原理，光在两点间传播时沿传播时间取驻值的路径前进，常见折射场景中对应传播时间最短路线 [60] - 向模型提出简短需求：制作精美、直观、可实际操作的交互式教学网页帮助理解费马原理 [61] - 页面从光的反射讲起，逐步引入折射现象和费马原理，通过动态光路演示将抽象物理过程可视化，核心部分为可自由拖拽的光路角度模拟器，用户能调整光线经过两种介质交界面的位置，实时观察光路长度、传播时间及相关数值变化 [61] - 生成的网页在视觉设计、教学逻辑和交互完成度上均有不错表现，模型能将专业知识、交互设计和代码实现结合，交付具备实际使用价值的学习工具 [62][63] 行业方向与产业布局 - 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，让模型在真实工作中持续发挥作用 [67] - 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 [67] - 金融领域，LingFin 面向专业投研需求，探索提高分析效率、降低模型幻觉带来的风险 [67] - 百灵接下来发力方向：继续提升基座模型的推理、规划和长程执行能力；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成本；借助医疗、金融等产业场景实际反馈持续完善模型专业能力 [69] - 行业评价标准正变得更加具体：任务完成了多少、结果是否可靠、消耗了多少资源、为使用者节省了多少时间 [69]