发布灵光 2.0 仅一天后，蚂蚁在 10 月 28 日做了一件更"支棱"的事：把灵光背后的模型 Ling-3.1-flash-1019 和它的基座 Ling-3.1-flash-base 一起挂上了 Hugging Face 和魔搭，采用 MIT 许可。总参数 5600 亿、每 token 激活约 250 亿——一个明确的信号：国产开源又往前拱了一步。
分数不是重点，"把事办完"才是
在第三方 Artificial Analysis 智能指数 v4.3.2 上，Ling-3.1-flash-1019 拿到 44 分，较上一代提升 3 分，在同规模开放权重模型里排第 4。单看这个分数不算炸裂，但拆开分项，方向非常清楚：
涨的全是"长链路"的分——AA-Briefcase 从约 1400 Elo 升到 1524，AutomationBench-AA 从 62% 升到 68%，科学推理 CritPt 从 18% 升到 26%（提升幅度最大）；而单点科学代码生成 SciCode 只从 54% 涨到 57%。换句话说，单轮答题能力几乎没动，动的是"多步骤、要维持状态、要自我纠错"的那部分——而这恰恰是 Agent 落地的真实瓶颈：不是第一步答得好不好，而是第 12 步还记不记得自己要干什么。
为什么偏偏把基座和成品一起开源
在一个"个人智能体全球爆发"的节点，蚂蚁选择把基座和成品一起开源，逻辑很直白：模型定位不是"聊天"，是"干活"。官方口径明确——面向 Personal Agent 场景进一步后训练，主攻复杂推理和智能体任务。以行业调研为例，AI 要查资料、分析、出报告；处理办公流程时还要调工具、在多个软件间操作，token 消耗比对话高出一个量级。
把权重开放，等于把"能力底座"交给社区去二次开发、做私有化、嵌进自己的业务流程。对一家有支付和政务场景的公司来说，开源也是一张信任牌——"你不放心把账单交给黑盒？那模型你拿去自己部署"。
5600 亿总参、250 亿激活，这笔账怎么算
MoE（混合专家）架构的核心，是把"知识容量"和"单次推理成本"拆开算。5600 亿总参数决定了模型能装下多少知识，而每个 token 只激活约 250 亿参数，决定了它跑一次要花多少算力。换句话说，它用中等模型的推理开销，撑起了大模型的知识面。
代价在显存。总参数再多，权重也得全部装进机器里，自托管的硬件门槛并不会因为"激活少"而同比下降。所以这类模型最适合的场景，是有稳定高吞吐、又需要私有化部署的企业——摊薄下来硬件成本可控，还能拿到接近旗舰的知识密度。
MIT 许可则是另一半吸引力。它允许商用、允许修改、允许闭源分发，企业可以把它嵌进自己的产品而不必开源衍生代码。对一家想把模型塞进支付、政务、办公流程的公司来说，"能改、能藏、能自己部署"这三件事，有时比榜单上多两分更重要。
国产开源的节奏感
Ling-3.1-flash 的发布，和同周的 Kimi K3.1 Pro、DeepSeek V4.1 Flash 一起，构成了一幅清晰的图景：国产开放权重正在把竞争维度从"单一 benchmark 分数"拉到"长链路 Agent 能力 + 可商用授权 + 社区生态"。当"开源且能干活"成为标配，企业级 AI 应用的选型，又多了一个值得认真评估的国产选项。