蚂蚁把560B大模型开源了：MXFP4一刀切掉一半显存、4卡就能跑，但"百万上下文"先打个问号？

在9月30日发布时，社区的直接质疑是：免费体验只限于25.6万上下文，百万窗口需要付费后才能使用，开源更是被标记为“计划”——先吸引用户，再放出权重，这种顺序引发了部分人的不满。

10月15日，蚂蚁兑现了承诺：Ling-3.1-flash的权重正式开源，FP8检查点以MIT许可上架Hugging Face和ModelScope，同时仓库中提供了SGLang和vLLM的部署路径。

先看规格：560B的规模，25B的成本

Ling-3.1-flash是一种典型的“大参数、小激活”MoE模型：包含72层、512个路由专家，每个token仅激活8个，激活参数约为25B——占总参数的二十二分之一。采用混合线性架构，最高标称支持100万token上下文。

这个比例的目的很明确：推理成本跟随激活参数，能力上限跟随总参数。用25B的成本，借用560B的智能。上一代Ling-3.0-flash是124B/5B，这一代的这两个数字都翻了四五倍，并增加了混合推理模式。

部署策略：为何敢把专家压缩到4-bit

这次开源中最具技术含量的部分是一套混合量化方案：

策略的逻辑很清晰：512个路由专家占据了参数的主要部分，而MoE专家本身是稀疏激活的，对量化的敏感度相对较低，压缩到MXFP4后损失可控；dense层每个token都要经过，是模型的核心通道，保守地保留在block-FP8。两者结合，权重占用减少了45%，服务部署在官方测试配置中从8卡降至4卡。

需要提醒的是，官方自己也提到：实际显卡数量会随上下文长度、并发量和服务配置变化，4卡是在特定测试条件下的数字，不能直接作为采购参考。另一个社区已经发现的细节是：仓库中发布的配置max_position_embeddings为262,144，“百万上下文”目前只是模型卡目标栏中的内容——今天可以验证的是256K这一档。

跑分：官方榜单之外，听听实践者的说法

在第三方口径中，Artificial Analysis给出的智能指数为41，输出速度约为每秒210 token，评价是“在高频业务场景中智能与效率兼备”。Kilo Code上架价格：输入每百万token $0.30，输出每百万token $0.90，缓存读取每百万token $0.06——属于典型的执行层定价。

厂商自报的分数需要标注一个明显的注释：Terminal-Bench 4、SWE-bench Pro等成绩都是在百灵自家的LingCode框架上跑出来的——它基于开源编码智能体Pi改造，而LingCode本身尚未开源。用未开源的工具测试出的分数，别人暂时无法复现。

独立上手的反馈更加立体。在MindStudio的实测中，它在SQL调优上单点命中了影响最大的修复方案，单次SVG生成质量不错，模拟急救医疗问答结构完整；但在需要长链条工具调用的复杂Agent任务中——例如从Blender到Godot搭建一个完整的游戏管线——结果是“能跑完，但游戏是坏的”。低资源语言同样是其短板。

信号：开源战场在同一天撞车

10月15日这一天格外拥挤：英伟达开源了主打“始终在线”Agent的Nemotron 3.5 Super VL，阶跃星辰放出了600B的Step 5 Preview权重，蚂蚁开源了Ling-3.1-flash。三家在同一天出手，指向同一块阵地——能够部署在自有基础设施中的Agent执行层。

合理推测是，竞争的衡量单位正在从“跑分”转向“每卡每天能处理多少任务”。蚂蚁这张牌的优势很明显：医疗沟通、办公、研发等蚂蚁自身业务训练出的场景能力，加上一套从量化到长上下文并行的完整部署方案。但能否成功，取决于LingCode何时开源，以及4卡配置在实际业务并发下能否稳住。

公开资料的边界需说明：百万上下文是目标值而非当前配置，官方跑分无第三方复现，量化方案的精度损耗数据尚未随仓库公布。

权重已经就位。剩下的问题，开发者自己的任务会给出答案。

本文来自微信公众号“AI唱反调”，36氪经授权发布。