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？

9 月 30 日发布时，社区的质疑声很直接：免费体验只给 25.6 万上下文，百万窗口要等付费后，开源更是"计划"——先圈用户、再放权重，这顺序把不少人惹毛了。 

10 月 15 日，蚂蚁把承诺兑现了：Ling-3.1-flash 权重正式开源，FP8 checkpoint 以 MIT 许可上架 Hugging Face 和 ModelScope，SGLang、vLLM 部署路径随仓库一起给出。

先看规格：560B 的身体，25B 的账单 

Ling-3.1-flash 是典型的"大总参、小激活"MoE：72 层、512 个路由专家、每 token 只激活 8 个，激活参数约 25B——总参数的二十二分之一。混合线性架构，最高标称 100 万 token 上下文。

这个比例的意图很直白：推理账单跟着激活参数走，能力上限跟着总参数走。拿 25B 的成本，借 560B 的脑子。上一代 Ling-3.0-flash 是 124B/5B，这一代两个数字都翻了四五倍，还加上了混合推理模式。 

部署刀法：为什么敢把专家压到 4-bit

这次开源最有技术含量的部分，是那套混合量化方案：  

刀法的逻辑清晰：512 个路由专家占了参数的绝对大头，而 MoE 专家本身稀疏激活、对量化的敏感度相对低，压到 MXFP4 损失可控；dense 层每个 token 都要过一遍，是全模型的"主干道"，保守地留在 block-FP8。两者一混，权重占用砍掉 45%，服务部署在官方测试配置里从 8 卡降到 4 卡。

要泼的冷水官方自己也写了：实际卡数随上下文长度、并发量和服务配置变化，4 卡是特定测试条件下的数字，不能直接当采购清单。另一个社区已经发现的细节：仓库里发布的配置 `max_position_embeddings` 是 262,144，"百万上下文"目前写在模型卡的目标栏里——今天就能验证的是 256K 这一档。

跑分：官方榜单之外，听听上手的人怎么说

第三方口径里，Artificial Analysis 给出智能指数 41、输出速度约每秒 210 token，评价是"高频业务场景里智能与效率双在线"。Kilo Code 上架价输入 $0.30、输出 $0.90/百万 token，缓存读取 $0.06——典型的执行层定价。 

厂商自报分数需要挂一个醒目的注：Terminal-Bench 4、SWE-bench Pro 这些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。用没开源的考具考出来的分，别人暂时没法复现。

独立上手的反馈更立体。MindStudio 的实测里，它在 SQL 调优上单点命中最高影响的修复方案，单发 SVG 生成质量不错，模拟急救医疗问答结构完整；但到了需要长链条工具调用的复杂 Agent 任务——比如从 Blender 到 Godot 搭一个完整游戏管线——成品是"能跑完，但游戏是坏的"。低资源语言同样是短板。

信号：开源战场在同一天撞车

10 月 15 日这天格外拥挤：英伟达开源 Nemotron 3.5 Super VL 主打"始终在线"Agent，阶跃星辰把 600B 的 Step 5 Preview 权重放出，蚂蚁开源 Ling-3.1-flash。三家同一天出手，指向同一块阵地——能部署在自有基础设施里的 Agent 执行层。

合理推演是，竞争的计价单位正在从"跑分"换成"每卡每天能跑多少活"。蚂蚁这张牌的差异化很清楚：医疗沟通、办公、研发这些蚂蚁自家业务喂出来的场景能力，加上一套从量化到长上下文并行的完整部署方案。打不打得过，取决于 LingCode 什么时候开源，以及 4 卡配置在真实业务并发下能不能站住。

公开资料的边界交代一下：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。 

权重已经在那了。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。