上个月，一个叫 Jev 的智能体在开发者社区火了。
它不写长文，主要工作是做判断。
朴实，够快，被不少人接进自己的流程里干活。
这件事说明风向变了。
今年大家看AI工具的眼神变了。
先问能不能真把活干完，再问分数。
刷榜还在看，但排在后面。
9 月 30 日，蚂蚁百灵发布 Ling-3.1-flash。
10 月 15 日，模型正式开源。
升级的重点很清楚，复杂任务和长程执行。
我们更想验证另一件事。
不把工作拆成一步步的提示词，整件事直接丢过去，它能干成什么样。
发布页上的蚂蚁百灵标识
基本面先看三个数字。
总参数约 560B，每处理一个词元只激活约 25B。
上下文窗口最高支持 100 万词元。
架构延续百灵此前的混合线性注意力。
每 7 层线性注意力，搭配 1 层门控注意力。
512 个路由专家里，每个词元激活 8 个，再加 1 个共享专家。
Architecture 页，架构与训练目标
这套组合解决的是一个老矛盾。
既要把足够多的信息装进去，又不能让长上下文的账算不下来。
线性那一半，开销随长度平缓上升。
门控那一半，负责把远处的信息接上。
所以它适合反复翻资料，维护大型代码库，连续调工具这类活。
公开评测里，它已经在几个真实任务基准上有竞争力。
办公场景的综合任务，软件工程的难题，终端操作，医疗问答，都测过。
GDPval-AA V2.1 等几项公开评测
一家独立评测机构的智能指数里，它拿到 41 分。
开源模型里，这是个不错的成绩。
Artificial Analysis 的开源模型榜单
百灵这次反复强调一个词，智效比。
说白了，同一件事，花多少算力，多少时间，多少钱。
能力再强，单任务成本压不下来，规模落地就是一句空话。
公开数据里，它的输出速度约每秒 210 个词元。
混合调用价格约每百万词元 0.19 美元。
Intelligence Index 对 Output Speed 的分布
为了再压一层，部署端也动了刀。
路由专家走 4 位浮点量化，稠密层保留更细的精度。
权重占用从 534GB 压到 292GB，部署从 8 张卡降到 4 张。
显存需求差不多砍掉一半。
基本面看完，直接上手。
第一项测试，让它当一次编辑。
我们每天要做的事很琐碎。
从海量信息里筛出值得看的，找到原始信源核对事实，补上技术背景，最后给出一条能讨论的选题。
这类AI对话产品很多，能替你判断选题的很少。
所以指令写得很短。
搜过去 24 小时的行业新闻，挑出有报道价值的，给出摘要，发布时间，原始信源和推荐理由。
模型先调了联网搜索。
搜索能力来自平台接的工具，模型自己负责筛选和判断。
它给出八条候选，覆盖大模型进展，安全评估，行业监管，企业营收和政策。
搜索 21 篇资料后给出候选
我们要求它做成网页看板，方便通读。
「AI热点侦察站」页面的生成要求
AI热点侦察站页面的时间窗口
从结果看，覆盖够全。
它对事实边界也留了心。
比如区分完成预训练和正式发布，区分企业自评和独立验证。
我们真正的瓶颈在判断。
这一环，现在最强的闭源模型也帮不上太多。
那它行不行。
它把三条消息排在最前。
一条讲大模型训练，一条讲开放权重生态，一条讲安全治理。
巧的是，这三条当天也进了我们的选题资料。
方向上，模型和专业编辑的注意力很接近。
对每天要处理大量信息的人来说，省下来的是准备时间。
这也是我们想看到的能力。
模型进流程，接具体任务，交可用的结果。
第二项测试，把难度往上抬。
让它从零开发一款城市建造游戏。
到 2026 年，AI编程已经不算新鲜事。
新鲜的是让它独立扛完一个完整工程。
真实开发动辄几个小时。
写代码，跑测试，看报错，修问题，还要一直记着项目状态。
模块一多，依赖就缠在一起，改一处可能崩另一处。
能不能长时间保持稳定，成了这类智能体的核心考题。
百灵给过一个硬案例。
用系统级语言重写一个 C 语言图像库，保持接口兼容和像素输出一致，再加并行和向量化优化。
模型干了约 20 小时，30 项验证全过，最后跑出 8 倍加速。
加速倍数一栏的对照
我们换个更杂的题。
让它从零写一款尽可能完整的城市建造游戏。
灵城开屏，参观城市入口
选城市模拟，是因为它牵扯的系统多。
道路网络，建筑摆放，车辆寻路，人口变化，经济循环，还有管理规则。
系统之间互相咬合。
模型必须一边写一边理依赖，靠反复测试往前推。
测试里我们尽量少插手。
只给要求，不给步骤，看它怎么排顺序，怎么在卡住时自己找路。
整个过程分三段。
原型阶段的主菜单与示范城市
原型里建筑是重复的方块，布局很挤
第一段是原型。
26 分钟，第一版就能跑起来。
主菜单，示范城市，基础的建造和经营系统都在。
第二段是长程优化。
初版造型重复，布局也挤，我们提了视觉要求。
它集中干了约六小时。
重画建筑，重排布局，反复调渲染。
优化后的阳光湾，工业日收入
第三段是人工验收后的定向修。
我们进游戏自己走了一遍。
车辆外观，道路标线，遮挡关系，车辆生成逻辑，问题一条条记下来。
在编辑器里改代码，两个文件已更改
它接到清单后继续改。
把人口数据接进交通系统，还自己去查绘制函数。
继续改动灵城工程
接着跑回归测试，经济、存档和交通都过一遍。
有用例没过，它自己排查再验。
收尾版本的阳光湾，预算与人口
三段连起来看，是一轮完整的开发与迭代。
从快速交付，到持续优化，再到照真实反馈补细节。
它还是出错，需要人看，需要测试兜底。
但能接的活，范围在变大。
第三项测试换个方向。
灵感来自社区最近的一个讨论。
10 月初，一位知名工程师提了个想法。
模型写代码越来越强，学习工具也许可以按需生成。
你围绕自己的问题提要求，它当场给你做一个交互式页面。
动态图表，物理模拟，能调参数的可视化，都能定制。
这对模型的要求其实更高。
要懂专业知识，要设计教学顺序，还要把抽象概念做成能点的东西。
我们挑了一个硬一点的知识点。
费马原理。
光在两点之间走，会选一条传播时间取驻值的路径。
折射场景里，这条路径就是时间最短的那条。
原理一句话能说完，真理解不容易。
光为什么进另一种介质就拐弯，它凭什么知道该走哪条。
我们只提了一句需求。
我对费马原理感兴趣，做一个精美，直观，能实际操作的交互式教学网页。
费马原理讲解页，拖拽光路看时间
页面从反射讲起，再进折射，最后落到原理本身。
动态光路把抽象过程画了出来。
最核心的是一个可拖拽的光路角度模拟器。
拖动光线在两介质交界面的落点，光路长度，传播时间，相关数值实时变。
视觉，教学逻辑，交互完成度，都超出预期。
这说明它能把手上的专业知识、交互设计和代码实现拧成一件成品。
从给一个结果，到交一项完整工作，中间还隔着可靠性、稳定性和专业性几道门槛。
这也是百灵在押的方向。
今年 9 月，百灵大模型负责人周俊在访谈里说过一句判断。
不卷跑分，在真实世界里找答案。
Ling-3.1-flash 身上能看到这个转向。
更多精力放在复杂任务、长程执行和部署效率上。
通用模型之外，它也在做行业能力。
医疗方向有 LingSante，做医学知识推理和循证检索，在几个问诊场景里收反馈。
金融方向有 LingFin，面向投研，想办法提效率、降幻觉风险。
两条线指向同一个问题。
通用能力怎么变成产业里可靠的生产力。
接下来的路也清楚了。
一边继续提推理、规划和长程执行，一边靠架构和工程把智效比做上去。
再用行业场景的真实反馈，补专业能力。
回到这次实测。
它已经能独立推进一些过去需要人全程盯着的复杂活。
会出错，要测，要核，要修。
但这个边界正在往外扩。
跑分仍然重要，它给了统一的尺子。
可一旦模型真的进了工作，尺子就得换。
活干完多少，结果可不可靠，花了多少资源，替人省了多少时间。
技术突破值多少钱，最后还得看它在现实里解决了多少问题。
