实测：Flash模型正在从“缩水版”变成办公的“经济解”

来源：市场资讯

（来源：光子星球）

撰文 | 高晓阳

编辑 | 郝 鑫

10月15日，蚂蚁百灵正式开源Ling-3.1-flash，官方介绍是面向真实世界任务的模型升级。

Ling-3.1-flash总参数约为560B，每个Token激活约25B参数，并拥有上限为1M的上下文窗口，是一个标准的flash模型规格。

现在回头看两周前百灵的发布，最值得注意的不是模型本身，而是一张GDPVal-AA V2.1评测排名表。这个评测结果展示的是模型在工作任务中的表现。数据显示，Ling-3.1-flash以1673分排在第2，超过了GLM-5.3-flash的1641分和DeepSeek-4.1-flash的1600分，仅次于Opus-5的1708分。

办公场景具备三个特征，链路长、上下文长、单次产出价值不算高，这三个特征叠在一起，让Flash档位的模型成了办公任务的高性价比选择。

可不同Flash之间亦有差别，评测分数也并不能完全代表能力高低，今天我们将用同一个办公任务来分别测试三款不同模型的表现，看这三个Flash模型哪个用着“不烧心”。

蚂蚁拼链路，DeepSeek拼成本，智谱拼成品

三家厂商不约而同地强调模型在办公场景下的性能。该场景下，多数任务并不需要旗舰模型的强推理能力，但超长上下文会推高Token的消耗。因此，为了控制成本，大部分用户会选择Flash模型。

那各家的侧重点分别又在哪里？

Ling-3.1-flash主打全流程统一链路。官方从“办公任务往往始于一句还不够清楚的需求”切入，点明办公任务交付物种类繁多的痛点，以凸显其执行办公任务时统一链路的能力。

面对跨网页、文档、表格和代码环境的任务，模型可以根据需要开展资料研究和数据分析，制作表格和PPT，也可以生成并测试代码。这个过程中模型会将需求梳理、任务拆解、信息整合、工具调用和结果检查连接在同一条工作链路中。

而且蚂蚁已经让Ling-3.1-flash的能力进入具体产品形态，将其接入了蚂蚁集团内部运行的桌面协同Agent客户端“小虎”，让模型能够走出聊天框，在桌面环境中完成工作。

DeepSeek-4.1-flash选择用非对称模型结构来降低模型执行办公任务的成本。它采用了相较于之前DeepSeek模型全新结构，输入和输出不对称，输入激活参数只有8B，输出激活16B，以此来降低任务执行成本。

办公场景下多为总结分析类任务，具有输入长、输出短的特点。DeepSeek通过降低输入激活参数，来降低输入端成本，同时将输出激活参数维持在较高水平以保证质量。通过“一低一高”的策略，来平衡模型的智能与成本。

此外，DeepSeek-4.1-flash还通过削减KV Cache缓存大小，来降低办公场景下Agent类任务的使用成本。

GLM-5.3-Flash则是依靠新增的视觉理解能力来检查并优化自身输出。这是GLM-5系列的首个原生多模态模型，其总参数量在三个模型中最低，只有320B（Ling-3.1-flash总参数560B，DeepSeek-4.1-flash总参数552B）。

办公场景下最终交付物大多需要排版美观，GLM-5.3-Flash有了视觉理解能力加持之后，可以将输出结果与视觉上下文以及预期的结果进行对比，从而实现自我验证和优化，也可以呈现质量评估以及进行审美判断。

GLM-5.3-Flash采用线性注意力与稀疏注意力相结合的混合架构，降低使用成本。只是相较于新增的视觉能力来说，这点属于锦上添花。

综上我们可以得出，蚂蚁拼的是统一工作链路，保证任务运行时的连贯。DeepSeek拼的是成本，用非对称模型结构和减少缓存的方式来提高性价比。智谱拼的是审美，依靠模型新增的视觉理解能力去不断优化成品的视觉效果。

12万行数据实测，确实太难了

为了测试真实的模型效果，这次我们参考GDPVal-AA的标准设计案例，来检验三款模型在办公场景下的实际表现。

我们先让GPT生成了一份12万行数据的表格文件，然后把表格分别发给三个模型。在一个对话窗口中，依次让模型完成对数据体检、口径确认、分析报告产出、配图，和完成PPT制作。

首先12万行的数据塞不进任何模型上下文，模型必须自己写代码读表、抽样、分组、迭代。这并不考验模型能不能读完，而是在考验模型能不能自己找到方法来分析数据。再者把多轮对话塞进一个窗口，也是在检验模型的上下文记忆能力，看最后制作PPT的时候数据会不会出现偏差。

为了尽可能的控制变量，我们把Ling-3.1-flash接入到了WorkBuddy里面，让三款模型在同一个Agent中完成测试。

在初始数据清洗的阶段，一开始我们先让模型完成对数据的“体检”，找出表格中的漏洞，三款模型在这个任务中无一例外都发现了我们事先设计的10个漏洞，而且均对漏洞进行了分类。

但数据清洗结束之后，只有DeepSeek-4.1-flash主动生成了数据体检报告。结合后面的测试结果来看，这是DeepSeek-4.1-flash的一个特点，即便提示词中不提及生成报告，大部分时候它也会主动生成，这倒是会方便任务的留档。有时模型的主动行为，确实会提升用户的使用体验。

整个数据处理阶段，三款模型之间并没有表现出明显差异，分化出现在生成配图和PPT的阶段。

我们选差异度最大的一组图来看，结果出乎意料，三款模型输出全部错误。我们让GPT分析了错因，Ling-3.1-flash和GLM-5.3-Flash犯了同一个错误，都是数据清洗不完整；DeepSeek-4.1-flash则是把有单位问题的数据加入了计算，再加上计算方式的错误，使得结果依旧与真值不符。

Ling-3.1-flash生成

DeepSeek-4.1-flash生成

GLM-5.3-flash生成

这样的结局始料未及。如此看来，当需要处理的数据量庞大时，对Flash模型确实太难了。这也在提醒我们，数据分析类的任务如果要用不同模型交叉验证结果是否正确，尽量不要用同级别的模型。在验证结果的阶段还是需要用旗舰模型，毕竟只有在能得到正确结果的前提下，才可以去谈控制模型消耗成本这个话题。

最后我们再来看各模型在PPT上的审美如何。Ling-3.1-flash生成PPT的成品在排版的审美上是出彩的；DeepSeek-4.1-flash整体来说是没有太大问题，PPT中图表居多，没有出现大段文字，同时也在每页都加了图注；GLM-5.3-Flash在某些页面出现了文字溢出的情况，可见即便有了视觉能力的加持，也难免在一些细处犯错。

Ling-3.1-flash生成

DeepSeek-4.1-flash生成

GLM-5.3-flash生成

从将就到常用，Flash定位的变化

单看测试结论没有价值，我们还需要结合各模型的定价来看。Ling-3.1-flash在10月14日刚公布API价格，整体价格在DeepSeek-4.1-flash和GLM-5.3-Flash之间，打折之后的价格大约是GLM-5.3-Flash的一半，在一些复杂链路的任务下具备一定性价比。但办公场景下的任务，我们应该重点关注缓存读取的价格，这才是决定使用成本的关键。

缓存读取的价格方面，DeepSeek-4.1-flash具有绝对的优势，Ling-3.1-flash即便在2.5折的价格下也是DeepSeek-4.1-flash的6倍多。这也是DeepSeek-4.1-flash通过优化模型结构和减少缓存大小来降低成本最直接的体现，它同时降低了厂商部署和用户使用的成本。

再来看速度上的差异，DeepSeek-4.1-flash和GLM-5.3-Flash的执行速度相差不大，而Ling-3.1-flash随着强化学习带来任务效果提升，模型的思维链长度和交互轮数增加，因此耗时要长一些。蚂蚁也没有回避这个问题，称后续优化将继续关注智效比。

我们还发现DeepSeek-4.1-flash和GLM-5.3-Flash的一个共同优化点，两者都通过压缩KV缓存来优化模型。压缩KV缓存省下的是显存和带宽，同一张卡能同时跑更多请求，吞吐上去，单Token的成本就下来了。而这个优化点Ling-3.1-flash不曾提及，或许百灵可以借鉴两家的做法来优化自家模型的智效比。

Flash这个后缀，在过去一直带着点贬义，因为它是旗舰的缩水版，很笨，因此通常是预算不够时的将就。

但随着模型能力提升，这个观念正在改变。Flash模型现在可以承担越来越多的日常任务。办公场景也成为了各家Flash模型重点争夺的战场。例如，在制作PPT的测试中，三款模型不仅审美在线，甚至达到了可以直接拿来用的程度。

可不足的地方也要正视，在需要大量逻辑推理的场景中，Flash模型依旧不能胜任，这时还是需要旗舰模型来救场，然后Flash可以用来将其确定后的文档转换成可视化形式。

在旗舰模型价格逐渐走高的今天，Flash模型的高性价比在被越来越多的人看到，并应用到自己日常的工作流中。这或许在预示着AI普及的下半场，技术的价值不再只由峰值能力定义，而更在于它能否以人人可负担的成本，走进千千万万个真实的日常。从这个角度看，Flash模型将是让AI真正“飞入寻常百姓家”的答案。