蚂蚁开源灵光背后模型加码个人智能体

“AI不只是回答问题，而是把一件事从头办到尾。”

就在最近，这句话从概念变成了全球科技圈最关注的赛道——个人智能体（Personal Agent）。海外市场，Muse等产品率先把“能替你盯机票、盯股价、盯作业”的助理推到聚光灯下；国内市场，蚂蚁的灵光2.0被不少人看作“中国版Muse”。

就在10月27日灵光2.0发布、定位升级为“能管事的个人AI助理”之后，第二天，蚂蚁百灵把灵光背后的模型开源了：Ling-3.1-flash-1019和它的基座Ling-3.1-flash-base一起挂上Hugging Face和魔搭，MIT许可，5600亿总参数，每个Token激活约250亿参数。

然而，一边是“国产开源又支棱了”，一边是“用起来更贵了”。同一份权重，两种情绪。

更值得追问的是：个人智能体全球爆发的节点上，蚂蚁为什么偏偏把基座和成品一起开源？这个模型到底强在哪、贵在哪？以及当一个“个人AI助理”开始替你盯机票、盯股价、盯作业，它背后的模型账本，到底该怎么算？

先看成绩单。在第三方评测机构Artificial Analysis的智能指数v4.3.2上，Ling-3.1-flash-1019拿到44分，较上一代Ling-3.1-flash提升3分。截至10月27日，它在同规模开放权重模型中排名第4。单看这个分数，不算炸裂，但拆开分项，方向很清楚。

首先，涨的全是“长链路”的分。 AA-Briefcase从约1400 Elo升至1524 Elo，涨了124分；AutomationBench-AA从62%升至68%；科学推理CritPt从18%升至26%，是几项里提升幅度最大的；而单点科学代码生成SciCode只从54%涨到57%。换句话说，单轮答题能力没怎么动，动的是“多步骤、要维持状态、要自我纠错”的那部分。这恰好是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。

其次，这个模型的定位不是“聊天”，是“干活”。 官方口径很明确：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、分析数据、整理成报告；处理办公流程时，还要调用工具、在多个软件之间完成操作。这些任务消耗的Token量级，比日常对话高一两个台阶。

最后，能力提升靠的是后训练，不是换架构。 1019版沿用Ling-3.1-flash系列的混合线性MoE架构：总参数5600亿，512个路由专家，架构没大改，力气花在后训练上，把资源定向砸向长程任务。这个产品判断本身是对的：一个中档定位的flash型号，没必要全面铺开，补短板比刷全能分更划算。

但成绩单的另一面是账单。AA统计，1019版每项智能指数评测任务平均输出约14.5万个Token，较上一代增加超40%；单任务平均成本从1.01美元升至1.49美元。单价没涨——输入0.30美元/百万Token、输出0.90美元/百万Token、缓存读取0.06美元——涨的是“话变多了”。AA在冗长度排序里把48个模型排了个序，1019版在最末。更强的长程能力，是用更多输出Token换来的。这笔账，后面还要算。

1019版不是凭空来的。它的后训练方向，和两天前发布的灵光2.0咬得很紧。

10月27日，蚂蚁发布灵光2.0，定位从“能聊”升级为“能管事的个人AI助理”，三个新能力是重点：跨会话记忆、长程任务调度、独立云主机。官方给的场景很具体：规划旅行不只要出行程，还要延伸到出发前的天气查询、预约提醒；双十一比价要按用户要求筛选商品，持续监控价格，出现更低价格及时推送。即使用户退出对话，任务也能继续运行。

这对模型提出了三重新需求。

第一，记忆得跨得过去。 即时问答里，模型只需要处理当下这一轮输入；长程任务里，它得记住周一用户说的预算、周三比价时的偏好、周五提醒时的进度。跨会话记忆不是“上下文长一点”那么简单，它要求模型在对话关闭很久之后，还能接住之前的目标和约束。

第二，工具得调得稳。 灵光2.0的“长程任务调度”意味着模型要反复调用工具、读取反馈、在多个软件之间完成操作。一次工具调用错了就要重试，重试要重读上下文，可能还要人来复核。这也是为什么1019版把后训练资源砸向AutomationBench这类流程自动化评测——它测的不是单步工具调用，是多步骤执行中的稳定性。

第三，成本得控得住。 灵光2.0已经开始提供价格监测、持续提醒等长程任务功能，这类服务需要多次调用模型、持续跟进信息。Agent从单次对话走向长期运行，完成一项任务消耗多少Token，会直接影响服务成本。1019版用混合线性MoE架构控制单步计算开销——5600亿总参数、250亿激活，就是在容量和成本之间取平衡。但即便如此，单任务成本还是涨了47%。这说明“更强”和“更贵”在现阶段很难完全拆开。

还有一个细节值得注意：百灵基于Ling-3.1-flash训练了视觉语言模型Ling-3.1-flash-VL，在原有推理、规划和工具使用能力上增加了对照片、截图和软件界面的理解，目前已在灵光先行使用，后续将对外发布。官方展示的案例是：家长上传一张作业照片，灵光核对题目和解题过程、梳理知识点；用户说“用两周时间巩固”，它进一步制定两周学习计划，生成每日任务和记录页面。这个场景把“视觉理解”和“长程执行”接在了一起——先看懂照片里的题，再围绕学习目标组织后续行动，收到新作业再接着推进。对Personal Agent来说，能接收真实世界的信息，和能把这些信息转化为下一步动作，缺一不可。

把最近一个月的动作摆在一起看，百灵的节奏很密：9月30日发布Ling-3.1-flash；10月27日灵光2.0发布；10月28日1019版和Base同步开源，VL模型预告。产品、推理模型、开源基座，三条线几乎同时推。

一方面，同步开放1019版和Base，瞄准的是两拨人。 1019版是后训练完成版，“拿来就能用”，面向想直接部署、评估Agent能力的开发者；Base版是后训练前的BF16基础权重，“拿来就能改”，面向想做继续预训练、领域适配、后训练的团队。MIT许可的分量在于：不是“研究用途”、不是“非商用”、不是“需申请授权”，是可以直接拿去做产品、做服务、做交付的许可证。对做垂直行业Agent的团队来说，过去最难受的就是——想要个够大的基座，许可证干净的往往规模不够；规模够的，许可证又不一定干净。现在来了个5600亿参数、MIT的基座，门槛确实被削掉了一截。

另一方面，开源也是灵光2.0的“技术背书”。 灵光2.0讲的是跨会话记忆、长程调度、独立云主机，这些能力要让人信服，底层模型得拿得出证据。1019版在AA-Briefcase、AutomationBench上的提升，正好对应“把一件事从头办到尾”的能力；Base版在8个领域47项基准中32项取得三款对比模型最高分，对应的是知识、推理、长文本理解这些基础功底。开源让外部开发者能自己验证，而不只是看官方模型卡。

最后，模型和灵光2.0结合后，可用的场景正在变具体。 盯股票是一个可能的场景：用户设定关注标的和提醒条件，Agent持续跟踪价格、财报、公告，在触发条件时推送；这需要跨会话记忆记住用户持仓和偏好，需要长程调度定时拉取信息，需要工具调用接入行情接口，还需要成本可控——因为这类任务是长期、高频、多轮次的。类似的还有旅行规划中的天气跟踪和预约提醒、双十一比价中的持续监控、作业辅导中的分阶段练习安排。

这些场景的共同点是：不是“问一次答一次”，而是“定一个目标，持续办下去”。灵光2.0的独立云主机如果真能给每个用户配一个执行环境，让Agent装软件、存文件、跑定时任务，那它就从“对话框里的助手”往“云上的员工”挪了一步。不过云主机的配置规格、并发上限、是否额外收费，官方这次没有展开，实际体验还有待验证。

开源的门推开了。5600亿参数、MIT许可，基座和成品一起放出来——对做AI落地的人来说，这比榜单上多几分更值得记一笔。灵光2.0那些场景也让人有点期待：盯一趟机票、跟一只股票、陪孩子把两周学习计划走完，这些事不大，但真能办完，就是另一种体验。

当然，账本还在门后面。单任务成本涨了近一半，Agent从“答一次”变成“跟一路”，消耗只会更沉；真实工作流里的完成率和失败率，还得等更多人跑过才算数；模型卡和默认配置之间那点上下文差距，也提醒着“标称”和“能用”之间还有一段路。

这些都不是坏消息，只是说明它还年轻。门开了，接下来要看的，是每一次关掉对话框之后，那件事有没有被好好办完。