实测：Flash模型正在从“缩水版”变成办公的“经

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）。