螞蟻百靈開源 Ling-3.1-flash-1019，主攻 Personal Agent 長程任務
10 月 28 日，螞蟻集團百靈大模型開源 Ling-3.1-flash-1019，面向 Personal Agent 場景強化複雜工作流與多步驟任務，在 Artificial Analysis 智慧指數 v4.3.2 中得 44 分，比上一版高 3 分。
公開了 560B 總引數 MoE 基座的 MIT 許可權重與 AutomationBench 62%→68% 等逐項提升，為 agent 後訓練和領域適配提供了可直接取用的開源起點。
原標題：Personal Agent走向真实任务，蚂蚁百灵开源 Ling-3.1-flash-1019
閱讀原文
| 評分 | 72 / 70（平均 71，門檻 65） |
|---|---|
| 狀態 | 精選 |
相關報導
螞蟻百靈開源 Ling-3.1-flash，主打真實工作流任務
螞蟻百靈開源 Ling-3.1-flash，主打把真實工作流裡的活幹完，而非刷榜。模型總引數約 560B、每 Token 啟用約 25B，上下文視窗達 1M；混合精度量化後權重佔用從約 534GB 降至 292GB，部署所需 GPU 由 8 卡降至 4 卡。據 Artificial Analysis，其智慧指數 41，輸出速度約每秒 210 Token，混合呼叫價格約每百萬 Token 0.19 美元，辦公任務評測 GDPVal-AA V2.1 的 ELO 為 1673。
螞蟻數科發布決策模型 LingDT-Decision-1.0，27B 版本評測居首
螞蟻數科 10 月 22 日發布決策模型 LingDT-Decision-1.0，含 4B 與 27B 兩個版本，已在自家 DTMaaS 平台上線並限時免費體驗。該模型面向意圖判斷、規則分類等高頻判定任務，首創原生多選與按序決策（DAG）能力；在 23 項開源基準上 27B 版本綜合評分居首，超過 Microsoft-Decision-1、Jev 1.13.0 等熱門決策模型。
Ollama 上線 40B MoE 開源模型 Flint，主打端側程式設計
Ollama 上線由 Recursive SI 開發的約 40B 引數 MoE 開源模型 Flint，面向端側 agentic coding 場景。官方給出短上下文下的生成速度：M4 Pro MacBook Pro 上超過 125 tps，64GB 視訊記憶體的 NVIDIA RTX Spark 上超過 150 tps。
中國電信開源意圖理解模型 Xing4.0-29B-Intent，同步開放 275 萬條語料
中國電信星辰通用人工智慧實驗室發布並開源意圖理解專用模型 Xing4.0-29B-Intent，同時開放 275.3 萬條訓練語料、模型權重與推理映象，程式碼採用 Apache 2.0 許可。模型按統一 Schema 輸出 JSON，可同時完成意圖分類與引數抽取；官方評測總分 58，高於 18 款參評通用模型的最高分 49。類別決策總分 70，領先 Jev 的 56 和 GPT-6-Luna 的 65。
Ollama 上線 Liquid AI LFM3 小模型家族，1.7B 支援 256K 上下文
Ollama v0.40.12 上線 Liquid AI 的 LFM3 小模型家族，面向本地 agent、工具呼叫與結構化輸出。1.7B 的 lfm3 支援 256K token 上下文，系列另有影像版 lfm3-vl、覆蓋 18 種語言語音的 lfm3-audio 與三模態的 lfm3-omni，以及 2B 的 d1 決策模型。本次 lfm3 與 d1 2b 已支援 Apple 硬體，Linux/Windows 稍後跟進。