三款 Flash 模型办公实测：12万行数据任务全部出错

10月15日，蚂蚁百灵正式开源Ling-3.1-flash，官方称其为面向真实世界任务的模型升级。光子星球随后将它与DeepSeek-4.1-flash、GLM-5.3-Flash放在同一Agent中，用一份12万行数据的表格完成数据体检、分析报告、配图与PPT制作，对比三款Flash模型在办公场景下的实际表现。

测试显示，三款模型在数据清洗阶段均找出了预设的10个漏洞，但在生成配图环节全部输出错误；PPT成品方面，Ling-3.1-flash排版较出彩，DeepSeek-4.1-flash图表为主并附有图注，GLM-5.3-Flash部分页面出现文字溢出。

三款模型同台实测

此次测试选取的三款模型分别是蚂蚁百灵Ling-3.1-flash、DeepSeek-4.1-flash与智谱GLM-5.3-Flash。测试参考GDPVal-AA的标准设计案例，先由GPT生成一份12万行数据的表格文件，再分别发给三个模型，在同一对话窗口中依次完成数据体检、口径确认、分析报告产出、配图和PPT制作。

为控制变量，测试将Ling-3.1-flash接入WorkBuddy，让三款模型在同一个Agent中完成全部环节。12万行数据无法塞进任何模型的上下文，模型必须自行编写代码读表、抽样、分组和迭代，这检验的是模型能否自己找到分析数据的方法；多轮对话集中在同一窗口，也同时检验上下文记忆能力，看最后制作PPT时数据是否出现偏差。

从规格看，三款模型均属Flash档位。Ling-3.1-flash总参数约560B，每个Token激活约25B参数，上下文窗口上限为1M；DeepSeek-4.1-flash总参数552B；GLM-5.3-Flash总参数320B，为三者中最低。

各家路线各有侧重

三家厂商不约而同强调模型在办公场景下的性能，但侧重点不同。办公任务链路长、上下文长、单次产出价值不算高，超长上下文会推高Token消耗，多数用户因此选择Flash模型控制成本。

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不够清楚的需求切入，强调模型面对跨网页、文档、表格和代码环境的任务时，可将需求梳理、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，并能制作表格和PPT、生成并测试代码。蚂蚁还将其接入内部运行的桌面协同Agent客户端小虎，让模型走出聊天框。

DeepSeek-4.1-flash选择非对称模型结构降低成本，输入激活参数只有8B，输出激活16B。办公场景多为输入长、输出短的总结分析类任务，这一低一高的策略意在压低输入端成本、维持输出质量，同时通过削减KV Cache缓存大小降低Agent类任务的使用成本。

GLM-5.3-Flash是GLM-5系列首个原生多模态模型，依靠新增的视觉理解能力检查并优化自身输出，可将结果与视觉上下文及预期结果对比，实现自我验证和优化，也能进行质量评估与审美判断。它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。

12万行数据实测结果

在初始数据清洗阶段，三款模型均找出了事先设计的10个漏洞，并都对漏洞进行了分类。区别在于，数据清洗结束后只有DeepSeek-4.1-flash主动生成了数据体检报告；即便提示词中未提及生成报告，它大部分时候也会主动生成，便于任务留档。整个数据处理阶段，三款模型未表现出明显差异。

分化出现在生成配图环节。选取差异度最大的一组图对比，三款模型输出全部错误。经GPT分析错因，Ling-3.1-flash和GLM-5.3-Flash犯了同一个错误，均为数据清洗不完整；DeepSeek-4.1-flash则把有单位问题的数据加入了计算，再加上计算方式错误，结果与真值不符。

PPT成品方面各有优劣。Ling-3.1-flash的排版审美较为出彩；DeepSeek-4.1-flash整体没有太大问题，图表居多，没有大段文字，且每页都加了图注；GLM-5.3-Flash部分页面出现文字溢出，即便有视觉能力加持，仍在细节处犯错。

测试由此提示，数据分析类任务若要用不同模型交叉验证结果，尽量不要用同级别模型，验证阶段仍需旗舰模型，只有在结果正确的前提下才谈得上控制消耗成本。

定价与速度对比

Ling-3.1-flash于10月14日公布API价格，整体价格处于DeepSeek-4.1-flash和GLM-5.3-Flash之间，打折后约为GLM-5.3-Flash的一半，在复杂链路任务下具备一定性价比。但办公场景更应关注缓存读取价格，这才是决定使用成本的关键。

缓存读取价格方面，DeepSeek-4.1-flash具有绝对优势，Ling-3.1-flash即便在2.5折价格下也是DeepSeek-4.1-flash的6倍多。这是DeepSeek通过优化模型结构和减少缓存大小降低成本最直接的体现，同时降低了厂商部署和用户使用成本。

速度上，DeepSeek-4.1-flash和GLM-5.3-Flash相差不大，Ling-3.1-flash因强化学习带来任务效果提升，思维链长度和交互轮数增加，耗时更长。蚂蚁方面没有回避这一问题，称后续优化将继续关注智效比。

测试还注意到，DeepSeek-4.1-flash和GLM-5.3-Flash都通过压缩KV缓存优化模型，省下显存和带宽，同一张卡可同时跑更多请求，吞吐提升后单Token成本下降；Ling-3.1-flash未提及这一优化点。

Flash定位的变化

Flash这一后缀过去常带贬义，被视为旗舰的缩水版，通常是预算不够时的将就。随着模型能力提升，这一观念正在改变，Flash模型已能承担越来越多的日常任务，办公场景也成为各家Flash模型重点争夺的战场。

在GDPVal-AA V2.1评测中，Ling-3.1-flash以1673分排在第2，超过GLM-5.3-flash的1641分和DeepSeek-4.1-flash的1600分，仅次于Opus-5的1708分。不过评测分数并不能完全代表能力高低，此次实测也显示，在需要大量逻辑推理的场景中，Flash模型依旧不能胜任，仍需旗舰模型救场，再由Flash将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背景下，Flash模型的高性价比正被更多人看到并应用于日常工作流。测试认为，这或许预示着AI普及的下半场，技术价值不再只由峰值能力定义，而更在于能否以可负担的成本进入真实的日常。

要点

Ling-3.1-flash总参数约560B，每Token激活约25B
Ling-3.1-flash在GDPVal-AA V2.1评测中以1673分排第2
DeepSeek-4.1-flash输入激活8B、输出激活16B
GLM-5.3-Flash总参数320B，为三款中最低
三款模型在配图环节均输出错误结果