Ling-3.1-flash
560B-A25BinclusionAI Ling
inclusionAI（蚂蚁集团）的 Ling-3.1-flash，10 月以 MIT 许可发布：560B 混合专家推理模型，每个 token 激活 25B 参数。它面向智能体、编程和长时间的办公任务。72 层中只有 9 层保留会增长的缓存，而且存的是 MLA 压缩向量，所以即使用满 256K 窗口，缓存也只多约 3 GB——决定它能在什么硬件上跑的是权重。Q4_K_M 在 4K 上下文下约需 371 GB，超过本索引里任何一张单卡。512 GB 的 Mac Studio 能分给 GPU 约 384 GB，按本站规则只能算「勉强」装下；服务器上，官方的参考配置是 8 张 H200 或 4 张 GB300 跑 FP8。Q8_0 约需 628 GB。官方称上下文窗口为 100 万 token，但发布的 config 设定为 262,144 个位置且没有缩放配置，所以这里按这个上限计算。llama.cpp 从 b11571 版起以 `bailingmoe3` 架构运行它。体积按已公布的 GGUF 文件计算，制作者给出的是 KL 散度而非困惑度，所以不显示质量损失。
262K
最大上下文
2
量化变体
GGUF Q8_0
最佳质量
—
精度保留率
量化变体对比
各量化级别的显存、质量损失及 RTX 4090 推理速度
实测 = 本站跑过 · 估算 = 本站未跑过：推算所得，或本站未核实的数字 · 社区 = 公开报告
DBRX Instruct
Databricks
MoE 旗舰（激活约 36B），需多卡；大规模代码与推理能力强。
Qwen3 235B-A22B Instruct
Alibaba Qwen3
Qwen3 旗舰 MoE（激活 22B / 总 235B）。Q4_K_M 约 142GB，对标 DeepSeek-R1 级模型。
DeepSeek-V3
DeepSeek
DeepSeek-V3 前沿 MoE（激活约 37B / 总 671B）。MLA + FP8；Q4 需多节点 GPU 集群。MLA 缓存：用当前 llama.cpp 转换的 GGUF（含 attn_k_b / attn_v_b）在 32K 下约 2 GB，本站估算即按此计算；只有单个 attn_kv_b 张量的旧版转换会缓存完整的 K 和 V，32K 下约 150 GB。
DeepSeek-R1
DeepSeek
基于 V3 MoE 的 DeepSeek-R1 推理模型。前沿级思维链 — 本地 GPU 请用蒸馏版。MLA 缓存：用当前 llama.cpp 转换的 GGUF（含 attn_k_b / attn_v_b）在 32K 下约 2 GB，本站估算即按此计算；只有单个 attn_kv_b 张量的旧版转换会缓存完整的 K 和 V，32K 下约 150 GB。
在本地运行 Ling-3.1-flash
在 Q4_K_M、4K 上下文下，Ling-3.1-flash 约需 370.6 GB —— 权重 336.8 GB、KV 缓存 0.04 GB、激活缓冲 33.7 GB。在 Q4_K_M 下，本索引中没有任何单卡能宽裕运行它，这个档位需要多卡或 CPU 卸载。这些是计算值而非实测值：估算把「宽裕」的界线画在显存的 88%，大致就是桌面环境需要留出的余量。
上下文变长会多花多少
从 4K 提到 32K 约多占 0.28 GB，总量来到 370.9 GB。这比参数量给人的印象要温和：72 层中只有 9 层的 KV 缓存会随上下文增长，因此缓存的增速只有常规架构的一小部分。该模型的原生上下文是 256K；在 Q4_K_M 下把它全部撑满约需 373 GB。
该下载哪个版本
本索引只收录了 Ling-3.1-flash 的 GGUF 格式，共 2 个档位（Q4_K_M、Q8_0）。 该模型没有公开的逐档困惑度数据，因此质量一列留空而不是填估算值 —— 在同一个模型内部，位数越多越忠实是数据唯一支持的排序。本站硬件上没有该模型的吞吐实测数据。GGUF 可在 NVIDIA、AMD 与苹果芯片上通过 llama.cpp 和 Ollama 运行；AWQ 与 GPTQ 面向 CUDA 和 ROCm 上的 vLLM；EXL2 是 ExLlamaV2 —— 仅限 CUDA，而且已经归档，适合本机使用而不适合提供服务。
常见问题
- Ling-3.1-flash 需要多少显存？
- 在 Q4_K_M、4K 上下文、batch 1 下约 370.6 GB，到 32K 时约 370.9 GB。这个数字是权重加 KV 缓存再加 10% 激活缓冲，由模型架构计算得出，不是在显卡上实测的。
- Ling-3.1-flash 能用单张显卡跑吗？
- 在 Q4_K_M 下，本索引中没有单卡能宽裕运行它。它约需 370.6 GB，意味着要多卡拆分或把部分层卸载到系统内存。
- Ling-3.1-flash 该用哪个量化档位？
- 该模型没有公开的质量对比数据，所以按体积来选：Q4_K_M 是多数人使用的档位，bits-per-weight 越高越忠实。索引中的 2 个档位是 Q4_K_M、Q8_0。 注意这是 MoE 模型 —— 尽管每个 token 只激活一部分参数，全部参数仍需驻留显存，因此显存开销按总参数量算，而不是激活参数量。
这个模型能跑在哪
按 Q4_K_M、4K 上下文估算，显存从小到大排列。「从容」指估算占用不超过显存的 88%。
- 提供格式
- GGUF
怎么把它跑起来
针对本模型及同类硬件的部署指南。
本页数字会随模型数据或运行时版本的变化而更新。最近更新 2026-10-18 RSS → /zh/feed.xml