Ling-3.1-flash
关于 Ling-3.1-flash 的完整介绍（点开看；上面就是结论表）
蚂蚁 inclusionAI 的 Ling 系列开放权重模型（HF: inclusionAI/Ling-3.1-flash，**MIT**）。一手核到（HF 仓 config + 官方模型卡 README + SGLang 官方 Cookbook）：**560B 总 / 25B 激活**、**63 KDA + 9 Gated MLA**（7:1 混合线性注意力）、512 路由专家激活 8 + 1 共享、4 层稠密 FFN、hidden 4096 / 64 头、FP8 E4M3 128×128 block 权重 + 动态激活量化。权重上线口径取 HF 仓创建日 2026-10-13（官方模型卡未标发布日期；仓库 lastModified 2026-11-03）。**KV 已按一手实现复算 ≈0.05G/4K**（2026-11-13）：MLA 压缩 latent 套不进标准 GQA 六字段，层配比不是推断——transformers 官方 bailing_hybrid 配置类按 layer_group_size 8 生成 layer_types（每组最后一层 full MLA、其余 KDA），72 层里 **9 层 MLA**（第 8/…/72 层）+ 63 层 KDA（只存定长递归状态、不随上下文增长）；每层 MLA 缓存压缩 latent（kv_lora_rank 512 + qk_rope_head_dim 64 = 576 维 × 2B = 1152B/token）→ 10368B/token，加 1 层 MTP（1152B/token）合计 11520B/token → 每 4K ≈ 0.0439G，取保守上界 0.05G；原生 256K 全程 KV ≈2.8G、1M 全程 ≈11.3G。**上下文口径两说并存**：官方模型卡写 1M 上下文，SGLang 官方 Cookbook 写「原生 262,144 tokens，1,048,576 需加 YaRN 外推覆盖（factor 4.0）」——站内按 config 的 max_position_embeddings 记原生 256K，1M 标为 YaRN 外推，不把外推写成原生。**权重体积有实测**：官方 FP8 checkpoint 572,120,680,768 字节 ≈ 572.1GB（HF API safetensors.total 是字节数、不是参数量——这条坑 2026-11-13 在 ERNIE 上也抓到过；按 dtype 位宽反推参数 ≈571.4B，与官方口径 560B 差约 2.0%，两说都留着）；第三方 GGUF 仓（bartowski，blob 级实测、分片求和）Q4_K_M 358.0GB / IQ4_XS 317.1GB / Q8_0 608.4GB——单卡装不下，门槛集群。**官方速度（SGLang Cookbook 自测，非本站实测，单源 C 级）**：H200 8 卡 TP8 单流 **269.2 tok/s**（TP8+EP8 239.5）、GB300 4 卡 TP4 **175.3 tok/s**（TP4+EP4 160.0，TPOT 5.22ms，NEXTN 接受长度 2.60）；300,101-token 长提示 H200 TTFT 15.4s / GB300 12.6s。**这些数字没进本站他测表**：cookbook 页面没有发布日期，按本站 2026-11-05「缺发布日期不上架」的规矩只在这里留档。**激活参数量分歧留痕**：模型卡写 25B 激活，SGLang Cookbook 写「约 17B 激活」——两个官方口径不一致，站内取模型卡 25B。**同仓另有后训练快照 Ling-3.1-flash-1019**（2026-10-19 版）：官方模型卡写 AA Intelligence Index v4.3.2 = 44（前代 41）、v5 = 30；本站 AA 2026-11-07 快照里那条 30 分对应同一快照（v5 口径），两处一致。收录理由：Ling 系 560B 门槛档目前唯一可核的开放权重版本（站内 Ling-3.2-flash 条目 2026-11-13 复核为无可核源，已降级），读者搜 Ling-3.1 会搜到。
实测速度：什么卡、什么量化、多少 token
上传实测数据
每行是一次真实测量的完整口径：哪张卡、几张卡、什么量化、多大上下文、哪个框架哪个版本、单流还是并发、开没开投机—— 缺一项就会标出来，缺项的行不参与对比与偏差计算。本站实测行没有外链，但日志路径就是原始数据所在。 想看同一张卡跑别的模型，从这个表的显卡名点进那张卡的页面。
速查：什么卡、跑多少 token
推算值按 IQ4_XS、8K 上下文、单流；真实测量看下面的实测速度表。没有实测的模型这里只有推算，本站不把推算写成实测。
架构（非标准 GQA 常数）
此模型是 MLA 多潜注意力 / 压缩稀疏注意力 / 哈希记忆一类架构，套不进本站「层数 × KV头 × 头维」的六字段常数—— 硬填就是编数字，所以这里不假装精确：KV 按官方口径（该模型自己公布的每 token 字节数，含它自己的 KV 精度）的保守近似线性估，容量表标注「近似」。 来源：inclusionAI/Ling-3.1-flash / config.json（抓取于 2026-11-13）。
上下文档位（按 IQ4_XS）
| 上下文 | KV | 总需显存 | 16G 水位内 |
|---|---|---|---|
| 4K | 0.05 G | 296.4 G | 超 |
| 8K | 0.1 G | 296.4 G | 超 |
| 32K | 0.4 G | 296.7 G | 超 |
| 128K | 1.6 G | 297.9 G | 超 |
* 含 1G 框架开销；可用水位按 Windows 口径 88% = 14.1G。
各显存档位能开多大
| 显存 | 推荐量化 | 8K 总需 | 最多可开 |
|---|---|---|---|
| 4G | 装不下 | — | — |
| 6G | 装不下 | — | — |
| 8G | 装不下 | — | — |
| 10G | 装不下 | — | — |
| 11G | 装不下 | — | — |
| 12G | 装不下 | — | — |
| 16G | 装不下 | — | — |
| 20G | 装不下 | — | — |
| 22G | 装不下 | — | — |
| 24G | 装不下 | — | — |
| 32G | 装不下 | — | — |
| 48G | 装不下 | — | — |
| 64G | 装不下 | — | — |
| 96G | 装不下 | — | — |
| 128G | 装不下 | — | — |
| 256G | 装不下 | — | — |
| 512G | Q5_K_M | 407.5G | 3538944（约 3456K） |
「最多可开」已扣掉权重与 1G 开销；标注为「模型原生上限」时表示显存还有余但模型只支持这么长。净可用还要再减聊天模板与系统提示词的 250 token（估算值，未逐项核实）。量化档后带「（估算）」= 官方仓库没核到这档、按公式算的权重体积（方向保守偏高）；不带 = 核过官方仓库真实文件体积。
估算速度（IQ4_XS · 8K）
推算 本站暂无这一模型的实测记录。
| 显卡 | 状态 | 估算 tok/s |
|---|---|---|
| NVIDIA RTX 5090 32G | 装不下 | 需 offload ≈2–3 |
| NVIDIA RTX 5090 D 32G | 装不下 | 需 offload ≈2–3 |
| NVIDIA CMP 170HX 64G（矿卡魔改） | 装不下 | 需 offload ≈2–3 |
| NVIDIA RTX PRO 5000 Blackwell 48G（工作站） | 装不下 | 需 offload ≈2–3 |
| AMD Instinct MI100 32G（老数据中心卡） | 装不下 | 需 offload ≈2–3 |
| AMD Instinct MI50 32G（数据卡） | 装不下 | 需 offload ≈2–3 |
| AMD Radeon VII 16G | 装不下 | 需 offload ≈2–3 |
| NVIDIA RTX 4090 24G | 装不下 | 需 offload ≈2–3 |
| NVIDIA RTX 3090 Ti 24G | 装不下 | 需 offload ≈2–3 |
同一套公式也用于显卡页，两页数字必然一致。带宽按 60–85% 效率折算（offload 场景更低），并对单流解码设经验上限，因此这里的数字比纯带宽公式保守。 总需显存 = 296.4G，对比各卡可用水位。
实测数据区
上传实测数据
推理框架命令
llama.cpp
# 1) 取 GGUF 权重（本站核实过的仓库名）
huggingface-cli download inclusionAI/Ling-3.1-flash config.json
# GGUF 量化版通常在第三方转换仓库，搜「inclusionAI/Ling-3.1-flash GGUF」
# 2) 起服务（Linux/macOS 用 ./llama-server，Windows 用 llama-server.exe）
llama-server -m LING-3-1-FLASH-Q4_K_M.gguf -ngl 99 -c 8192 --port 8080
# MoE：想让专家留在内存以塞更大模型，加 --n-cpu-moe（参数名随版本变，用 --help 确认）Ollama
# 本站没核实到 Ollama 仓库里有 Ling-3.1-flash 的可用标签，所以不给命令
# 自己去查一眼：https://ollama.com/search?q=Ling-3.1-flash宁可不给命令，也不给一条跑不通的命令——照抄未核实的标签是新手最常见的卡死原因。
vLLM
vLLM 直接吃 Hugging Face 仓库名，这条最可靠：
vllm serve inclusionAI/Ling-3.1-flash --max-model-len 8192 --gpu-memory-utilization 0.90LM Studio
模型页搜「inclusionAI/Ling-3.1-flash」→ 选 IQ4_XS 或 Q4_K_M → Load →
Chat Context Length 设 8192 → GPU Offload 拉到最大仓库名 inclusionAI/Ling-3.1-flash 是本站核实过的（架构常数就取自它）。Ollama 标签与 GGUF 文件名会随发布方变动，本站不保证一定存在，拉取失败请搜同名前缀。
优化要点
- Q4_K_M 权重 333.4G、Q6_K 467.1G、Q8_0 566.6G：带「估算」的是公式值（官方仓库没核到这档），不带的核过真实文件；先在容量表里确认 8K 上下文还剩多少，再决定档位
- 上下文从 8K 提到 32K，KV 增加约 0.3G（本模型 未取到架构常数）
- 模型原生上下文上限是 256K，把 -c 设得更高属于超纲使用，质量不保证
- 想要更长上下文：-ctk q8_0 -ctv q8_0 让 KV 减半，几乎不掉质量
- MoE 速度按激活参数（本站用 25B）算，显存却必须装下全部 560B 专家；两者混用会得出完全错误的结论
- 本站对单流解码设了经验上限 200–200 tok/s（依带宽分档），超出上限的数字是公式失真而不是你的卡快