1/10Token 消耗干同樣的活！Ling-2.6-flash 想幫開發(fā)者把 AI 成本打下來

更少的 Token，更好的結(jié)果。

作者丨吳海明

編輯丨梁丙鑒 馬曉寧

用戶苦 Token 成本久矣。

“燒了幾千塊錢的 Token，Agent 還是沒把活干完”，這或許是第一批嘗鮮“養(yǎng)蝦”的弄潮兒們最不想面對、卻又最常遭遇的尷尬時刻。

當 Agent 越發(fā)全面地接管工作流，人們在交付效果的權(quán)衡中，開始更多地看到效率問題。有時候它們能自主完成需求分析、多輪修改，直接交付可用的文案或代碼，有時候卻在復雜任務的拆解中，迷失工具調(diào)用的方向。端到端的任務場景，往往會讓成本失控的問題更加凸顯。一覺醒來，Token賬單幾百美元，正事卻沒干多少。

不少開發(fā)者會將之歸咎于 Agent 的架構(gòu)設(shè)計、工具鏈的完善程度，或是 Prompt 工程的深淺。但更根本的矛盾是，大模型本身的“執(zhí)行力”，即高效完成任務的能力，可能遠未達到工業(yè)級可用標準。

這不僅指推理質(zhì)量本身，一個常被忽視的維度是詞元效率（Token Efficiency）。

當傳統(tǒng)模型在多輪對話中不斷膨脹上下文窗口、消耗驚人 Token 時，螞蟻百靈最新發(fā)布的Ling-2.6-flash，卻在用一個簡單的主張撬動開發(fā)者的注意：更少Token，更快響應、更強執(zhí)行。

一周前，代號為 Elephant Alpha 的匿名模型登陸 OpenRouter，這正是百靈模型 Ling-2.6-flash 的匿名測試版本。上線首日，Elephant Alpha 在沒有高調(diào)預熱的情況下，就迅速沖上 OpenRouter Trending 榜單第 2 位，日榜第 13 名，Token 使用量日增高達377%，prompt tokens 突破 6.11B。

開發(fā)者社區(qū)對這一路線的反應，已經(jīng)很說明問題。

01

Token效率成新賽點

官方技術(shù)文檔介紹，Ling-2.6-flsah 是一款總參數(shù)量 104B、激活參數(shù) 7.4B 的 Instruct 模型，此前通過 Elephant Alpha 展示出的核心能力，主要來自三方面革新：

? 混合線性架構(gòu)，釋放推理效率：通過引入混合線性架構(gòu)，模型從底層優(yōu)化計算效率，在 4 卡 H20 條件下推理速度最快可達到 340 tokens/s，Prefill 吞吐達到 Nemotron-3-Super 的 2.2 倍，以更高的“費效比”完成任務。

? Token 效率優(yōu)化，提升智效比：在訓練過程中，研究團隊對Ling-2.6-flsah 的 Token 效率進行了針對性校準，力求以更精簡的輸出完成既定目標。在 Artificial Analysis 的完整評測中，Ling-2.6-flash僅消耗15M tokens，約為Nemotron-3-Super 等模型的1/10，以更高的“智效比”完成任務。

? 面向 Agent 場景進行定向增強：針對當前需求最旺盛的 Agent 應用，Ling-2.6-flash 在工具調(diào)用、多步規(guī)劃與任務執(zhí)行能力上持續(xù)優(yōu)化，在 BFCL-V4、TAU2-bench、SWE-bench Verified、Claw-Eval、PinchBench 等評測中，即使面對激活參數(shù)更大的模型，依然能夠取得相近甚至 SOTA 級別的表現(xiàn)。

API 定價方面，Ling-2.6-flash 輸入每百萬 tokens 定價 0.1 美元，輸出 0.3 美元，屬實屬于“白菜價”了。目前其 API 服務已正式向用戶開放，并提供了為期一周的免費試用。

單點極限能力的榜首，早已是你方唱罷我登場，Ling-2.6-flash 更值得關(guān)注之處在于，它在控制 Token 消耗的前提下，仍然維持住了自身在 Agent 性能之爭中的強大競爭力。多位海外評測者也指出，其輸出風格與產(chǎn)品體驗更接近“實用型而非單純強大”的定位，這與其宣稱的“追求極致智效比”形成了某種呼應。

作為第一款主打 Token 效率的模型，“高智效比”究竟是營銷話術(shù)，還是實打?qū)嵉哪芰Γ课覀兊谝粫r間上手了 Elephant Alpha，不追峰值能力，不刷榜單分數(shù)，而是將它放進真實任務場景中，實測結(jié)果說話。

02

實測：少即是多，Elephant Alpha實力幾何？

? 測試一：基準測試——詞元效率（Token Efficiency）基準

為確保客觀性，我們以 Qwen3.5-122B-A10B (Qwen3.5) 和 Nemotron-3-Super-120B-A12B (Nemotron-3-Super)作為基準參照，在同等測試條件下進行對比測試。

我們設(shè)計了三組測試任務：Token 效率基準、上下文窗口驗證和 Function Calling 與結(jié)構(gòu)化輸出。

其中，Token 效率基準涵蓋代碼生成（4 道題）、Bug修復（4 道題）、文檔摘要（3 道題）、邏輯推理（5 道題）和結(jié)構(gòu)化輸出（5 道題）五大場景，統(tǒng)計各模型的信息留存率與 Token 消耗。256K 的上下文窗口是 Elephant Alpha 的核心賣點之一。我們分別在 64K、128K、200K 三個長度下測試模型的信息召回能力。

Elephant Alpha 的表現(xiàn)如何呢？先看測試結(jié)果：

可以看到，Elephant Alpha 在評測人員收集的 4 個 Bug 修復任務上展現(xiàn)出顯著優(yōu)勢，相對于 Qwen3.5 和 Nemotron-3-Super 成功修改通過 3 道的通過率，Elephant Alpha 修改后的代碼全部通過測試。

更高的信息留存率之下，輸出 Token 反而更少。Elephant Alpha 以 1,017 個 Token 完成了 Qwen3.5 和 Nemotron-3-Super 分別需要 1,539 和 1464 個 Token 才能達成的同等信息量任務，節(jié)省約 50%。在 AI 落地日益講究 ROI 的當下，這個數(shù)字頗有分量。

上下文窗口驗證方面，三者均實現(xiàn)了 100% 召回率。受限于測試環(huán)境，我們未能觸及 256K 上限，但 200K 級別的穩(wěn)定表現(xiàn)已經(jīng)證明了基礎(chǔ)能力的可靠性，足以勝任大部分任務場景。

最后，三者在 Function Calling 測試（純python環(huán)境）中均觸發(fā)工具調(diào)用，但都只完成了單步操作（搜索文件），未完成"讀文件→分析→寫入"的三步連貫操作。這一結(jié)果提示我們，當前的 Agent 能力邊界仍需在具體環(huán)境中進一步探索。

?測試二：Coding測試——工程能力的真實考驗

太多模型在基礎(chǔ)測試中表現(xiàn)亮眼，但一進入真實工程場景，立刻拉胯。因此我們決定給 Elephant Alpha 再上點強度。

我們使用開源的opencode工具，將 Elephant Alpha 放進了一個完整的項目開發(fā)流程中：創(chuàng)建一個具備 CRUD 能力的 RESTful API 服務，包含數(shù)據(jù)庫模型設(shè)計、路由配置、錯誤處理和單元測試。

這項測試考察的是模型的 Coding 工程能力，不僅僅是寫出片段式的代碼，更在于是能否理解需求、設(shè)計架構(gòu)、處理邊界條件，并在出現(xiàn)問題時回溯修改。

Markdown
請實現(xiàn)一個可運行、可測試的 `Task` RESTful API 服務，要求包含：

- CRUD 接口：`POST /tasks`、`GET /tasks`、`GET /tasks/:id`、`PUT /tasks/:id`、`DELETE /tasks/:id`
- 數(shù)據(jù)模型字段：`id`、`title`、`description`、`status`、`priority`、`due_date`、`created_at`、`updated_at`
- 校驗與錯誤處理
- 單元測試
- 項目結(jié)構(gòu)說明與運行說明

約束：

- `title` 必填且不能為空
- `status` 僅允許 `pending` / `in_progress` / `done`
- `priority` 僅允許 `low` / `medium` / `high`
- 不存在資源返回 `404`
- 非法輸入返回結(jié)構(gòu)化 JSON 錯誤
- 必須先做需求分析和架構(gòu)規(guī)劃，再編碼
- 如果測試失敗或?qū)崿F(xiàn)有問題，必須自行修復并說明原因

請輸出完整項目，而不是零散代碼片段。
先規(guī)劃模塊，然后逐步開發(fā)，最后測試。
展示你的工程化開發(fā)、測試與回溯修復能力。

先規(guī)劃，再“各個擊破”。Elephant Alpha 理解了“先規(guī)劃后編碼”的要求，在正式實現(xiàn)前先進行了需求拆解和模塊設(shè)計，從數(shù)據(jù)模型、路由配置、校驗器、控制器到測試框架，形成了清晰的MVC 架構(gòu)。這說明它不是一上來就堆代碼，這種工程化思維，已經(jīng)成為了模型能在生產(chǎn)級任務中真正落地的門票。

遇到bug，堅決改正。模塊測試過程中遇到了一些“插曲”，代碼出現(xiàn)了 Python 版本兼容性問題（async 語法、PEP 604 聯(lián)合類型寫法等），而 Elephant Alpha 從報錯信息中快速定位問題根源，并自主完成了代碼修正，無需人工介入。

這種“遇到問題→自我修正”的閉環(huán)，在傳統(tǒng)開發(fā)中往往意味著額外的 Token 消耗，Elephant Alpha 也不能免俗。但它的革新之處在于，更高的 Token 效率意味著它能在更緊湊的上下文中完成修正。對每一個環(huán)節(jié)的成本都如此砍下一刀，日積月累，不可小覷。

測試結(jié)束，不忘收個尾。Elephant Alpha 最終交付了一個包含11 個測試用例的完整項目，全部通過。它甚至還生成了清晰的項目結(jié)構(gòu)說明和運行指南——從requirements.txt依賴管理到uvicorn啟動命令，從安裝到測試運行，一條龍完整交付。

對于工程師來說，這種“有始有終”的完成度已經(jīng)達到了拿來即用的標準。

Elephant Alpha 在 Coding 場景下展現(xiàn)了三大優(yōu)勢：先規(guī)劃后編碼的工程思維、自主修正的回溯能力，以及最重要的，用更少Token完成同等任務的效率優(yōu)勢。對于需要將 AI 融入開發(fā)流程的團隊而言，這三個特質(zhì)缺一不可。

03

Token效率重塑AI評價坐標系

如果說過去的大模型競爭，是一場“誰的參數(shù)量更大、誰的 Benchmark 分數(shù)更高”的軍備競賽，那么 Elephant Alpha 的出現(xiàn)，則是為這場競賽開辟了一個新的維度，“同樣強悍的智能，但我比你更省”。

無法忽視的事實是，在 Agent 逐步靠近真實場景的今天，用戶的 Token 賬單也越發(fā)承壓。保守估計，一次代碼補全任務可能消耗幾十 Token，一次多輪對話會燒掉數(shù)百，一個 Agent 任務跑下來，這個數(shù)字可能就飆升到了數(shù)千。當Token成為硬通貨，高效就不再是錦上添花，而是核心競爭力。

值得一提的是，在英偉達 Nemotron 3 Super 的一份報告中，還特意強調(diào)了以螞蟻此前開源的 Ling-flash-Base-2.0 和智譜的 GLM-4.5-Air-Base 做基準。

由此可見，“智效比”正在成為模型 Agent 場景的通用語言。此后人們不再問“一次生成質(zhì)量有多高”，而是“每 Token 消耗能換來多少有效產(chǎn)出”。在這個坐標系下，能用 600 Token 說清楚的事，就不該浪費 800。

這場效率革命的影響，很快就會在產(chǎn)業(yè)鏈上下游爆發(fā)。

對開發(fā)者而言，更高的 Token 效率意味著更普惠的智能，它包括更低的調(diào)用成本、更快的響應速度、以及在生產(chǎn)環(huán)境中真正可接受的 ROI。當 AI 落地不再需要“燒錢換體驗”，應用的滲透速度將以指數(shù)級增長。

而在用戶側(cè)，這場效率革命也指向了一種更可靠的 Agent。更少的 Token 消耗，將直接轉(zhuǎn)化為更緊湊的上下文窗口、更低的幻覺風險、以及更穩(wěn)定的多輪執(zhí)行能力。只有當模型能在有限上下文中完成更多任務，“上下文膨脹”這個 Agent 落地最大的痛點，才真正有解。

在規(guī)模之外，當效率同樣成為了模型價值的衡量維度，發(fā)生在模型層的爭奪將真正邁上下一個臺階。

未經(jīng)「AI科技評論」授權(quán)，嚴禁以任何方式在網(wǎng)頁、論壇、社區(qū)進行轉(zhuǎn)載！

公眾號轉(zhuǎn)載請先在「AI科技評論」后臺留言取得授權(quán)，轉(zhuǎn)載時需標注來源并插入本公眾號名片。