我用 Ling-3.0-flash 跑了一份 Web3 尽调，13 秒出完 10 个公链。 放在以前，这种活至少两小时——打开 10 个白皮书、查 CoinGecko、看 DeFiLlama、翻审计报告、对照团队 Twitter 验证。现在贴个 Rubrics + 10 段项目资料，回车就出。 我给它的任务很简单：按团队/技术/代币/社区/风险 5 个维度、每个 20 分，给 Bitcoin、Solana、Ethereum、Arbitrum、Base、Polygon、BSC、Tron、Hyperliquid、Provenance 各打一个总分，列出每个维度的依据、最大风险点、投资建议。 它输出的格式我基本没改就能用——Markdown 分块、依据带括号、风险点列 1/2/3。 这套活最能体现 Ling 的优势： - 124B 总参数、激活只 5.1B，单次推理成本极低——跑 10 个项目也就几分钱 - TTFT 低于 100ms，13 秒跑完不是优化出来的，是正常速度 - 工具调用稳，中间没出现"格式跑偏""漏字段""幻觉数据"的情况 - 256K 原生上下文，10 个项目资料全塞进去不爆 对比一下：同样的任务我之前用某 1T 级模型跑过，单次调用要 4-5 倍的 token 成本，输出质量没明显更好。 这套用法适合谁： - 投研人快速批量过新项目 - Builder 给自己赛道做竞品对标 - 机构内部建立标准化打分体系 Web3 项目方值得把这个流程固化成脚本——每天扫一遍新项目，AI 给分，人工过 Top 3。比养一个全职分析师便宜，比自己一个个看快 50 倍。 DYOR。模型是工具，工具好不好用，拿自己的活测一次。