11B 的开源模型突然会自己调工具了：Bielik 3.1 把语言从 32 种加到 56 种，8GB 显卡就能跑

3分钟看懂

一句话：波兰的 SpeakLeash 基金会把一个 11B 参数的开源模型，从「只会好好说话」升级成了「会调工具、会按格式回话、会先想再答」，语言覆盖从 32 种拉到 56 种，权重今天（11 月 10 日）已经挂到 Hugging Face，Apache-2.0 可以商用。

三个关键数字：

• 11B 参数，不是旗舰，一张 8GB 显卡能跑量化版，24GB 显卡能跑 Q8_0。
• 56 种语言，第一次包含中文、日文、韩文、阿拉伯文。
• τ²-bench 提升 16 到 45 个百分点，这是考察「能不能真的把多步任务办完」的客服场景基准，也是这次升级里最实的一块。

本文基于多家媒体转述整理（官方博客、模型卡，以及波兰媒体的报道与独立实测）；涉及厂商自己的基准声明，文中会标出「官方称」。

这是什么

Bielik 是 SpeakLeash 基金会维护的波兰开源大模型系列，这一版由 SpeakLeash 与波兰超算中心 ACK Cyfronet AGH 联合发布。11B 指的是模型参数量，属于「一张消费级显卡就能跑」的量级，不是那种要几台机器才推得动的旗舰。

v3.1 不是换架构，而是在 v3.0 基础上继续加练：官方说额外训练了 5000 亿 token，再用 2600 万条样本做指令微调，并在 14 个环境里做了强化学习（用的是改进版 GRPO）。模型结构、体积、推理速度基本没动，变的是「学会做什么」。

如果你只用一句话判断要不要关心它：这是一个把「多语言」和「Agent 能力」同时塞进小模型的样本，而且它把权重的各种量化版本一次性全放了出来。

为什么重要

过去一年，开源小模型的竞争主要在「同体积下谁更聪明」。但真正让模型能进业务流程的，是三件很朴素的事：

1. 它能不能听懂你的语言，包括不是英语的语言。
2. 它能不能不去写一段话，而是回一个程序能直接用的结构（JSON、函数调用）。
3. 它能不能在一个任务里连续做几步，中途调用外部工具。

这三件事凑齐，模型才从「聊天玩具」变成「流程里的一个零件」。Bielik 3.1 的升级正好卡在这三件事上，而且是在 11B 这个能私有化部署的体积里做到的。

对非英语市场的团队来说，这一点尤其实际：你不太可能为了一个内部工单分类任务去调用一个按 token 计费的海外 API，但你完全可以在自己的服务器上跑一个 11B。

三个真正的变化

一、语言从 32 种扩到 56 种

官方说 v3.1 补齐了欧盟全部官方语言，并第一次加入欧洲以外的语言：阿拉伯语、中文、日文、韩文，以及亚美尼亚语、阿塞拜疆语、格鲁吉亚语。

模型卡里的语言列表可以从 32 项数到 56 项，这是可以自己核对的事实，不用信新闻稿。另外，除了官方点名的那些，列表里还有希伯来语、印地语、印尼语、波斯语、越南语、哈萨克语。

官方的基准数字是：阅读理解基准 Belebele 提升 8 个百分点，覆盖 44 种语言的知识与推理基准 INCLUDE 提升 5 个百分点。

这里要打个折：模型卡本身仍然写着「针对欧洲语言优化，尤其是波兰语」。所以「支持 56 种语言」的准确含义是「这 56 种它都训练过」，不等于每种都写得和波兰语一样好。

二、从「会说话」变成「会办事」

这是 v3.1 最实质的升级，三个机制一起上：

• 函数调用：模型不直接回答，而是吐出一个「请帮我执行这个函数、参数是这些」的结构。实测里问「明天格但斯克天气」，v3.1 直接给出带 Gdańsk 和 2026-11-11 两个参数的调用，日期是它自己算的。
• 结构化输出：要求返回 JSON 就返回纯 JSON，不加解释性废话。
• 显式推理：reasoning_effort 分五档（none 到 max），难任务可以先想再答，调用工具时也能带着推理。

官方在 τ²-bench 上的说法是比 v3.0 高 16 到 45 个百分点。这个基准模拟的是航空、零售、电信的客服场景：模型要理解问题、选对工具、遵守业务规则、把整个案子办完——只答对一句话不算过关。这个提升幅度如果属实，说明它补的是「执行」而不是「知识」。

三、部署档位一次放全

同一天放出的权重格式包括：BF16 全量、FP8-Dynamic、AWQ、NVFP4、MLX（给 Mac），以及 GGUF。GGUF 仓里有 Q4_K_M（6.72GB）、Q5_K_M（7.91GB）、Q6_K（9.16GB）、Q8_0（11.87GB）和 bf16（22.34GB）。

对一个要落地的人来说，这比基准数字更有意义：你不用等社区花两周去转格式。

第三方实测说了什么

波兰媒体 Promptowy 在发布当天做了一次对照测试，用 RTX 4090、llama.cpp（CUDA）、温度 0.3，让 v3.1 的 Q4_K_M 和 Q8_0 与旧版 v3.0 的 Q8_0 各答同样的 10 道波兰语任务，人工按 1 / 0.5 / 0 打分。

结果是：v3.1 Q8_0 得 8.0 分，Q4_K_M 得 7.0 分，v3.0 得 5.0 分。

分数拉开的地方，正好是官方承诺的地方：

• 工具调用：v3.1 两个量化版都满分，v3.0 得了 0 分（它写了一整段「建议你去天气应用查一下」）。
• 邮件内容转纯 JSON：v3.1 满分，v3.0 只给 0.5（JSON 塞在代码块里）。
• 阿拉伯语翻译：v3.1 Q8_0 满分，v3.0 是 0 分（出现性别一致错误、结尾是乱码）。
• 日语敬语翻译：v3.0 输出日文、西里尔字母和英文单词的混合物，v3.1 至少是通顺但生硬的日文。

速度上没有惊喜也没有退步，因为架构和体积没变：

• Q4_K_M：110.5 tok/s，8K 上下文占 8.3GB 显存，32K 上下文占 13.0GB。
• Q8_0：67.3 tok/s，8K 占 13.0GB，32K 占 17.6GB。

但也有变差的地方，这点值得说清楚：拼写检查里 v3.1 漏掉了「zciągnęli」（应为「ściągnęli」），而 v3.0 改对了；要求「三个要点、每点不超过 15 词」时，v3.1 的 Q4_K_M 写了六个要点，还自己加了句「我已总结为 3 点」。也就是说，它对「形式约束」的服从度没有提升，甚至在个别项上退了一点。

这个测试只有 10 道题、一个人评分，样本很小，不能当权威结论。但它的价值在于：它是发布当天、用公开权重、在消费级显卡上跑出来的，条件写得很清楚，你可以自己复现。

怎么用

三条路，按你手上有什么选：

1. 只想快速试一下（有 Ollama 或 LM Studio）

GGUF 仓不需要登录就能下。注意 Ollama 官方库里目前还没有这个 tag（我查了 ollama.com/library/bielik-11b-v3.1-instruct 返回 404），要跑就手动导入 GGUF，或者用 LM Studio 直接选文件。

2. 要接进程序（推荐 vLLM）

走 vLLM，并配上 SpeakLeash 自己维护的 bielik-tools 解析器。原因是：llama.cpp 只会把工具调用原样吐成 <tool_call> 文本，你得自己解析；vLLM 配了解析器才会返回真正可用的结构化调用。

3. Mac 上本地跑

用 MLX 的 4bit / 8bit 版本，仓里都有。

不管走哪条路，有一个坑要提前知道：这个模型的聊天模板会自动在每轮对话前面拼一段约 1000 token 的内置系统提示（身份、日期、规则）。实测里一个 60 token 的短指令，实际输入会变成 1100 到 1500 token。本地跑感觉不到，但如果你按 token 计费对外提供服务，这部分是实打实的成本。可以关：设 provider_system_prompt: false。

适用场景

• 私有化部署的内部知识库问答：11B 的体积意味着可以放在一台普通服务器上，文档不出内网。
• 非英语工单分流：56 种语言 + JSON 输出，正好是「读懂工单 → 打标签 → 进队列」这条链。
• 结构化信息抽取：从邮件、发票、表单里抠字段，直接回 JSON。
• 需要在欧洲合规框架下运行的场景：Apache-2.0，权重可下载，不依赖外部 API。
• 边缘 / 离线环境：Q4_K_M 6.72GB，一张 8GB 显卡配短上下文能跑起来。

不适用场景

• 高难度代码生成或长链推理：11B 的上限在那里，别拿它替旗舰模型。
• 必须严格 schema 的生产链路：官方模型卡自己写明「参数 schema 不做强制约束」，也就是说它可能给你一个格式对但字段错的 JSON，下游必须有校验。
• 纯 CPU 环境：Q4_K_M 也要 6.72GB 权重，CPU 推理会慢到不具备可用性。
• 需要多模态输入：这一版只吃文本，能看图的那版还没发。
• 把它当「波兰语之外也很强」用：官方自己说模型仍以欧洲语言、尤其波兰语为优化目标。

成本与时间

• 权重：免费，Apache-2.0，商用不需授权费。
• 真正的成本是硬件：8GB 显卡跑 Q4_K_M（短上下文），16 到 24GB 显卡跑 Q8_0 比较舒服。
• 如果要对外提供服务：别忘了那 1000 token 的内置系统提示。
• 迁移成本：从 v3.0 换到 v3.1 基本是换文件，接口不变；要用工具调用则必须换到 vLLM + 解析器，这是唯一需要改代码的地方。
• 下载体积：Q4_K_M 6.72GB，Q8_0 11.87GB，bf16 22.34GB。

几个容易踩的坑（避坑清单）

1. 全量权重仓是带门禁的：BF16 那些要登录 Hugging Face 并同意「接受联系」才能下；GGUF 仓不需要登录。想先试就跑 GGUF。
2. llama.cpp 不给你解析好的工具调用：它只吐 <tool_call> 文本，要真正调用得自己解析或换 vLLM。
3. 内置系统提示会吃掉上下文：约 1000 token，短对话里占比很夸张。按 token 计费的场景记得关。
4. 别把「支持 56 种语言」理解成「56 种都母语级」：模型卡仍写着以欧洲语言为主。
5. 官方基准是官方基准：τ²-bench 的 16 到 45 个百分点是厂商声明，第三方目前只有小样本人工评测，没有完整复现。

下一步：接下来几天还有两波

SpeakLeash 这次是「三天三发」：

• 11 月 11 日：Bielik 11B v3.1 DFlash，一个 draft 模型，用投机解码加速主模型出词，理论上不损质量。
• 11 月 12 日：Bielik-One，四个「决策模型」——不写文章，只做分类和打分，比如把工单分到对的队列、给内容打风险分。
• 11 月 26 日：官方预告正在做第一个多模态 Bielik，参数量超过 1000 亿，细节在 Bielik Summit 2026 上公布。

如果你现在正在评估「能不能用开源小模型替掉一部分 API 调用」，这一版值得花半小时实测：下载 GGUF、跑你那 10 条真实任务、看它能不能稳定回 JSON。这比看任何基准都准。

参考来源

• https://www.bielik.ai/en/blog/launching-bielik-11b-v31-dflash-and-the-bielik-one-family
• https://huggingface.co/speakleash/Bielik-11B-v3.1-Instruct
• https://huggingface.co/speakleash/Bielik-11B-v3.1-Instruct-GGUF
• https://promptowy.com/bielik-3-1-premiera/
• https://itwiz.pl/debiutuje-bielik-3-1-polski-model-ai-obsluguje-56-jezykow-i-zyskuje-nowe-mozliwosci-agentowe/