蚂蚁百灵发布新一代原生混合推理模型Ling-3.0-Flash

7月24日，蚂蚁百灵正式发布新一代原生混合推理模型 Ling-3.0-Flash。该模型总参数量 124B，单次计算激活 5.1B。在大幅精简体量与降低算力开销的同时，Ling-3.0-Flash 在基础推理、指令遵循及长文本处理等核心指标上，对标甚至超越了参数规模达其 2 至 3 倍的行业领先模型，展现出更高的“智效比”与落地性价比。据了解，该模型已上线OpenRouter，限时免费一周，之后将正式开源。

作为该版本的重点，Ling-3.0-Flash 针对Agent的实际应用场景进行了深度打磨。模型扩展了超 10000 个真实交互训练环境，并优化了复杂任务的自我纠错与长程规划机制。无论是在代码编写、复杂任务拆解，还是多源信息深度调研等场景中，Ling-3.0-Flash 均展现出更强的自主闭环交付能力，解决了传统模型在大任务中容易“跑偏”或断档的难题。

据介绍，实现“小体量、高智能”的关键，源于模型底层计算架构的重新设计。Ling-3.0-Flash 放弃了单纯堆砌参数的思路，从预训练阶段即采用混合注意力架构，以 5:1 的比例交替堆叠 KDA 线性注意力层与 MLA 层，让模型在长上下文效率与模型能力之间实现更优平衡。

此外，Ling-3.0-Flash将上一代的 Lightning Attention 升级为 KDA（Kimi Delta Attention），在 Delta Rule 的状态更新中引入细粒度对角门控，让模型在处理长文档和代码库时能更精准地记住关键信息。同时，Ling-3.0-Flash进一步压缩了单次计算的专家激活比例，每个 Token 的专家激活比例由前代的 1/32 进一步压缩至 1/64，并由此带来了更高的“效率杠杆”。

为了让 AI Agent 运行更快、更稳，百灵还为其匹配了配套的工程与协作架构。在响应速度上，通过引入集群级分级缓存，避免了长对话和多轮交互中的重复计算，将长输入下的首字响应延迟降低了 60% 至 80% 以上；在任务稳定性上，升级后的多智能体协同架构允许不同 Agent 分工协作、相互校验，有效减少了单一模型的误判风险，为高频线上服务与真实业务落地提供了支撑。

本文由蚂蚁百灵提供，量子位获授权转载，观点归原作者所有。

版权所有，未经授权不得以任何形式转载及使用，违者必究。