對話螞蟻百靈負責人：AGI不止Coding一條路，好模型要走向真實世界

作者 | 李水青 編輯 | 心緣 9月10日報道，在2026 Inclusion·外灘大會期間，螞蟻百靈開源其首個原生多模態大模型Ling-3.0-flash-VL，引發開發者社區關注。幾天前，百靈剛開源其首個金融增強模型Ling-3.0-flash-Fin，在金融投研多項相關能力測評中超越了前沿通用模型。另一邊，百靈也成為少有的支撐起國民級AI應用的基模。螞蟻阿福在外灘大會期間公佈最新數據：其用戶突破1.5億，日諮詢量2000萬，按用戶規模看應已成為全球第一大健康AI App。同時AI版支付寶“阿寶”、AI原生助手“靈光”等應用也在增長。百靈基座模型如何支撐這些國民級應用？又如何被應用反哺？

國產大模型突圍走出了什麼新路子？成為外界關注焦點。本次外灘大會期間，百靈技術團隊罕見公開面對媒體，螞蟻基礎智能技術部負責人、百靈大模型負責人西亭，百靈金融模型負責人月引，阿福技術負責人進捷，百靈語言基座負責人零么，與等媒體進行了對話。圍繞好模型定義、智效比、金融醫療反哺、模型邊界等話題，各位負責人給出了深入的解讀。西亭說，好模型應走向真實世界，幫人類解決更多更難的Task（任務），“我們不認為Coding是實現AGI唯一的路線”。螞蟻百靈團隊如何看待AGI的下一站？以下十問十答能為我們勾畫出一幅未來圖景。對話內容較長，做了不改變原意的編輯和刪減。

Q1：在當前這個時間點，一個好模型到底應該怎樣定義？西亭：什麼是好模型，很難說清楚。Claude最早跟OpenAI競爭時，發現的好可能不是Chat，而是偶然發現了Coding。今天也有觀點認為Coding是不是飽和了，但人類世界還有很多task沒被很好解決。我認為有幾個維度：第一，好模型應走向人類真實世界，Scaling可以從Coding擴展到更廣泛維度，尤其是高經濟價值、高難度領域，幫人類解決更多更難的Task，這才是AGI最終應該有的走向。第二，另一個Scaling在能力、響應速度、成本上。無論古代、今天還是未來，人類總是在新的條件和約束下做決策。

模型發展也一樣，如果智能是另一種表現形式，那麼能力、速度、成本一定要考慮。有沒有一種更好方式，以合理成本、更快響應速度，端到端解決問題，而不是隻看生成效率？進捷：我對好模型的定義，來自過去跟百靈、阿福團隊做產品時幾個印象很深的場景。如果模型能像一個專家或金融理財師一樣，幫用戶解決那個問題，很多人就會真正理解模型對他的幫助。第二要解決普惠問題，我們希望通過小模型、端側，讓模型進入更多真實環境。所以，在真實場景裡帶來價值，以及讓模型更普惠，是當下和未來比較重要的方向。零么：從模型架構角度談，實用上ROI足夠高，能滿足大家需求，就是好模型。

從技術角度也類似，我們一直追求用更低的flops撬動更大的智能。到底大尺寸模型好還是小尺寸模型好？我的觀點是，沒有絕對答案。智能提升、Scaling這件事一定帶來智能提升，到目前為止沒有失效。所以大尺度和小尺度某種程度上是交替往前走。當小尺度上也能壓縮足夠高智能，而按現在的科學發現，大尺度能壓縮更高智能，這就是持續交替迭代的過程。月引：我的判斷標準很簡單：它能不能幫我完成工作。比如今天的PPT我覺得還不好，它昨晚幫我踩了半天車輪子，我還不是很滿意。在金融裡，它能不能幫助二級分析師完成工作？能不能把原來分析一個標的的時間，用來看10個標的？這就是我希望模型演進的方向。

Q2：最新數據顯示，阿福用戶已經突破1.5億，日諮詢量達到2000萬。這些AI應用用戶交互量級大幅提升，對技術架構提出了哪些很突出的挑戰？它會是一個質變的挑戰嗎？團隊是怎麼解決的？進捷：今天我們有一個主題叫智效比。阿福已經遇到這樣的問題：當用戶量達到一定規模，推理成本非常高。以前用最大最好模型，現在部分問題小模型也能超過水位線，要提升推理效率、降成本。C端應用反應要快，等5秒用戶可能就走了；ToB/機構更重安全。第二個非常重要的命題：現在海外已經有很多人不太願意把Cloud接入到自己的工作流裡面，因為他覺得會有很多隱私數據，會不斷持續被大模型整流進去。

反過來，在我們的業務場景裡，我們在思考的是，我們對這些場景的認知或者對一些新功能的探索，模型能不能更好適配？模型能不能更好被加工？或者在場景裡持續演化？這個話題也討論比較多。所以我們和百靈還在合作很多項目，更多是看百靈大模型項目能不能被我們各種“揉”。比如我們這個場景非常快，最近我們的Tiny在內部很多場景都可以用。所以模型能夠更好被定製化，更好適應場景，還能保障場景裡的隱私或者數據安全，現在也是非常重要的課題。另外，我想分享一個趨勢：現在看到很多AI工作站，金融、醫療等行業，說白了就是想離AI更近一點，AI也想離人更近一點。另外有一些數據敏感場景，還有些數據是工作中產生的，沒有辦法帶回家。

所以我覺得，這個趨勢肯定是把更好的智能裝到更便捷式的設備裡面，離用戶更近、離那個問題更緊，這是非常重要的趨勢。月引：剛剛進捷說的效率非常重要。效率為什麼重要？如果你的效率本來達不到，你是沒有辦法完成一個領域上真正的長程任務的。例如在金融領域，我如果在當日的一個短盤裡面，等它兩個小時還出不來，這個事兒也不要乾了。第二點，進捷提及的海外，我們看到很多領域模型，它會更專注數據的Privacy（隱私）和經濟效率來源。更多的是私有數據和私有環節，傾向開源模型+行業數據做私有模型，用最小參數模型達到接近最好模型效果。這也是我們開源模型和基準、共建智能的原因。

Q3：阿福作為一款ToC產品，它在普惠醫療這件事情上想要長期發展的話，您覺得最重要的一個因素是什麼？西亭：我們接觸了很多用戶，年後沒大規模宣傳，而是在持續思考。三四線用戶難找頭部醫療資源、買藥不便；一線用戶有資源但生活不健康、壓力大，0點後失眠、情緒問題多。我們看的是當有了這些問題之後，怎麼繼續沿著這個問題往下走？我發現遇到了很大的問題。就像我們今天推出在線醫生確認，為什麼選皮膚這個科室？比如在線醫生確認選皮膚科，因為皮膚問診量大且適合線上，但很難讓醫生一直在線。現在兩個方向：一是幫患者連接醫生、機構，提供更普惠健康方式；二是幫醫生，用AI構建醫生團隊，提高接診和患者管理效率。

Q4：螞蟻做AI金融為什麼選投研領域？螞蟻的優勢是什麼？未來會從ToP（面向專業領域/人士）轉To B（面向企業）？月引：其他廠商營收大頭在銀行，主要是客服和信貸審批，偏工作流。客服類似Query/RAG可解決；信貸審批偏決策邏輯，不需要那麼長和難。我們要做領域智能上限，所以選足夠難的行業。行研不是整體可校驗，而是能找到可校驗部分：分析、估值建模可校驗，推斷主觀性強。我們從可校驗部分入手。現在做相對短的行研，未來走向更長決策鏈路。螞蟻的優勢在於，海外數商在專業難度數據上不佔優，給我們Samples三條錯兩條。我們有一二級市場十年二十年專家一起做數據，把專業knowledge帶進來。

我們不僅做Post-train，也從Pre-train輸入數據和知識，專家沉入預訓練環節。除了模型，還要結合Harness、產品、私域數據，是生態。螞蟻定位有較大空間。Q5：百靈基座模型的迭代，跟阿福、阿寶等AI應用實現了很完美的聯動迭代。在迭代過程中，應用需求與技術路線哪個優先？內部應用與外部商業化哪個優先？進捷：其實我們內部很早之前也討論過這個事情。今天最大的變量其實是技術。我們跟靈光、阿福都會講，要沿著技術發展的延長線去探討應用的落腳點。阿福最近有一個升級，會更多考慮模型整體能力和多模態，我們也在音視頻方面做了強化。所以內部還是會專注看技術未來的發展，特別是AGI發展的延長線是哪些。

另外一塊，我們也通過場景思考AGI積累和切口。今年AGI比較在意工作場景，我們看到理財師、金融裡面有大量工作場景未被滿足；醫療裡面，中國所有醫生都在被臨床工作困擾，但沒有辦法解決。所以我們還是會沿著AGI發展到Work這個階段去看，但選題時會看跟我們的稟賦或者連接在哪裡。核心會看技術發展趨勢，同時也會在技術核心命題裡面找我們的切入口，這是過程中反覆討論和探討的。Q6：為什麼螞蟻能鮮明提出並落地智效比？智效比能否更量化？按效果付費？西亭：一個聰明的模型應該會怎麼樣？我們提出了三個大的理念：計算Efficiency、參數Efficiency、Token Efficiency。

帶著這個理念我們當時做了幾件事情： 第一，我們很早就做了MoE的Scaling law，從而發現MoE模型越稀疏，某種意義上，當沒有到那個臨界點之前，它的智能表現反而會在漲。第二，做混合線性。人最重要的一大能力是要忘掉一些事情，所以我們想能不能轉化成注意力上面的一種機制？我們也學習了很多，從最早的Attention+MoE，到今天的KDA+MLA。第三，當我們去年9、10月份跟友商一起發了全球第一個萬億模型後，也覺得這個卡資源消耗似乎不太適合我們國情發展的道路。於是嘗試把大size智能壓縮到小size，通過更好架構、data、項目組織實現。

高質效比模型進入業務場景，也能獲取行業Know-how反哺模型。所以回到這個點上，首先從理論層面，我們收集了很多人對高智商物種的反饋，把它泛化成了技術路線。同時跟真實場景做了大量結合，其實是一種實證科學。同時，我們也沒有放棄過對於一個特別大的智能上限的模型的探索。由於模型要走向真實環境，另外一個可能也是由於資源的約束，國內廠商反而能長出能力，發展出不一樣的東西。所以，這也是為什麼我們要進入金融跟醫療。我們不認為Coding只是實現AGI唯一的路線，實現AGI應該還有更廣泛的路徑，或許我們今天的實踐是給到社區的一種大家能看得到的方式，看看我們哪裡做好了，哪裡沒有做好。

關於所謂的量化目標，總結起來就是端到端的任務成功率。前面說的，我們不認為生成成功率就等於端到端的任務成功率。當一個模型在完成一個任務的時候要執行幾十輪，如果我們每一輪的成功率都比較好，然後做端到端的任務成功率比較好，這些可能是我們下一步會更關心的目標。當然，這個會非常難。它無法靠自己單一模型就能搞定，因為還包含Harness、評估、行業安全規則，是聯合系統。產品到商品必經這條路。零么：標品要有確定性，現在智能很多維度不確定。Token相對好量化，任務完成率不確定。模型能力提升後，不同任務確定性會變高，高到一定程度就可能變標品，更好量化。Q7：金融、醫療如何反哺螞蟻基座模型？

月引：行業怎麼去反哺基模？我們在行業上選的是ToP（面向專業領域）以及ToC（面向消費者）相結合。通過把ToP的專業學好，然後把ToP的知識，包括它的推理、能力拿回來，然後再把它帶給我們每一個真實的用戶。所以，從金融或者從醫療，都是能夠把P的Professional知識沉澱回基座。另外，今天希望模型幫我做什麼？我希望它能夠做得更快。在專業領域裡面，如果足夠拿到task，那麼這份專業的工作流的能力它也會帶來基模裡面。基模上面我可以服務到，以及會孵化到其他所有需要進行辦公或者信息處理行業的能力，它會把它反哺回來。

所以從這兩個角度，其實行業上的這些模型只要它的task和knowledge足夠難，最終都會能夠在基模得到一個反哺的能力。Q8：模型現階段可能會繼續犯錯，但是比起不犯錯誤，模型知道自己不能做什麼是很重要的，想了解一下，基於這個思考，我們在模型層面做了哪些設計？零么：現在模型有迎合、舔用戶特點，因為聽話會得較好Reward（獎勵）。基模研發多由Benchmark引導，但大部分流量對模型幫助不大，因為不夠難，所以構建難Benchmark。很多Benchmark只要輸出就可能得分，不輸出說不會大概率沒分。於是全世界圍繞模型做大規模RL，只要試就可能對，不試就錯。

部分Benchmark開始看模型能否拒絕、說不會。但準確率和拒答是trade off（權衡取捨），拒得越多準確率可能下降。我們會在部分Benchmark加入類似觀察，評估方式要改進：不僅衡量說得多對，也衡量知道自己不知道，以及兩者平衡。這樣模型才會瞭解知識邊界。月引：不管在金融行業還是醫療行業，這其實是非常重要的一個事情。在金融智能體評測基準FAB等Bench中，有些模型用多口徑路徑，不確定就把85條全答出來，以拿好分。但真實行業用戶不能接受行研給85條、80條決策，頂多接受2-3個判斷。所以訓練中不僅看結果，還要對行為設Reward和懲罰。

嚴肅場景中，對幻覺的拒絕Reward要更重；寧願說不知道，也不要給很多口徑讓用戶猜。Q9：Scaling路線變多，哪些邊際效應最高？擴基座和加強後訓練，資源如何取捨？零么：Scaling可理解為效果-尺度二維圖。尺度可以是模型、計算、數據、RL訓練、推理Token；效果可以是Loss或Benchmark。至於邊際收益最高的是什麼？邊際收益的度量取決於座標系。Benchmark像Sigmoid曲線，有湧現和飽和，不是好的邊際收益指標。以我做過大量預訓練和訓練實驗的觀察，目前只有一個沒有觀察到邊際收益遞減，就是Pre-train Scaling。

把模型尺度和數據大小乘在一起，也就是Scaling FLOPs，Loss curve繼續可以往下降，以Log-linear方式下降；其他維度如推理Token通常收斂。其他維度，比如用更多推理時Token，能不能換取持續上漲的Benchmark效果？一般能觀察到明顯收斂趨勢。不過確實越大尺度效果越好。為什麼不全投入訓練最大模型？很簡單，算力稀缺。把Scaling策略、算力放到Pre-train，還是Post-train，還是其他維度？這取決於我們在某個技術點位上發現這個地方非常有收益，就會嘗試做得更大。

預訓練很吃資源，必須有架構、數據、數據消費策略上的明顯收益才投；後訓練迭代快、數據量小、並行組多，用短週期迭代。基本基於科學實驗做決定。所以很多時候，我們會以更長的軸看新的預訓練，用更短的軸看後訓練上的迭代。基本基於這個判斷，如果我們有信心方向對，就把資源投上去，基本是基於科學實驗做決定。西亭：我們一直在探索另外一組Scaling。現實中可能存在非常聰明的醫生，股票也炒得很好，金融也特別懂。人類歷史上這樣的人一閃而過。我們希望模型在通用能力和專業能力上都非常好，可能會出現一個新物種。另外，當流量便宜到沒人在乎時，會不會出現新的東西顛覆智能本身？不知道。

但另一種維度是，用的人越多，走向真實世界越多，有可能會延伸出社會學上的Scaling。如果發生，人們會越來越關注可能的ROI。所以還有大小模型協同和路由的Scaling，至少從人的智能和認知上看，比較符合。另外一個維度，今天的AGI不應只有一個維度，人人都在卷Coding本身，這就一定正常嗎？AGI應該還有一個更廣義上的Scaling，就是怎樣更好解決真實中的問題。真實中的問題可能有很多數據，並不像Coding這麼豐富，但我們也應該投向更多注意力去解決這裡面的問題。或許把這些問題解決了，回頭再看技術問題，可能自然而然就能得到解決。Q10：模型做到什麼程度才能進入真實世界？

如果只選三個最重要的指標，是什麼？西亭：直觀上我認為第一是智效比，第二是專業性，第三是開放性。閉塞模型很難讓人相信它解決真實問題。一個連COT都不讓大家看到的模型，我想應該沒有多少人會相信它。比如我跟醫生交流，醫生不能上來給你拍個片告知得了重大疾病，應該要告訴為什麼做決策。所以，我覺得第三點就是開放性，對於模型走向真實環境是極其關鍵的一件事情。專業性也是一樣，不同的行業見不同的人，我們判斷這個人是不是值得跟他聊，是不是從他身上能學到東西，這是人和人之間交往一個非常重要的東西。智效比前面說的比較多了，是在合理成本約束下把問題推得更廣。

如果要加一個，我會加反饋的閉環，這個模型一定要在真實的環境中能收到一些反饋。我們還做原生多模態VL，因為金融醫療等場景需要視覺反饋，比如PPT、年報換行是否正確。有反饋才能在醫療任務中補專業數據、報告，進一步增強能力。