螞蟻百靈發佈新一代原生混合推理模型Ling-3.0-Flash

# 螞蟻百靈發佈新一代原生混合推理模型Ling-3.0-Flash，124B參數僅激活5.1B實現“小體量高智能”

2026年7月24日，螞蟻百靈正式發佈新一代原生混合推理模型Ling-3.0-Flash。該模型以總參數量124B、單次計算僅激活5.1B的超高效率設計，在基礎推理、指令遵循及長文本處理等核心指標上，對標甚至超越參數規模達其2至3倍的行業領先模型，展現出極高的“智效比”與落地性價比。據瞭解，該模型已上線OpenRouter平臺，限時免費一週，後續將正式開源，為AI Agent的規模化應用提供全新選擇。 ## 參數精簡性能反超，重新定義智效標杆

Ling-3.0-Flash最顯著的特點在於“小體量、高智能”。相比當前主流大模型動輒數百B甚至上千B的參數規模，該模型僅需激活5.1B參數即可完成推理，大幅降低了算力開銷與部署成本。然而，在標準測試與實際場景中，其在複雜推理、多輪指令跟隨以及超長文檔理解等維度的表現，均與規模遠高於自身的模型處於同一梯隊甚至實現局部超越。這種“以少勝多”的能力，得益於螞蟻百靈從底層計算架構出發的徹底重構，而非單純依賴參數堆砌。 ## 深度聚焦Agent場景，打造自主閉環交付能力

針對當前大模型落地中最受關注的Agent應用場景，Ling-3.0-Flash進行了重點打磨。模型在訓練階段擴展了超過10000個真實交互環境，並針對複雜任務的自我糾錯與長程規劃機制進行了專項優化。無論是在代碼編寫、多步驟任務拆解，還是需要跨來源整合信息的深度調研場景中，該模型均能展現出更強的自主閉環交付能力，有效解決了傳統模型在長程任務中容易“跑偏”或中途斷檔的頑疾，為智能體從“能對話”到“能辦事”的跨越提供了關鍵技術支撐。 ## 混合注意力架構：5:1交替堆疊KDA與MLA層

實現高智能與高效率平衡的核心，在於Ling-3.0-Flash底層採用的全新混合注意力架構。該模型從預訓練階段即放棄了單一注意力機制的設計思路，轉而以5:1的比例交替堆疊KDA（Kimi Delta Attention）線性注意力層與MLA層。這種設計使得模型在處理長上下文時，能夠在線性複雜度的效率優勢與Transformer級別的表達能力之間取得更優平衡，從根本上緩解了長序列推理中的計算瓶頸與記憶衰減問題。 ## KDA技術升級：引入細粒度對角門控強化關鍵記憶

作為注意力機制的重要創新，Ling-3.0-Flash將上一代的Lightning Attention升級為KDA。在Delta Rule的狀態更新中，新架構引入了細粒度對角門控，使模型能夠在處理長文檔與大型代碼庫時，以更高精度區分並記住關鍵信息，同時抑制無關噪聲。這一改進對於需要長期依賴與精確檢索的任務效果尤為顯著，也為模型在複雜Agent場景中的穩定表現奠定了堅實基礎。 ## 專家激活比例進一步壓縮，效率槓桿再放大

Ling-3.0-Flash還進一步壓縮了單次計算的專家激活比例。每個Token的專家激活比例由前代的1/32降低至僅1/64，這意味著模型在保持極高稀疏性的同時，仍然能夠調用足夠的參數容量處理複雜任務。更低的激活比例帶來了更高的“效率槓桿”——在同等算力投入下，模型可以支持更高併發、更長上下文或更快的響應速度，從而顯著提升整體系統的經濟性。 ## 分級緩存＋協同架構，工程支撐Agent高效運行

為了讓AI Agent在實際部署中運行更快、更穩，螞蟻百靈為Ling-3.0-Flash匹配了全套工程與協作架構。在響應速度方面，通過引入集群級分級緩存，模型在長對話與多輪交互中有效避免了重複計算，長輸入下的首字響應延遲降低了60%至80%以上。這一提升對用戶體驗至關重要，尤其在高頻線上服務場景中，直接關係到Agent的可用性與商業回報。 ## 多智能體協作校驗，降低單點誤判風險

在任務穩定性方面，升級後的多智能體協同架構允許不同Agent分工協作、相互校驗。單一模型在面對複雜邊界情況時難免存在誤判，而通過多智能體之間的交叉驗證與任務仲裁，整體系統的魯棒性得到顯著增強。該架構為AI Agent在高風險、高要求的真實業務場景中落地提供了可靠保障，也為螞蟻百靈後續打造更強大的多智能體系統積累了關鍵技術經驗。 ## 限時免費一週後開源，推動行業普惠

據悉，Ling-3.0-Flash目前已在OpenRouter平臺上線，並提供為期一週的免費體驗。一週後，模型將正式開源。這一舉措不僅降低了開發者和企業的試用門檻，也有望借助開源社區的力量進一步驗證和優化模型能力，推動“高智效比”模型在更多行業場景中的廣泛應用。螞蟻百靈表示，未來將持續圍繞原生混合推理架構進行迭代，探索更極致的效率與智能邊界，為AI Agent生態提供更具競爭力的基礎設施。