蚂蚁百灵发布新一代原生混合推理模型Ling-3.0-Flash
内容提要
蚂蚁百灵发布新一代原生混合推理模型Ling-3.0-Flash，总参数量124B，激活仅5.1B，性能对标2-3倍参数模型。该模型针对Agent场景优化，采用混合注意力架构和KDA技术，提升长文本处理效率，降低延迟60%-80%，已上线OpenRouter限时免费，后续将开源。
延伸解读
小参数大能力：混合注意力架构是关键
Ling-3.0-Flash 总参数量达124B，但每次计算仅激活5.1B参数，性能却对标2-3倍参数的模型。其核心在于从预训练阶段就采用混合注意力架构，以5:1比例交替堆叠KDA线性注意力层与MLA层，在长上下文效率和模型能力间取得平衡。这种设计思路表明，通过架构创新而非单纯堆参数，小模型也能实现高智能，为行业提供了新方向。
针对Agent场景的深度优化
该模型针对Agent应用进行了专门打磨，扩展了超10000个真实交互训练环境，并优化了自我纠错与长程规划机制。在代码编写、复杂任务拆解、多源信息调研等场景中，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”或断档的问题。这反映出模型设计更注重实际落地中的任务稳定性与自主性。
工程架构配套：降低延迟与提升稳定性
除了模型本身，百灵还引入了集群级分级缓存，将长输入下的首字响应延迟降低60%-80%以上，避免了长对话中的重复计算。同时，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，减少单一模型的误判风险。这些配套措施对于高频线上服务和真实业务落地至关重要，体现了从模型到工程的全栈优化。
Q&A
蚂蚁百灵发布的Ling-3.0-Flash模型在参数规模上有什么特点？
Ling-3.0-Flash总参数量为124B，但单次计算仅激活5.1B参数，实现了小体量、高智能，性能对标甚至超越参数规模达其2至3倍的行业领先模型。
Ling-3.0-Flash在哪些场景下进行了优化？
该模型针对Agent实际应用场景进行了深度打磨，扩展了超10000个真实交互训练环境，优化了复杂任务的自我纠错与长程规划机制，在代码编写、复杂任务拆解、多源信息深度调研等场景中展现出更强的自主闭环交付能力。
Ling-3.0-Flash采用了什么架构来实现高效推理？
Ling-3.0-Flash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，并升级了KDA（Kimi Delta Attention）技术，在Delta Rule的状态更新中引入细粒度对角门控，从而在长上下文效率与模型能力之间实现更优平衡。
Ling-3.0-Flash如何降低长文本处理中的延迟？
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。
Ling-3.0-Flash的专家激活比例是多少？相比前代有何变化？
Ling-3.0-Flash将每个Token的专家激活比例由前代的1/32进一步压缩至1/64，带来了更高的效率杠杆。
Ling-3.0-Flash在任务稳定性方面有哪些改进？
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。
Ling-3.0-Flash目前是否开放使用？未来有何计划？
该模型已上线OpenRouter，限时免费一周，之后将正式开源。
