蚂蚁百灵发布 Ling-3.0-Flash：小激活参数瞄准 Agent 推理效率

导语

7 月 24 日，蚂蚁百灵发布新一代原生混合推理模型 Ling-3.0-Flash。相比单纯追求更大参数规模，这次更新更强调“少激活、强推理、好部署”：模型总参数量为 124B，但单次计算激活参数仅 5.1B，试图在能力、延迟与算力成本之间取得更现实的平衡。

核心要点

• 参数规模与计算开销分离：Ling-3.0-Flash 采用大总量参数配合低激活计算的路线，在保持模型容量的同时降低单次推理成本。官方称其在基础推理、指令遵循和长文本处理等指标上，可对标甚至超过更大规模行业模型。
• 面向 Agent 场景优化：该模型扩展了超过 10000 个真实交互训练环境，重点强化复杂任务拆解、自我纠错和长程规划能力。对于代码编写、多源信息调研、连续任务执行等场景，目标是减少模型在长任务中“跑偏”或中途断档的问题。
• 混合注意力架构成为效率关键：Ling-3.0-Flash 在预训练阶段采用混合注意力设计，以 5:1 的比例交替堆叠 KDA 线性注意力层与 MLA 层，兼顾长上下文处理效率和模型表达能力。
• KDA 强化长文档记忆：模型将上一代 Lightning Attention 升级为 KDA（Kimi Delta Attention），在 Delta Rule 状态更新中加入细粒度对角门控，使模型处理长文档、代码库时更容易保留关键信息。
• 专家激活进一步压缩：每个 Token 的专家激活比例从前代的 1/32 降至 1/64，意味着同等总参数规模下，实际参与计算的部分更少，有利于降低推理资源消耗。
• 工程层面配套提速：百灵还引入集群级分级缓存，减少长对话、多轮交互中的重复计算。原文称，在长输入下首字响应延迟可降低 60% 至 80% 以上；多智能体协同架构则用于分工、校验与降低单一模型误判风险。

意义与影响

Ling-3.0-Flash 的看点不只是“又一个大模型发布”，而是延续了当前大模型行业从“堆参数”转向“堆效率”的趋势。对企业级 Agent 来说，模型能否稳定完成长流程任务，往往比单轮问答跑分更关键；而延迟、成本和上下文处理能力，又直接决定其能否进入高频业务系统。

如果后续开源兑现，Ling-3.0-Flash 可能为开发者提供一个更偏工程落地的选择：既能测试复杂 Agent 流程，也能观察混合注意力、低专家激活和缓存架构在真实任务中的效果。需要注意的是，当前公开信息主要来自厂商发布与授权转载，模型在开放评测、真实业务负载和第三方复现中的表现，仍有待进一步验证。

来源：量子位