蚂蚁灵·Ling-3.0-Flash：小模型，大智慧

蚂蚁灵正式发布了Ling-3.0-Flash，一款超越其规模的下一代原生混合推理模型。该模型于7月24日发布，总参数达1240亿，但每次计算仅激活51亿参数——这一设计选择大幅降低了计算成本，同时不牺牲性能。

在涵盖基础推理、指令遵循和长文本处理的基准测试中，Ling-3.0-Flash与参数规模为其两到三倍的行业领导者不相上下，甚至有时超越它们。这就是团队所称的更高“智能效率比”。对企业而言，这意味着更高的性价比。

但有趣之处在于：Ling-3.0-Flash是为真实世界的智能体而构建的。团队在超过10,000个真实交互场景上对其进行了训练，优化了其自我纠错和长期任务规划能力。无论是编写代码、分解复杂项目，还是通过多个来源进行深入研究，该模型都能端到端地完成任务，而不会偏离轨道——这是传统模型常见的痛点。

那么，蚂蚁灵是如何实现“小尺寸，高智能”的呢？他们摒弃了单纯增加参数的蛮力方法，而是从根本上重新思考了底层计算架构。Ling-3.0-Flash采用混合注意力设计，以5:1的比例交替使用KDA线性注意力层和MLA层。这种组合平衡了长上下文效率与原始能力。

另一项升级：之前的Lightning Attention已被KDA（Kimi Delta Attention）取代。这种新机制在Delta规则状态更新中引入了细粒度对角门控，帮助模型在处理长文档或代码库时记住关键细节。此外，他们将每个token的专家激活比例从1/32压缩到1/64，进一步提升了效率。

为了让AI智能体运行更快、更可靠，蚂蚁灵还构建了配套的工程架构。集群级别的分层缓存系统减少了长对话中的重复计算，将长输入的首字符响应延迟降低了60%到80%。升级后的多智能体协作设置让不同智能体协同工作并相互检查，降低了高频在线服务中的错误风险。

关键点：

• Ling-3.0-Flash：总参数1240亿，每任务激活51亿。
• 在推理、指令遵循和长文本方面与更大模型相当或更优。
• 在10,000多个真实智能体场景上训练，任务完成更佳。
• 混合注意力架构（KDA + MLA）提升效率。
• 在OpenRouter上免费使用一周，随后开源。