蚂蚁灵-3.0-Flash：小模型，大智慧

蚂蚁集团正式推出灵-3.0-Flash，这是一款新一代原生混合推理模型，颠覆了“越大越好”的传统观念。该模型于7月24日发布，总参数达1240亿，但关键在于：每次计算仅激活51亿参数。这就像拥有一个庞大的图书馆，但只取出你需要的书——节省了能源和时间。

尽管设计精简，灵-3.0-Flash在与参数规模大两到三倍的行业巨头较量中毫不逊色。在推理、指令遵循和长文本处理等基准测试中，它不仅跟上了节奏，还常常超越对手。结果就是：更高的“智能效率比”，使其既更智能又运行成本更低。

为实际智能体应用而生

灵-3.0-Flash的独特之处在于其对实际智能体应用的关注。团队在超过10,000个真实交互场景上进行了训练，微调了其自我纠正和长期任务规划能力。无论是编写代码、分解复杂项目还是跨多个来源进行研究，该模型都比传统模型更可靠，后者在处理大型任务时容易偏离轨道。

秘诀：混合注意力机制

那么，他们是如何将如此多的智能塞进一个小巧的封装中的呢？他们摒弃了“只需增加参数”的方法。相反，灵-3.0-Flash从一开始就采用了混合注意力架构。它以5:1的比例交替使用KDA线性注意力层和MLA层，在长上下文效率和原始能力之间找到了最佳平衡点。

他们还升级了之前的闪电注意力，采用了名为KDA（Kimi Delta注意力）的新机制。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，他们将每个令牌的专家激活比例从1/32压缩到1/64，从而在每次计算中获得更高的效益。

实际应用的速度与稳定性

为了让AI智能体运行更快、更可靠，蚂蚁集团构建了一套支撑工程架构。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校验，降低了高频在线服务中出错的风险。

灵-3.0-Flash现已在OpenRouter上免费提供一周。之后，它将完全开源——这一举措可能颠覆AI格局，证明有时少即是多。