蚂蚁百灵（inclusionAI）于 Hugging Face 发布新一代原生混合推理模型 Ling-3.0-flash，总参数 124B、激活参数仅 5.1B，约为其前代 1T 级旗舰 Ring-2.6-1T 的 12.4% 和 8.1%。官方称，该模型在关键基准上匹配或超越前代，同时显著提升长上下文处理效率与计算成本效益。

Ling-3.0-flash 采用原生混合线性架构，从预训练开始即交替堆叠 KDA（Kimi Delta Attention） 与 MLA，比例为 5:1，并引入 KDA 细粒度对角门控和 1/64 稀疏 MoE。模型共 35 层 KDA 与 7 层门控 MLA，包含 512 个路由专家和 1 个共享专家，每次激活 8 个专家。这种设计旨在实现长上下文效率与计算成本的协同提升。

在性能方面，Ling-3.0-flash 激活参数仅 5.1B，但官方称其在推理、指令遵循和长上下文能力上表现突出，可支持生产环境中的复杂智能体工作流。模型原生集成了 SGLang HiCache 与 Mooncake 分层缓存架构，具备物理双池和集群共享 L3 缓存，可消除长时交互中的冗余重计算，在长输入场景下将首 token 延迟（TTFT）降低 60% 至 80% 以上。

针对智能体任务，Ling-3.0-flash 集成了 10,000+ 交互训练环境，覆盖编码、通用和深度研究等任务，实现端到端闭环执行。官方在多个基准上进行了评估，包括 SWE-Bench Pro、SWE-Bench Multilingual、Tau3-banking-AA、MCP-Atlas 和 SkillsBench 等，并称其在 Claude Code、Kilo Code、Qwen Code 等框架中提供良好体验。此外，模型在通用知识、数学推理、指令遵循和长上下文理解方面也有不错表现。

模型支持256K 上下文窗口，默认启用思考模式，默认参数为 temperature=0.6、top_p=0.95、top_k=20。官方还提供了 FP8、INT4 和 FP4 等量化版本，其中 FP8 采用块级量化，INT4/FP4 采用分组量化。

Ling-3.0-flash 的发布体现了高效推理模型的发展趋势：以更少的激活参数实现接近旗舰模型的性能，有助于降低推理成本、提升部署效率，对 AI 应用的规模化落地具有积极意义。对于关注 AI 产业链的投资者而言，这类模型可能影响算力需求结构，推动更高效的推理优化方案。