7月24日，螞蟻百靈正式釋出新一代原生混合推理模型 Ling-3.0-Flash。該模型總引數量為 124B，但單次計算僅啟用 5.1B 引數，在大幅壓縮計算開銷的同時，在基礎推理、指令遵循及長文本處理等核心指標上，對標甚至超越了引數規模達其2至3倍的行業領先模型，展現出更高的“智效比”。

據瞭解，Ling-3.0-Flash 已上線 OpenRouter 平台，限時免費一週，之後將正式開源。這一發布節奏延續了螞蟻百靈在開源生態中的積極策略，旨在吸引開發者社群快速試用並反饋。

作為該版本的重點，Ling-3.0-Flash 針對 Agent 的實際應用場景進行了深度打磨。模型擴充套件了超過 10000 個真實互動訓練環境，並優化了複雜任務的自我糾錯與長程規劃機制。無論是在程式碼編寫、複雜任務拆解，還是多源資訊深度調研等場景中，Ling-3.0-Flash 均展現出更強的自主閉環交付能力，解決了傳統模型在大任務中容易“跑偏”或斷檔的難題。

實現“小體量、高智慧”的關鍵，源於模型底層計算架構的重新設計。Ling-3.0-Flash 放棄了單純堆砌引數的思路，從預訓練階段即採用混合注意力架構，以 5:1 的比例交替堆疊 KDA 線性注意力層與 MLA 層，讓模型在長上下文效率與模型能力之間實現更優平衡。

此外，Ling-3.0-Flash 將上一代的 Lightning Attention 升級為 KDA（Kimi Delta Attention），在 Delta Rule 的狀態更新中引入細粒度對角門控，讓模型在處理長文件和程式碼庫時能更精準地記住關鍵資訊。同時，模型進一步壓縮了單次計算的專家啟用比例，每個 Token 的專家啟用比例由前代的 1/32 進一步壓縮至 1/64，由此帶來了更高的“效率槓桿”。

為了讓 AI Agent 執行更快、更穩，百靈還為其匹配了配套的工程與協作架構。在響應速度上，通過引入叢集級分級快取，避免了長對話和多輪互動中的重複計算，將長輸入下的首字響應延遲降低了 60% 至 80% 以上；在任務穩定性上，升級後的多智慧體協同架構允許不同 Agent 分工協作、相互校驗，有效減少了單一模型的誤判風險，為高頻線上服務與真實業務落地提供了支撐。

Ling-3.0-Flash 的釋出，標誌著螞蟻百靈在高效模型架構與Agent落地能力上的重要進展。在當前AI產業追求“降本增效”的背景下，該模型以較低的計算成本實現高效能，有望在金融、客服、程式碼輔助等實際業務場景中發揮價值，同時也為行業探索“小模型大智慧”的路徑提供了新的參考。