螞蟻集團推出1240億參數的AI模型，超越其1兆參數的巨型模型

螞蟻集團以Ling-3.0-Flash震驚AI界，這是一個擁有1240億參數的開放權重模型，每個token僅啟用51億參數，並在基準測試中超越其前身的1兆參數模型。這一壯舉重新定義了計算效率和AI代理的實施成本。

• Ling-3.0-Flash使用MoE架構，擁有124B總參數，每個token僅啟用5.1B，能在關鍵任務中達到或超越Ling-2.6-1T的表現。
• 該模型以MIT許可證提供，擁有262,000 tokens的原生上下文窗口，目標擴展至一百萬，專為高頻生產代理設計。

螞蟻集團，作為支付寶的金融科技巨頭，於2026年7月23日推出Ling-3.0-Flash。該模型由其inclusionAI實驗室開發，挑戰了在AI領域「越大越好」的觀念。

Ling-3.0-Flash擁有1240億總參數，但在推理過程中僅啟用約51億參數。這種專家混合（MoE）架構允許每次輸入僅涉及神經網絡的一部分，Cryptobriefing詳細說明了這一點。

挑戰規模的性能

在人工智慧分析指數中，該模型獲得了38分，與其前身Ling-2.6-1T（擁有1兆完整參數）相當或超越。這使得它在總參數數量上約小八倍，但在生產部署所需的指標上仍具競爭力。

主要成就體現在核心推理和指令跟蹤任務上。該架構結合了混合推理與MoE，實現了效率而不犧牲質量。

上下文長度也有所進步：原生窗口為262,000 tokens，計劃擴展至一百萬。注意機制結合了Kimi的Delta注意力層和多頭潛在注意力，稱為混合-線性方法。

這一設計在上下文增長的同時保持了可控的內存和計算需求。螞蟻集團將這一技術描述為支持複雜代理任務的基礎。

專為代理設計，而不僅僅是聊天

Ling-3.0-Flash專門為高頻運行的生產級AI代理設計。這些工作流程要求快速生成tokens，可靠遵循指令，並在不降級的情況下處理長上下文。

一個龐大的圖書館，圖書管理員只需同時取出五本書，無論問題多麼複雜。這是開發者用來解釋這一方法的比喻。

推理效率是降低成本的關鍵。通過僅啟用51億參數，直接減少了每次查詢所需的計算，從而降低了大規模運營的成本。

螞蟻集團已在其支付寶服務中測試了該模型。雖然具體數字未透露，但該公司強調該模型已優化以處理生產中的複雜代理任務。

開放和商業可用性

該模型已在Hugging Face上以MIT許可證發布，這是開源中最寬鬆的許可證。這允許無版稅的使用、修改和商業再分發。

此外，通過OpenRouter和Kilo提供免費API訪問，直到2026年8月3日。此外，還可以通過螞蟻集團的渠道和Vercel的AI網關訪問。

MIT許可證消除了開發者和企業將其整合到產品中的障礙。這與其他施加商業使用限制的開源模型形成對比。

螞蟻集團開放模型的決定旨在將公司定位為效率的領導者。根據原始報告，這可能加速AI在成本過高的推理領域的採用。

對未來AI的影響

如果一個擁有124B參數和5.1B活躍參數的MoE模型能夠達到或超越1兆參數的基準，那麼實施能夠的AI的成本結構將顯著降低。推理是AI公司在訓練後花費金錢的地方。

這一進展可能迫使其他實驗室重新思考其擴展策略。效率成為一個關鍵的競爭因素，而不僅僅是參數的數量。

AI代理市場直接受益，因為響應時間至關重要。像Ling-3.0-Flash這樣的模型允許更快的互動和可預測的成本。

CryptoBriefing強調，這是在AI效率競賽中的一個顯著步驟，對整個行業都有影響。速度、低成本和開放許可的結合可能改變人工智慧的格局。

螞蟻集團證明，創新不一定意味著構建最大的模型，而是為實際使用構建最智能的模型。開發社區已經可以體驗這一新一代高效AI。

本內容僅供參考，不構成任何金融、投資、法律或稅務建議。文中提及的任何活動、獎勵、線上活動或相關資訊，不應被視為對購買、出售或交易任何加密資產的推薦、招攬或邀請。加密資產具有高波動性，存在價值損失風險。WEEX服務、產品及相關活動的可用性可能因地區而異。用戶在參與前有責任確保符合當地適用法律法規。