蚂蚁百灵发布新一代原生混合推理模型Ling-3.0-flash，总参数量124B，激活参数量仅5.1B，在传统推理、指令遵循与长文本等指标上对标甚至超越上一代旗舰Ring-2.6-1T。
模型采用原生混合线性注意力架构与1/64稀疏MoE，并扩展至10，000+可交互训练环境，长输入下TTFT降低60%至80%以上。
AI-nieuws / 模型更新
Back to AI news
Ant Group heeft het Ling-3.0-flash-native hybride inferentiemodel uitgebracht
Ant Group heeft het nieuwe generatie native hybride inferentiemodel Ling-3.0-flash uitgebracht, met een totaal aantal parameters van 124 miljard en slechts...
Dagelijkse AI-briefing
Ant Group heeft het nieuwe generatie native hybride inferentiemodel Ling-3.0-flash uitgebracht, met
een totaal aantal parameters van 124 miljard en slechts 5,1 miljard geactiveerde parameters. Het model evenaart of overtreft op traditionele inferentie, instructienaleving en lange tekstindicatoren de vorige vlaggenschipversie Ring-2.6-1T. Het model maakt gebruik van een native hybride lineaire aandacht-architectuur en 1/64 sparse MoE, en is uitgebreid naar meer dan 10.000 interactieve trainingsomgevingen, waarbij bij lange invoer de TTFT met 60% tot meer dan 80% wordt verlaagd.
资讯正文 · AI 整理
情报判断
Aioga 编辑摘要
蚂蚁百灵发布原生混合推理模型Ling-3.0-flash，总参数量124B、激活参数量5.1B，并称其在传统推理、指令遵循和长文本等指标上对标甚至超越Ring-2.6-1T。
背景分析
公开材料显示，该模型采用原生混合线性注意力架构与1/64稀疏MoE，训练范围扩展至超过10,000个可交互环境；在长输入场景下，TTFT降低60%至80%以上。
Aioga 观点
Aioga 判断，Ling-3.0-flash的重点是以较低激活参数量兼顾推理、指令遵循和长文本表现，但现有材料未提供具体评测集、测试条件及第三方验证结果。
影响与后续
Aioga 判断，混合线性注意力与稀疏MoE可能有助于改善长输入处理效率；不过，官方披露的指标能否稳定复现，以及不同任务下的实际表现，仍值得关注。 后续可重点关注完整技术报告、评测方法、基准成绩与测试环境，并核验TTFT降幅的对照模型、输入长度及部署条件，以判断相关性能表述的适用范围。
Source and Copyright
当前抓取源提供的是标题、摘要、来源和原文入口，不直接搬运完整原文。完整报道请通过下方原文链接前往来源站点查看。
抓取通道: 摘要聚合 · 原始域名: mp.weixin.qq.com
Bron: 公众号：蚂蚁百灵（Ling）
原文链接: Open oorspronkelijke bron
Aioga 归档: 查看情报页
Content record: summary-fallback · Updated: 2026-07-24T13:40:30.000Z
API RELAY · DEVELOPER INFRASTRUCTURE
API 中转站
统一接入主流 AI 模型 API，为开发、测试与生产环境提供稳定调用入口。
立即访问 api.w173.com
Scan to open this article