最近一周，硅谷AI圈的两件大事将AI的路线之争推至顶点。
先是黄仁勋首条X推文转发25家巨头联署公开信，呼吁审慎监管开源AI模型；紧接着，OpenAI与Anthropic罕见联手，超1100名员工联署呼吁“控速”，Meta创始人兼CEO扎克伯格则公开反击称这是扼杀创新。
硅谷还在吵“该不该开源”“该不该踩刹车”的时候，大洋彼岸的中国AI圈，开源和前进似乎从来就不是一道选择题。从DeepSeek到智谱，从通义到蚂蚁百灵，中国大模型的开源步伐从未停歇。
7月24日——恰恰是黄仁勋发推支持开源的同一天，蚂蚁百灵正式发布了新一代原生混合推理模型Ling-3.0-flash。该模型在OpenRouter与百灵官方平台同步开放限时免费API调用，免费期截至8月3日23:00，模型权重将在免费期结束后正式开源。
在Token调用量排行中，Ling-3.0-flash自发布其5天内从第9位跃升至第6位，7月29日的调用量仅比DeepSeek V4 Pro低0.5%。
Ling-3.0-flash总参数量为124B，激活参数量仅为5.1B，与其5月开源的旗舰级思考模型Ring-2.6-1T相比，总参数量约为后者的12.4%，激活参数量仅为后者的8.1%，却在12项基准测试中有11项表现优于Ring-2.6-1T。
硅谷巨头们争论不休的问题“开源能不能既安全又强大？”蚂蚁百灵用产品给出了自己的回答。
一、以小搏大，12项测试11项超越万亿旗舰
先来看看Ling-3.0-flash的成绩：
在基准测试上，Ling-3.0-flash在34个评测维度中拿下15个第一、19个第二，综合均分与DeepSeek-V4-Flash并列第一，领先万亿级旗舰Ring-2.6-1T（59.7分）近8分。
蚂蚁百灵同步提出了两项新指标：智能密度（均分/总参数量）与智效比（均分/激活参数量）。Ling-3.0-flash智能密度达0.5，智效比高达13.2，在可比模型中双双登顶，几乎是用最少的参数撬动了最高的性能。
在代码能力方面，在SWE-Bench Pro测试中，模型需要理解代码库、定位问题并生成可通过测试的补丁，Ling-3.0-flash以56.6%的得分位居参测模型第一；在一次性生成完整交互式组件的ArtifactsBench中，其77.0%的得分断层领先，高出第二名10余分。
MiniAppBench要求模型根据一句话需求生成完整APP，在16个主流模型平均仅17%通过率的硬核测试中，Ling-3.0-flash达到25.3%，与总参数约两倍的开源SOTA模型处于同等水平。
通用Agent能力方面，BFCL-v4是行业通用的函数调用评测，Ling-3.0-flash以73.0%的准确率与Claude-Sonnet-4.6并列第一。在端到端综合Agent评测GDPVal v2-AA中，Ling-3.0-flash以1107分的成绩在参测模型中拔得头筹。Tau3-banking-AA将模型置于模拟银行系统中完成金融操作，其28.0%的得分仅次于Claude-Sonnet-4.6。
搜索Agent能力上，WideSearch测试中，模型需在海量网页中快速定位与用户问题最相关的信息，Ling-3.0-flash以73.6%排名第三。在多智能体协作模式下，该模型在BrowseComp测试中达到82.0%，与Claude-Sonnet-4.6的82.1%基本持平，验证了其在复杂网页交互中的信息获取能力。
指令遵循能力决定了模型在严格约束下的执行可靠性，IFBench检验模型对格式、角色、语气等多重约束指令的遵循程度，Ling-3.0-flash得分74.5%，排名第三。LIFEBench则测试多轮对话中的长期指令记忆与遵循能力，Ling-3.0-flash以77.3%位列第一，验证了其在长程交互中的稳定性。
推理能力上，在高难度数学竞赛测试中，Ling-3.0-flash的表现基本与主流模型持平；在专家级跨学科知识推理测试HLE中，Ling-3.0-flash依然领先万亿级旗舰Ring-2.6-1T。
长上下文能力是Ling-3.0-flash原生支持256K上下文窗口的直接体现。在MRCR_256K测试中，模型需在多轮对话中定位长文本关键信息，Ling-3.0-flash取得81.1%，在同等规模模型中表现优异。Multi-IF测试多轮对话中持续遵循跨轮指令的能力，Ling-3.0-flash以87.7%位列第二。
二、能力实测：快、稳、省，三个字能不能站住脚？
基准测试终究是“考试”，模型好不好用，得看它能不能在实际场景中帮人把事办成。
与其他模型不同，Ling-3.0-flash的定位非常清晰：不是要取代超大参数规模的通用推理模型，而是做那个可以帮你做事的AI。
在视觉与互动场景中，Ling-3.0-flash的核心能力集中在两点：一是极短的首字响应时间，二是多轮对话中维持复杂空间逻辑的能力。
例如在游戏开发场景中，Ling-3.0-flash适合以“结对编程”模式参与渐进式开发。模型在多轮对话中能够维持工程架构的一致性——不丢上下文、不跑偏架构、不陷入死循环。
通过三轮对话，我们用Ling-3.0-flash做出了一个3D台球模拟器。可以看到，在这个模拟器中，我们可以控制白球的击球角度和力度，彩色球被撞击后的路径也基本符合物理规律。在生成过程中，Ling-3.0-flash的反应速度很快，几乎不需要思考，可以精准找到BUG，并进行迭代优化。
在开发者与办公场景中，Ling-3.0-flash展现的是长程任务的稳定性、多系统协同的调度能力，以及在严格约束下保持输出质量和格式一致性的执行力。
在多智能体协同场景中，Ling-3.0-flash支撑了一套完整的科研工作流。不同Agent角色各司其职：Scientist提出假说、Data Analyst检索与验证、CrossValidator交叉质询、Archivist归档沉淀、Writer自动产出论文与Slide报告。
在办公自动化场景中，Ling-3.0-flash通过挂载Office MCP工具集，将自然语言指令转换为序列化的API调用，实现跨应用自动化工作流。
例如，用户下达单次指令后，Ling-3.0-flash自动在Excel中填入数据并生成透视表，随后提取核心图表插入Word文档并完成排版。整个过程中，模型不依赖易出错的GUI模拟操作，而是通过底层协议直接驱动软件，而这正是“稳定工具调用”能力的落地体现。
此外，Ling-3.0-flash无需外部图像素材，仅凭代码便可批量生成视觉表现力突出的艺术网页。
该模型可以批量产出多款契合不同现代设计流派的页面，覆盖包豪斯、波西米亚、酸性设计等风格，难度梯度由易至难。页面完全依托CSS渐变、SVG路径与版式布局构建，脱离外部图片素材依旧还原了各类设计流派独有的美学特征。
三、混合线性注意力+1/64稀疏MoE，把每一分算力榨干
“小身材大能量”的背后，是模型架构上的创新。Ling-3.0-flash放弃了单纯堆砌参数的思路，从预训练阶段即对计算架构进行了重新设计。
Ling-3.0-flash从预训练伊始即采用原生混合线性注意力架构，以5:1的比例交替堆叠KDA（Kimi Delta Attention）线性注意力层与MLA（Multi-head Latent Attention）层。
其中，KDA将上一代的Lightning Attention进行了升级，在Delta Rule的状态更新中引入细粒度对角门控，赋予不同特征通道独立的保留、衰减与写入控制能力。这让模型在处理长文档和大型代码库时，能更精准地记住跨段落的关键信息，避免在长上下文中“迷失”。
MLA则通过低秩压缩将KV Cache大幅缩减，降低推理时的显存占用。两者以5:1的比例交替堆叠，让模型在长上下文效率、状态记忆与计算成本之间实现了协同跃升。
百灵团队提出的“Ling Scaling Law”认为：更低的专家激活比例带来更高的“效率杠杆”。Ling-3.0-flash进一步压缩了单次计算的专家激活比例，将每个Token的专家激活比例由前代的1/32压缩至1/64。
1/64的稀疏比例意味着，模型虽然总参数达124B，但每次推理只需激活5.1B参数参与计算。通过更精细的专家路由策略，让每个Token只调动最相关的少数专家，将算力精准投放到当前任务最需要的地方。
此外，为了让AI Agent运行更快、更稳，百灵为Ling-3.0-flash匹配了集群级的分级缓存架构。模型创新接入了SGLang HiCache与Mooncake分级缓存体系（物理双池、集群共享L3），使长程交互无需重复计算。
该缓存架构借鉴了现代CPU的三级缓存设计理念，将GPU内存、主机内存与分布式存储分别组织为L1、L2、L3三级缓存。长对话和多轮交互中，已计算过的KV Cache可以被复用，避免重复计算。实测数据显示，长输入场景下的首字响应时间（TTFT）降低60%至80%以上。
在任务稳定性上，百灵还升级了多智能体协同架构——Ling Multi-Agent。各Agent通过分工协作、相互校验，有效减少了单一模型在长程任务中容易“跑偏”或误判的风险。
这套架构让Ling-3.0-flash从一个单点执行器，升级为可支撑多角色协同的“集团军”作战平台，为高频线上服务与真实业务落地提供了支撑。
从混合线性注意力到多智能体协同，四层架构环环相扣。正是这套从底层计算到上层调度的系统性重构，让Ling-3.0-flash以124B总参、5.1B激活的体量，在12项测试中11项超越万亿旗舰成为可能。
结语：开源、能干活，才是最大范围实现技术普惠
5 月开源万亿级Ling-2.6-1T、Ring-2.6-1T、Ling-2.6-flash，7月推出Ling-3.0-flash并计划8月3日开源，蚂蚁百灵开源节奏持续提速。
相比单纯新增模型，Ling-3.0-flash更大的价值，是将轻量化高性价比的技术路线推向新阶段。在高并发、低延迟的Agent商用场景下，依托约1/12激活算力即可逼近旗舰模型表现，有效降低企业推理开销。
当开源模型兼顾实用性、效果与成本优势，技术普惠才有落地的现实基础。
