蚂蚁Ling-3.0-Flash：混合架构+KDA，智能与效率双提升

7月24日，蚂蚁百灵正式推出新一代原生混合推理模型Ling-3.0-Flash。这款模型总参数量达124B，但单次计算仅激活5.1B参数，在大幅缩减整体体量、降低算力开销的同时，其基础推理、指令遵循以及长文本处理等核心性能指标，不仅对标甚至超越了参数规模为其2到3倍的行业领先模型，展现出更优异的智效比与落地性价比。目前该模型已上线OpenRouter平台，首周提供限时免费体验，后续将正式开源。

作为本次版本的核心优化重点，Ling-3.0-Flash针对AI Agent的实际落地场景进行了深度打磨。研发团队为模型扩充了超过10000个真实交互训练场景，同时优化了复杂任务的自我纠错能力与长程规划机制。在代码编写、复杂任务拆解、多源信息深度调研等实际应用场景中，该模型的自主闭环交付能力得到显著提升，有效解决了传统大模型在处理大型任务时容易出现思路跑偏、流程断档的痛点。

这款模型能够实现“小体量、高智能”的核心关键，在于底层计算架构的全新设计。研发团队摒弃了单纯堆砌参数的传统思路，从预训练阶段就采用混合注意力架构，按照5:1的比例交替堆叠KDA线性注意力层与MLA层，让模型在长上下文处理效率与综合能力之间实现了更优的平衡。

除此之外，Ling-3.0-Flash还将上一代的Lightning Attention升级为KDA（Kimi Delta Attention），在Delta Rule的状态更新逻辑中引入了细粒度对角门控机制，使得模型在处理长文档与代码库时，可以更精准地留存关键信息，避免长上下文遗忘的问题。同时，模型进一步压缩了单次计算的专家激活比例，将前代模型1/32的Token专家激活占比下调至1/64，进一步提升了整体的效率表现。

为了让AI Agent能够更流畅、稳定地运行，蚂蚁百灵还为Ling-3.0-Flash配套了专属的工程与协作架构。在响应速度层面，通过引入集群级分级缓存机制，避免了长对话与多轮交互中的重复计算，将长输入场景下的首字响应延迟降低了60%至80%以上；在任务稳定性方面，升级后的多智能体协同架构支持不同Agent之间分工协作、互相校验，有效降低了单一模型出现误判的概率，为高频线上服务与真实业务落地提供了可靠的支撑。