蚂蚁百灵开源双模型，定义AGI新路径
在2026 Inclusion·外滩大会期间，蚂蚁百灵开源其首个原生多模态大模型Ling-3.0-flash-VL及首个金融增强模型Ling-3.0-flash-Fin。两个模型均基于Fla sh架构，强调高智效比与场景落地能力。
- Ling-3.0-flash-VL：首个原生多模态模型，支持图像、音视频等多模态输入与输出，面向金融文档、医疗影像等真实场景
- Ling-3.0-flash-Fin：专注金融投研领域，在多项相关能力测评中超越前沿通用模型
- 技术路线：采用MoE稀疏架构、混合线性机制（KDA+MLA）及Token Efficient设计，压缩大模型智能至小尺寸
- 开源策略：基准开源+生态共建，支持私有数据微调与行业定制
核心理念是"智效比"——即在合理成本、更快响应速度下端到端解决问题，而非仅追求生成效率。
支撑国民级应用：1.5亿用户的背后技术逻辑
百灵基座模型已支撑多个国民级AI应用：
- 阿福：健康AI App用户突破1.5亿，日咨询量2000万，或成全球第一大健康AI App
- 阿宝：AI版支付宝，持续增长中
- 灵光：AI原生助手，亦处于上升通道
支撑如此高量级交互，团队面临三大挑战：推理成本、响应速度、数据隐私。阿福技术负责人进捷指出，C端应用必须控制在5秒内响应，否则用户流失；ToB/ToP场景则更重安全与可解释性。
一个关键反差是：当用户量级突破千万级，用最大最好的模型进行推理已不可持续。百灵转向"小模型超水位线"策略，通过Tiny模型在内部大量场景实现推理效率提升，同时保持专业能力。
金融医疗如何反哺基座模型
百灵团队认为，领域模型与基座模型是双向奔赴关系：
金融方向（负责人月引）：
- 选择高难度领域（行研），因行研中分析、估值建模等部分可校验，而推断可交给模型
- 优势在于一二级市场十年以上专家共建数据，并将知识深度融入Pre-train而非仅Post-train
- 金融知识沉淀回基座模型后，可反哺ToC服务，例如为1.5亿阿福用户提供专业理财建议
医疗方向（负责人西亭、进捷）：
- 三线以下城市用户缺头部医疗资源，一线用户则面临健康与情绪压力
- 皮肤科为首选切入，因其问诊量大、适合线上；未来方向是帮医生构建AI团队，提升接诊与患者管理效率
模型架构负责人零幺强调：行业应用产生高质量负样本（拒答/不会），可训练模型认知边界，这对严肃场景至关重要。
模型评估标准：三个核心指标
西亭提出模型进入真实世界的三个关键指标：
| 指标 | 内容 | 说明 |
|---|---|---|
| 智效比 | 计算/参数/Token效率统一权衡 | MoE稀疏架构使模型越稀疏（未达临界点前）智能反提升 |
| 专业性 | 在特定领域达到可用水平 | 金融需应对真实决策场景，非 benchmark 多口径回答 |
| 开放性 | COT可解释、反馈可闭环 | 如医疗报告PPT换行错误需可见可纠，河模型可靠 |
拒答机制设计是专业性落地的关键。月引举例：真实金融用户无法接受85条决策建议，只愿看2-3条；因此RL训练中对幻觉惩罚更重，" “宁可说不知道，也不要给很多口径让用户猜"。
落地建议与行业观察
- 适合立即尝试的用户：金融从业者（投研、理财师）、医疗从业者、开发者（愿参与开源共建）；开源模型支持私有数据微调，适合对数据隐私敏感场景
- 建议再等等的用户：仅追求通用聊天/内容生成的普通消费者；当前版本优先面向专业任务与ToB/ToP场景优化，通用娱乐场景可能等待后续迭代
- 开发者建议：关注其Benchmark设计——不只看输出准确率，更重"知道自己不知道"的能力，此为未来严肃场景标配
写在最后：百灵的实践表明，国内大模型突围路径已从"追赶Coding能力"转向"解决真实问题”。当MoE+小尺寸+场景反哺组合成新范式，AGI或将绕开单一Coding路径，走向更广义的 Scaling——用智效比丈量智能，以真实世界检验价值。