博客
探索蚂蚁百灵大模型的最新研究成果与技术洞察
Ling-3.1-flash 正式开源：让真实业务需求更快变成可用成果
蚂蚁百灵正式开源 Ling-3.1-flash:延续 560B 总参数、25B 激活的混合架构,通过 MXFP4 量化把权重占用从约 534GB 降至 292GB、服务卡数从 8 卡降至 4 卡,让团队在自有算力中检验模型能力与推理效率。
Ling-3.1-flash：面向真实世界任务的模型升级
Ling-3.1-flash 面向真实世界任务:约 560B 总参数、25B 激活,1M 上下文窗口,围绕通用智能体、搜索、办公与软件研发持续优化,并在医疗、金融与材料科研场景提升能力。
Ming-Image-0.1-Design 系列开源，走进真实设计工作流
Ming-Image-0.1-Design 系列开源:6B 的 Design 生成 UI/信息图/海报,Layer 拆出可独立编辑的透明图层,配套 Design Skill 与 PPT Skill,让 AI 设计走向可预览、可编辑、可交付。
提升大模型智效比，从缩短一次数据验证的等待开始
OmniTable——面向 PB 级大模型数据治理与探索的统一宽表系统:把一次数据策略验证的等待缩到最短,从数据侧持续改进模型智效比。
Ling-3.0-flash-VL 开源发布：让视觉能力服务真实任务
百灵系列首个原生多模态大模型 Ling-3.0-flash-VL 开源:124B 总参数、5.5B 激活,原生支持图像、文本与视频输入,256K 上下文,探索视觉反哺文本、专业交付与高效执行。
开放模型 × 开放评测：Ling-3.0-flash-Fin 与 FinFIRST 正式开源
Ling-3.0-flash-Fin 携金融搜索 Agent 评测基准 FinFIRST 同步开源:把金融模型能力开放给开发者,并以贴近真实金融需求的搜索任务检验信源可靠、口径清晰与可复核推导。
Ling-3.0-flash-Fin：面向真实金融工作流的开放模型
蚂蚁百灵首个金融增强模型 Ling-3.0-flash-Fin:延续 124B/5.1B 架构,通过金融语料预训练、领域后训练与工具使用优化,处理年报、研究材料等复杂金融内容。
Ling-3.0 tiny & flash Base Models 正式开源
Ling-3.0 tiny & flash Base Models 正式开源:为基于自有数据、任务与目标的后训练提供更具可塑性的基础模型,回应社区对开放 Base Model 的需求。
从跑起来到训起来：Ling-3.0-tiny × ASystem AReno，打通单机 Agentic RL 闭环
Ling-3.0-tiny × ASystem AReno 单机 Agentic RL 闭环实践:从基线评测、反馈定义到后训练与同环境复测,让本地运行的模型在贴近业务的环境中持续学会规则与工具使用。
Ling-3.0-tiny 正式开源：让 1.3B 激活参数，进入真实任务
原生混合推理模型 Ling-3.0-tiny 正式开源:总参数 7.9B、单 Token 激活仅 1.3B,提供 BF16/FP8/INT4 三版本,让轻量模型进入代码辅助、本地 Agent 与真实任务。
Ling-3.0-flash 开源：为真实世界而生的开放智能
百灵新一代原生混合推理模型 Ling-3.0-flash 正式开源:124B 总参数、5.1B 激活参数,提供基础版与 FP8/FP4/INT4 多精度权重,面向 API 调用、单机私有化与多机构建三种部署选择。
Ling-3.0-flash：智以密胜
蚂蚁百灵正式发布新一代原生混合推理模型 Ling-3.0-flash——总参数 124B、激活参数仅 5.1B，以极致智能密度对标甚至超越上一代 1T 级旗舰思考模型 Ring-2.6-1T。
Ling-2.6-flash 发布：更快响应、更强执行、更高 Token Efficiency
蚂蚁百灵正式推出 Ling-2.6-flash——一款总参数量 104B、激活参数 7.4B 的 Instruct 模型。面对持续攀升的 Token 压力，Ling-2.6-flash 选择了一条不同的技术路径：不是单纯依赖更长输出换取更高分数，而是围绕推理效率、Token 效率与 Agent 场景表现进行系统性优化，在保持竞争力智能水平的同时，尽可能做到更快、更省、更适合真实业务场景。
cuLA：用 CUDA 重写线性注意力
cuLA（CUDA Linear Attention）是一套面向线性注意力变体的高性能 CUDA 内核库，专为 GLA、KDA、GDN、Lightning Attention 等新一代注意力机制提供高效实现。
一模四能：从看图到发文，Ming-flash-omni 打通全模态创作闭环
如果你需要模型既能看懂照片里哪里有路人抢镜，又能自己动手把人修掉，还能自己打分判断修得好不好，最后写一段推文介绍自己的作品——你需要几个模型？答案是：一个就够了。
超长上下文训练速度翻倍秘籍
大模型长文本训练是通用人工智能竞争的重要高地。将上下文长度从传统的 4k/8k 扩展到 256k 甚至是 1M，主要面临显存压力和计算效率的双重挑战。我们针对 Ling 2.5 架构的万亿参数预训练模型 Ling-2.5-1T-base 提供了工程化解决方案。
拒绝“AI 味”：我们用 6 个文学维度，重新审视了模型的创意写作边界
本文为「百灵实操系列」，本系列旨在通过分享我们在使用百灵大模型的过程中，所发现的一些好的用例，场景和心得体会，与大家在 AI 时代，一起提升认知和品位。
Ling 2.5 Lightning Attention+MLA 混合线性架构改造实践
在 Ling 2.0 架构的研发过程中，我们通过 Ling Scaling Law [1] 系统性的分析了 MoE 架构高稀疏比、适当的细粒度切分等因素均会带来更优的效率杠杆。因此，我们一方面持续提升 MoE 架构的稀疏度，另一方面通过极致的工程优化来弥补稀疏计算带来的系统瓶颈。
百变人声·身临其境：Ming-flash-omni-2.0 语音生成
百灵多模态团队节前前发布了 Ming-flash-omni-2.0，基于其语音模块，我们新发布了 Ming-omni-tts，通过模型 scale up 实现了更强的效果。不管你是短视频博主配旁白，独立播客创作者想把单人对话变成双人播客，还是想在自己的 openclaw 加个语音对话助手，Ming-omni-tts 16.8B-A3B 和 0.5B dense ，一大一小，总有一款适合你。
Ling-2.5-1T，普惠智能，即时响应
今天，我们发布并开源 Ling-2.5-1T。Ling-2.5-1T 在模型架构、token 效率、偏好对齐等维度全面升级，期待为用户带来更优质的普惠智能体验。
Ring-2.5-1T，思更深，行更远
今天，我们发布并开源首个混合线性架构的万亿参数思考模型 Ring-2.5-1T。相比此前发布的 Ring-1T，Ring-2.5-1T 在生成效率、思考深度、长程执行上均有大幅提升。