Ling

Ling 是蚂蚁集团自主研发并开源的通用大语言模型系列，基于 MoE（混合专家）架构构建，历经国产异构算力平台适配验证、万亿参数规模突破，持续迭代至长上下文建模、多模态理解与 AI Agent 协同推理能力。

为什么选择 Ling？

Ling 系列在推理效率、长上下文建模、多模态理解和训练技术四个维度实现了关键突破：

推理效率

传统 Dense 模型在推理时需激活全量参数，计算开销与模型规模成正比。Ling 采用 MoE 架构，每个 Token 仅路由激活最相关的专家子网络，从而在保持大规模模型容量的同时，将实际计算量压缩至极小比例。

长上下文支持

在 MoE 高效推理基础上，Ling 系列在长序列建模上进一步突破。

• Ling-3.0-flash：原生支持 256K 上下文窗口，最高支持 1M 上下文窗口。
• Ling-2.6-1T：最长支持 1M 上下文窗口；官方 API 当前开放 256K 上下文。
• 长程信息召回无明显衰减：无论目标信息位于上下文头部、中部还是尾部，模型均可稳定检索。

原生多模态理解

Ling 系列首个原生多模态模型 Ling-3.0-flash-VL 现已发布并开源，将视觉理解能力深度融入 MoE 架构：

• 原生支持图像、文本与视频输入：不仅限于”看图说话”，而是将多模态信息作为推理的基础输入，实现更深层的跨模态理解。
• 视觉反馈闭环机制：将任务推进为”观察 → 行动 → 验证 → 修正”的持续闭环，使模型在医疗报告解读、前端代码生成及 GUI 自动化等场景中，能够基于视觉反馈持续修正执行结果。

选型指南

以下是 Ling 系列不同尺寸的模型的能力对比，供您评估与选型：

选型建议：

• 对大多数通用文本场景，推荐从 Ling-3.0-flash 入手，在相同计算资源下效率更高，复杂任务处理更加轻松高效，大幅降低成本。
• 需要处理图片、视频等多模态内容，或构建视觉相关的自动化工作流？选择 Ling-3.0-flash-VL，原生支持图像、文本与视频输入，并通过视觉反馈闭环持续修正执行结果，适合图片转网页、GUI 自动化等场景。
• 需要处理超长文档、复杂多跳推理或 Agent 任务链？选择 Ling-2.6-1T，它依托 MLA 与 Linear Attention 的 Hybrid 架构创新，摒弃繁琐的“慢思考”，以“快思考”机制实现高效推断，仅凭极低 Token 开销直达结果，极致压缩输出成本。
• 对推理延迟与吞吐量敏感的在线服务场景，Ling-3.0-flash 的低激活参数量使其具备更优的 TTFT（首 Token 延迟）与 TPS（每秒 Token 输出）表现。
• 需要端侧部署、本地离线运行或对成本与资源极度敏感的场景？选择 Ling-3.0-tiny，仅 1.3B 激活参数即可胜任实时交互、轻量代码助手、本地知识库检索与工具调用等任务。

模型详解

接下来，让我们深入了解每款模型的技术特点与适用场景：

Ling-3.0-flash-VL

Ling-3.0-flash-VL 是百灵系列首个原生多模态大模型，基于 Ling-3.0-flash 的 MoE（混合专家）架构拓展而来。总参数量 124B，单次推理激活 5.5B 参数，原生支持图像、文本与视频输入，上下文窗口 256K Token。目前模型已在 Hugging Face 及 ModelScope 平台开源。

核心优势：

• 原生多模态理解：从架构层面原生融合视觉与语言能力，支持图像、文本与视频输入，不依赖外挂视觉模块
• 视觉反馈闭环机制：引入”观察 → 行动 → 验证 → 修正”的持续闭环，使模型能够基于视觉反馈持续修正执行结果，大幅提升任务可靠性与准确性。不同于一次性的”看图生成”，该机制可在医疗报告解读、前端代码生成及 GUI 自动化等场景中将一次性”生成”转变为具备自我纠错能力的动态过程
• 任意分辨率视觉编码器：引入任意分辨率视觉编码器与 VideoRoPE，在实时视频对话、多轮视觉交互及长时任务中保持低延迟响应
• 架构深度协同：语言主干沿用 42 层混合架构（KDA 与 Gated MLA 按 5:1 比例交替排列），在 124B 总参数下单次推理仅激活 5.5B 参数，兼顾高性能与高性价比
• 256K 上下文窗口：支持长文档与长视频分析，满足长上下文场景需求

应用场景：

• 视觉反馈编程：从截图或参考图中理解布局与组件关系并生成前端代码，能通过渲染结果对比进行自我修正，生成高度还原的网页。
• GUI 自动化：作为 GUI Agent，可识别界面结构并完成跨工具操作，轻松驾驭各类生产力场景
• 专业报告解读：该模型具备医学专业力，同时支持跨文档、跨图文的数据整合与风险标识，适用于专业领域文档分析，如体检报告解读等。
• 实时视频学习与讲解：强化了学科知识和视觉推理能力，可实现拍学、实时视频讲解、视频知识提取等场景，打造可以边看边问的学习伙伴。该场景也已经在「灵光」App 中为用户提供服务。
• 多模态办公自动化：配合 MCP 接口完成涉及图像、文档、视频的综合办公任务

Ling-3.0-flash

• Ling-3.0-flash 是 Ling 系列最新一代高性价比模型，总参数量 124B，激活参数量 5.1B，原生 256K 上下文窗口，最高可扩展至 1M。
• 与上一版本的 flash 模型相比，Ling-3.0-flash 在长程任务的稳定性显著增强，工具调用的精确度明显更高，对常见 Harness 环境的适配也有显著提升。在编程任务中，Ling-3.0-flash 对空间的理解能力有很大优化，能够完成物理场景网格和相对位置的构建。同时，得益于混合 Reasoning 模式，对不同难度的任务执行成功率均有提升。

核心优势：

• 高性价比，更低激活，更高吞吐，单位任务下成本更低、效率更高，复杂任务处理更加轻松高效
• 支持思考和非思考的无缝切换，既可以思考后处理复杂任务，也可以关闭思考后满足大批量生产或低延迟场景
• 高 TPS 支撑高频任务，最高推理速度可达 1000 tokens/s，TTFT < 100ms，同样单位时间内可以多看、多查、多想，迭代次数更多，结果更准确
• 工具调用稳定。RL 强检查机制下，长程工具调用稳定性显著提升，指令遵循可靠
• 原生 256K 上下文窗口，最高可扩展至 1M，具备完整的工具调用与 Agent 能力

应用场景：

• 办公自动化、办公协作与 Cowork
• 人机协同：在人类指示下，敏捷高效地进行日常代码开发任务。
• 高并发的大批量数据处理与分析场景，如简历筛选、文档审查、知识库整理、数据清洗
• 对响应速度有较高要求的数字人直播实时响应、流媒体互动、实时翻译等场景

Ling-3.0-tiny

• Ling-3.0-tiny 是 Ling 系列面向轻量部署场景的混合推理模型，总参数量 7.9B，激活参数量仅 1.3B，支持端侧部署与本地离线运行，模型后续将开源。
• 以极少的激活参数实现真实任务执行能力，兼具数学推理、指令遵循与低幻觉优势，在科学推理、代码、真实任务和长上下文等多个方向上取得均衡表现。

核心优势：

• 极致轻量：仅 1.3B 激活参数，可部署于端侧设备与资源受限环境，推理时延低、算力开销小
• 能力覆盖完整：在数学推理、指令遵循、代码生成与工具调用等方向均具备实用水平，不因”小”而降低对能力的期待
• 原生支持工具调用（Tool-Use），可胜任移动设备与浏览器 UI 自动化等轻量级自动化场景
• 支持本地离线运行，适合对数据隐私敏感、不希望数据离端的私有化部署场景

应用场景：

• 端侧应用与本地离线推理，如本地知识库检索与内容生成
• 轻量代码助手、本地网页翻译等高频低延迟任务
• 企业私有化部署中的任务智能体与垂直场景模型底座
• 工具调用与 UI 自动化交互等实时控制场景

Ling-2.6-1T

Ling-2.6-1T 是 Ling 系列最新一代旗舰大模型，采用 MLA 与 Linear Attention 的 Hybrid 架构，总参数量约 1T，激活参数量约 63B，支持 1M 超长上下文，在旗舰智能与 Token 效率之间实现强平衡。

核心优势：

• 以「快思考」替代冗长思考链，在更低 Token 开销下保持万亿参数的智能。
• 强化编码和 Agent 的能力，在 AIME26、SWE-bench Verified 等执行类基准上达到开源 SOTA。
• 与 Claude Code、OpenCode、OpenClaw 等主流 Agent 框架高度兼容，适配多工具、多步骤、多约束场景。

应用场景：

• 多步任务和智能体协作
• 代码补全、项目交付和缺陷修复
• PPT、报表等数据可视化项目
• 长上下文的知识管理和自动化办公交付

Ling 的演进历程

Ling 系列经历了从算力适配验证到 Agent 能力突破的完整技术演进：

技术生态

基于 Ling 基座模型，我们构建了覆盖训练到部署全链路的技术生态：

• 高性能算子库：开源的高性能训练与推理算子系统，涵盖 MoE 路由、注意力计算等核心组件，支撑从预训练到在线推理的全链路优化。
• 垂直领域专用模型：面向医疗、金融等专业场景的领域适配模型，在领域知识密集型任务上表现更优。
• 开源社区：全部研究成果开源至 Inclusion AI  社区，持续与开发者共建生态。

快速开始

1. 获取 API 密钥：获取访问凭证。
2. 完成首次调用：5 分钟完成第一个 API 请求。
3. 探索更多能力：深入了解推理优化、长上下文等高级特性。