这不是一次简单的 “模型发布”。在 “大模型 = 大参数” 的共识下，Ling-flash-2.0 用之间找到了一个新平衡点。这不仅是 Ling 系列开源进程中的又一重要节点，也为当前大模型 “参数膨胀” 趋势提供了一种高效、实用、可持续的新路径。

　　在当前大模型竞争愈发激烈的背景下，参数规模似乎成为衡量模型能力的 “硬通货”。但 “参数越多 = 能力越强” 的公式，正在失效：

　　MoE（Mixture of Experts）架构被寄予厚望：通过 “稀疏激活” 机制，用更少的计算，撬动更大的参数容量。但问题在于 —— 如何设计一个 “真高效” 的 MoE？

　　Ling Team 早期的关于 MoE Scaling Law（）的研究揭示了 MoE 架构设计 scaling 的特性。在此研究工作的指导下，通过极致的架构优化与训练策略设计，在仅激活 6.1B 参数的前提下，实现了对 40B Dense 模型的性能超越，用最小激活参数，撬动最大任务性能。为此，团队在多个维度上 “做减法” 也 “做加法”：

　　MTP 层、QK-Norm、half-RoPE：在建模目标、注意力机制、位置编码等细节上实现经验最优

　　最终结果是：6.1B 激活参数，带来约 40B Dense 模型的等效性能，实现 7 倍以上的性能杠杆。

　　换句线B 的激活参数，带来了接近 40B Dense 模型的实际表现，而在日常使用上推理速度却提升了 3 倍以上，在 H20 平台上可实现200+ tokens/s的高速生成，输出越长，加速优势越明显。

　　为了全面评估 Ling-flash-2.0 的推理能力，蚂蚁百灵大模型团队在模型评估中覆盖了多学科知识推理、高难数学、代码生成、逻辑推理、金融与医疗等专业领域，并与当前主流模型进行了系统对比。从下面的多个榜单分数对比可以看出，Ling-flash-2.0 不仅优于同级别的 Dense 模型（如 Qwen3-32B、Seed-OSS-36B），也领先于更大激活参数的 MoE 模型（如 Hunyuan-A13B、GPT-OSS-120B）。

　　得益于高推理密度语料 + 思维链训练的预训练策略，Ling-flash-2.0 在高难数学推理 AIME2025、Omni-MATH 数学竞赛级题目中展现出稳定的推理链路与多步求解能力。

　　在功能正确性、代码风格、复杂度控制方面，Ling-flash-2.0 表现优于同规模模型，甚至在部分任务中超越 GPT-OSS-120B。

　　通过大规模 RL 训练 + 视觉增强奖励（VAR）机制，模型在UI 布局、组件生成、响应式设计等前端任务中，实现了 “功能 + 美学” 的双重优化。

　　Ling-flash-2.0 的性能优势不仅体现在 “跑分” 上，更在多个实际应用场景中展现出强大能力。

　　在前端研发方面，Ling 团队携手 WeaveFox 团队，基于大规模强化学习全面升级 Ling-flash-2.0 的前端代码生成能力，为开发者打造更强大的智能编程体验。

　　Ling-flash-2.0 的优异表现，离不开其扎实的预训练基础。百灵大模型团队构建了一套基于统一数据湖宽表设计的 AI Data System，支持样本级血缘管理，完成了 40T+ tokens 的高质量语料处理，并从中精选出最高质量的部分用于支持 Ling-flash-2.0 的 20T+ tokens 的预训练计划。

　　Mid-training Stage：扩展至 32K 上下文，引入思维链类语料，为后训练做准备

　　训练过程中，关键超参数（如学习率、batch size）均由百灵大模型团队自研的 Ling Scaling Laws 给出最优配置。此外，团队还创新性地将传统的 WSD 学习率调度器替换为自研的 WSM（Warmup-Stable and Merge）调度器，通过 checkpoint merging 模拟学习率衰减，进一步提升了下游任务表现。

　　为增强多语言能力，Ling 2.0 将词表从 128K 扩展至 156K，新增大量多语言 token，并在训练中引入 30 个语种的高质量语料，显着提升了模型的跨语言理解与生成能力。

　　高效推理能力只是起点，百灵大模型团队更希望打造一款 “能思考、能共情、能对话” 的模型，实现 “智理相济，答因境生”。

　　通过完全解耦的系统提示词设计，模型在微调阶段同时学习 “即时回答” 与 “深度推理” 两种模式。微调数据涵盖数理科学、创意写作、情感对话、社科哲思等多个领域，并引入金融建模、工业调度、供应链优化等数学优化任务，赋予模型解决实际问题的能力。

　　在 RL 前，团队提出 ApexEval 评测方法，聚焦模型的知识掌握度与推理深度，弱化格式和指令遵循，筛选出最具探索潜力的模型进入强化学习阶段。

　　在 RL 阶段，模型以简洁思维链为起点，根据问题复杂度动态 “解锁” 更深层的推理能力，实现 “遇简速答、见难思深” 的智能响应。

　　针对代码任务，团队统一采用测试用例驱动的功能奖励机制，并创新引入视觉增强奖励（VAR），对前端任务的 UI 渲染效果进行美学评估，实现功能与视觉体验的协同优化。

　　在开放域问答中，团队构建了组内竞技场奖励机制（Group Arena Reward），结合 RubriX 多维度评价标准，有效抑制奖励噪声，提升模型的人性化与情感共鸣能力。

　　后训练奖励系统由奖励服务调度框架、策略引擎、执行环境三部分组成，支持异步奖励计算、GPU 资源时分复用，支持 40K 并发执行，为高质量数据筛选与模型迭代提供底层保障。

　　Ling-flash-2.0 的意义，不在于 “参数小”，而在于重新定义了 “效率” 与 “能力” 的关系。

　　它用 6.1B 激活参数告诉我们：模型的智能，不止于规模，更在于架构、训练与推理的协同优化。

　　在 “参数即能力” 的惯性思维下，百灵大模型团队用Ling-flash-2.0 提供了一种可部署、可扩展、可演进的新范式。

　　此次开源，Ling 团队不仅放出了 Ling-flash-2.0 的对话模型，也同步开源了其 Base 模型，为研究者和开发者提供更灵活的使用空间。

　　Base 模型在多个榜单上已展现出强劲性能，具备良好的知识压缩与推理能力，适用于下游任务的进一步微调与定制。

(责任编辑：管理)