蚂蚁百灵这步棋，比DeepSeek更狠

上周五深夜，一位在阿里云做架构的朋友给我发来一张截图，说团队内部对Ling-3.0-Flash的讨论炸了锅。124B参数，激活5.1B，推理成本骤降70%。我问他，这不就是MoE的变种吗？他说，不是，这是原生混合推理，不是路由门控那一套。

我打开数据，用SWOT框架拆了一下。

S（优势）：单次计算激活5.1B，相当于用GPT-2的算力跑出接近GPT-4的推理能力。对标海外，Mistral的Mixtral 8x22B激活约39B，Ling-3.0-Flash的激活量只有它的13%。效率提升不是渐进式，是断崖式。

W（劣势）：124B全量参数在训练阶段依然需要海量算力。蚂蚁百灵没有公开训练成本，但按行业经验，这个规模至少需要数千张H100跑几周。中小团队无法复现，生态依赖度可能变成短板。

O（机会）：混合推理模型天然适合长文本、多轮对话和复杂推理。蚂蚁的支付、信贷、保险场景里，用户咨询动辄上千字上下文，Ling-3.0-Flash的推理速度能直接改善用户体验。更重要的是，小激活模型可以部署在端侧，蚂蚁的IoT设备、线下POS机都能跑，这比云端API更贴近用户触点。

T（威胁）：DeepSeek的MoE架构已经跑通，推理成本压到每百万token 0.5元。Ling-3.0-Flash虽然效率更高，但蚂蚁缺少to C的流量入口，不像字节有豆包，腾讯有混元。没有场景喂数据，模型的持续迭代和用户反馈闭环就卡住了。

对比两个路线：DeepSeek的MoE靠路由门控做稀疏计算，蚂蚁的混合推理是模型原生做任务分解——推理时自动判断用快思考还是慢思考，类似人类大脑的System 1和System 2。这个思路不新鲜，Google的Gemini 2.0也提过，但蚂蚁拿出了产品落地。

我关注的是算力经济学。模型总参数124B，激活5.1B，这意味着推理时的内存带宽需求降低，延迟可以压缩到单卡可处理。如果蚂蚁能把这个模型塞进一台手机，那才是真正的杀手锏。对标海外，苹果的端侧模型AIML只有3B参数，Ling-3.0-Flash的激活量是5.1B，但苹果有A18芯片，蚂蚁有谁？

最后问一个问题：蚂蚁百灵这个模型，是打算卖API还是做产品？如果是前者，面对已经卷到每万token几分钱的公有云市场，它的差异化优势在于长文本和复杂推理，但这一块客户群太窄。如果是后者，蚂蚁需要造一个自己的“豆包”或者“文心一言”，用模型能力反哺支付宝的搜索和客服。但支付宝的DAU已经触顶，用户打开它不是为了聊天。

蚂蚁百灵的策略很清晰：用技术绕过传统大模型的算力瓶颈，但出路不在技术，在场景。没有场景，再好的模型也是空中楼阁。

直接收住，不总结。

原文链接：https://www.qbitai.com/2026/07/461149.html