一句需求要生成能用的应用：蚂蚁用 MiniAppBench 卡 Ling-3.0-flash

一句需求要生成能用的应用：蚂蚁用 MiniAppBench 卡 Ling-3.0-flash

蚂蚁百灵在 2026 年 7 月 24 日发布原生混合推理模型 Ling-3.0-flash。相对上一代 1T 级思考模型 Ring-2.6-1T，它的总参数是 124B，大约是前代的 12.4%；每次推理激活 5.1B，大约是前代的 8.1%。文章前半是架构说明，后半才是评测和训练信号。能力对比图里的分项分数没有写进文字，下面只保留正文里能核对的测量。

均分怎么算

文中写明：评测默认打开思考模式；算平均分时，只用所有参加比较的模型都有得分的那一部分。缺测的项目不进均分。这是读后面「对齐甚至超越」时必须带上的口径。正文没有列出这张均分表用了哪些基准、每项权重是多少。

架构侧和评测直接相关的设置是：从预训练开始用原生混合线性注意力，KDA 与 MLA 按 5:1 交替堆叠；KDA 是带细粒度对角门控的状态更新；稀疏 MoE 的稀疏度是 1/64。这些决定长上下文和工具调用时的状态记忆，但它们本身不是分数。

训练信号：一万个环境，加上步骤贡献

Coding Agent、General Agent 和 Deep Research Agent 的可交互训练环境扩到 1 万多个，并继续提高环境质量、多样性和难度。长程任务的强化学习不只看整条轨迹对不对，还做完整执行轨迹复盘和步骤贡献评估，把步骤级信号喂回去，让模型从环境交互、失败反馈和自己纠错里学。原文没有给出这 1 万个环境的任务模板、成功判定脚本或步骤贡献的计算公式。

MiniAppBench：一句需求，生成能用的应用

MiniAppBench 的任务定义写得很死：模型只拿到一句用户需求，要生成完整、可用的 APP。Ling-3.0-flash 的通过率是 25.3%，与总参数大约是它两倍的开源 SOTA 处于同一水平。参加这次评测的 16 个主流模型，平均通过率只有 17%。

25.3% 对 17% 说明的是「能交付一个可运行应用」这一关，不是通用聊天或知识问答。原文没有给出题目数量、什么叫通过（能否安装、能否跑通关键路径、由谁判定），也没有给出每个模型的名单。Agent 能力对比图里的其他指标同样没有写成数字。文中还说，相对 Ring-2.6-1T，多项指标对齐甚至超过参数量达其 2 到 3 倍的开源 SOTA 和领先闭源模型。这句没有附上指标名和对照表，不能再拆成单独的百分点。

延迟和多智能体：有方向，没有逐点分数

长输入时，如果本地缓存被挤掉，或会话被调到别的节点，服务要重算前面数万 token，首 token 延迟会上去。Ling-3.0-flash 用 SGLang HiCache 和 Mooncake 做集群级分层缓存，物理上是双池，L3 在集群里共享。实测写的是：长输入场景里，命中 L3 相对直接重算，TTFT 降低 60% 到 80% 以上。没有给出输入长度、并发和样本数。

多智能体架构叫 Ling Multi-Agent。它在 SearchSwarm 的委派智能（Delegation Intelligence）之上看多智能体怎么扩展。不同 Agent 分层分工，用交叉验证、信息补充、协同纠错和竞争赛马来压单一路径的偏差。BrowseComp 和 BrowseComp_zh 上，这套架构呈 log-linear 的性能提升。具体点数在图里，正文没有列出横轴规模和纵轴分数，所以不能补出「加一个 Agent 提升多少」。

演示场景不是这套通过率

后文的 Blender 建模、科研大盘、办公软件、批量网页、电子琴、营销文案和课程日历，是生产力场景演示，没有单独的通过率或失败样本。不能把 MiniAppBench 的 25.3% 挪到这些例子上。

局限性写了两条：参数压得很小，资源偏向智能体和核心推理，广度知识做了妥协；多语言控制还不够，长对话或高压交互时偶尔中英混杂。后续计划是补知识注入和多语言对齐，并继续攻长链条任务。限时免费 API 写到 8 月 3 日 23:00（北京时间），这是接入窗口，不是评测结果。

出处：蚂蚁，蚂蚁百灵（页面未署个人作者），Ling-3.0-flash：智以密胜，2026-07-24，https://developer.ant-ling.com/zh-CN/blogs/ling-3.0-flash-release