في 15 أكتوبر، أعلنت مجموعة ANT GROUP من خلال نموذج بايلينغ فتح مصدر Ling-3.1-flash. يركز هذا النموذج على "القابلية للاستخدام الفعلي"، مع تحسين القدرات تجاه المهام في العالم الحقيقي، لتحويل الاحتياجات المجهولة للأعمال إلى نتائج قابلة للاستخدام بشكل أسرع. تقدم النماذج مفتوحة المصدر أوزانها للتنزيل على Hugging Face وModelScope.
يستمر Ling-3.1-flash في استخدام المعمارية الخطية المزاججة لـ Ling-3.0-flash، ويحتوي على حوالي 560B من إجمالي المعلمات، ويفعّل حوالي 25B من المعلمات لكل Token؛ ويدعم حتى 1M من سياق الاستخدام. حافط النموذج على الأداء العالي الجودة في سياكات معقدة مثل المكاتب، والرعاية الصحية، وهندسة البرمجيات، وعمليات الموديلات. في وجه المعلومات المتفرقة، يساعد في تنظيم التقارير والمواد المقدمة؛ في وجه الأعراض المتفرقة، يساعد في تنظيم التاريخ الطبي ومشاكل الزيارة؛ وفي وجه الأكواد القديمة، يستطيع فهم التنفيذ الأصلي، وكتابة خواص جديدة، ومواصلة التعديل بناءً على نتائج الاختبار.
في تقييم مهام المكاتب GDPVal-AA V2.1، حصل Ling-3.1-flash على 1673 نقطة (ELO). في تقييم الرعاية الصحية HealthBench Professional، حصل النموذج على 65.35 نقطة. وفي معايير هندسة البرمجيات FrontierSWE وتقييم عمليات الموديلات Terminal-Bench4.0، أظهر النموذج أيضًا قدرة على معالجة مهام الهندسة المعقدة.
من خلال مجموعة مفتوحة المصدر، يأمل فريق بايلينغ أن تتمكن المزيد من الفرق من نشر Ling-3.1-flash في بيئاتها الخاصة والاستفادة منه، مما يسمح بدمج هذه القدرات في سياكات الأعمال الخاصة بهم.
في المهام اليومية الموجهة للمهام الفعلية، تضطر مساعدات المعرفة الخاصة بالشركة ومساعدات الأكواد إلى معالجة المعلومات وإنشاء المحتوى وتعديل النتائج من خلال التغذية الراجعة من المستخدمين بشكل مستمر. حاجة النموذج إلى قدرات عامة لمعالجة هذه المهام، وأيضًا إلى الحفاظ على سرعة استجابة كافية للمناديات المتعددة. "نسبة الكفاءة الذكاءية" كميزة أساسية لسلسلة نماذج بايلينغ، تمتدد وتتعزز أكثر في مستوى Ling-3.1-flash.
في التقييم العام الذي أجراه Artificial Analysis، حصل Ling-3.1-flash على مؤشر ذكاء قدره 41، وسرعة إخراج حوالي 210 Token لكل ثانية، مما يوفر قدرات مزدوجة من الذكاء وكفاءة الإنشاء لسياكات الأعمال عالية التكرار. إضافة إلى ذلك، يبلغ سعر الاستدعاء المزاجج لـ Ling-3.1-flash حوالي 0.19 دولار لكل مليون Token، وقع في نطاق الإخراج الأسرع والأسعار الأدنى، مما يوازن كفاءة الإنشاء ومزايا التكلفة لسياكات الاستدعاء عالي التكرار.
من أجل النشر المحلي، قام الفريق بتطبيق التكميم MXFP4 على routed experts، والحفاظ على الطبقة الكثيفة (dense) بـ block-FP8، مما أدى إلى انخفاض استهلاك الأوزان من حوالي 534GB إلى 292GB. في تكوينة الاختبار المقابلة على GPU من فئة Hopper، انخفضت النشرة الخدمية من 8 بطاكات إلى 4 بطاكات، مما يسمح للفرق التي تمتلك GPU مستوى خادمة بتشغيل النموذج بعدد أقل من البطاكات.
سابقًا، حدد السلسلة Ling3.0 ممارسات مفتوحة المصدر على أنواع متعددة من الأجهزة، من الخادمات إلى الأجهزة الشخصية والموبايل، مغطية إما مسارات نشر متعددة. على سبيل المثال، في الجانب الخادمي، يمكن لجهاز NVIDIA DGX Spark واحد تشغيل Ling-3.0-flash لتشغيل والاختبار وكيل ترميز لبناء لعبة صغيرة؛ وفي الجانب الشخصي، يمكن لـ MacBook Air ذات 16GB تشغيل Ling-3.0-tiny لإنشاء مساعد محلي دائم؛ وفي الجانب الموبايل، حقق Galaxy A324G تأكيداً للاستنتاج المحلي وأولية توجيه الأدوات من خلال النسخة Tiny GGUF، ونجح هاتف Xiaomi 14T Pro في تحقيق محادثة محلية للنسخة Tiny من خلال PocketPal.
بحسب المعلومات، اقتربت عمليات تنزيل نماذج سلسلة Ling-3.0 على Hugging Face خلال الـ30 يومًا الماضية من مليون مرة (1000000)، وقد وفّر المجتمع إصدارات متوافقة متعددة مثل Flash GGUF وTiny GGUF وFlash MLX4bit. ومع إتاحة Ling-3.1-flash كمصدر مفتوح، يوفر سلسلة نماذج بايلينغ للمطورين أساسًا نموذجيًا أكثر اكتمالًا وقابلًا للتحقق المستقل وإعادة التكييف، كما يعني ذلك أن قدرات النموذج تقترب أكثر فأكثر من التسليم الفعلي في الأعمال الحقيقية، إذ يستمر تقليص المسافة بين وثائق المتطلبات ومستودعات الشيفرة وبيئة الإنتاج.
كقوة باحتة في تطوير نماذج الذكاء الاصطناعي خلف تطوير أعمال AI الخاصة بـ ANT GROUP، قدمت بايلينغ دعمًا مهمًا للقدرات النموذجية لتطبيقات الذكاء الاصطناعي للمستهلكين والوكائل الذكية للمنشآت. وبدلاً من الحصر على الحصول على أكبر عدد من المعلمات، تركز بايلينغ على إدخال قدرات النموذج في الأعمال الحقيقية لتسليم النتائج. في مجالات معقدة ومتخصصة مثل التمويل والرعاية الصحية، أطلقت بايلينغ على أساس النموذج الأساسي نماذج محسّنة مثل Ling-3.0-flash-Fin وLing-3.0-flash-Sante، لتحويل قدرات النموذج العام إلى قدرات متخصصة في البحوث الاستثمارية وإدارة الصحة وغيرها من سياكات الأعمال الحقيقية.