Am 28. Oktober wurde das Ling-3.1-flash-1019-Modell der Bailing-Modellfamilie von Ant Group offiziell open source gemacht. Die neue Version wurde auf der Basis von Ling-3.1-flash weiter trainiert und optimiert, wodurch sie im Artificial Analysis Intelligence Index v4.3.2 44 Punkte erreichte – ein Anstieg von 3 Punkten gegenüber der vorherigen Version. Gleichzeitig wurde das Grundmodell Ling-3.1-flash-base von Bailing ebenfalls open source gemacht, um die notwendige Wissen, Schlussfolgerungen und Recheneffizienz für lange Aufgaben zu ermöglichen.
Laut Informationen ist die Version Ling-3.1-flash-1019 für den Personal Agent-Szenario konzipiert und verbessert die Leistung des Modells bei der Verarbeitung komplexer Arbeitsprozesse und mehrstufiger Aufgaben erheblich. Im Detail der Bewertungen zeigt die neue Version, dass die Punktzahl im komplexen Wissensarbeiten AA-Briefcase von etwa 1400Elo auf 1524Elo gesteigert wurde, GDPval-AA von etwa 1618Elo auf 1644Elo; der Score bei AutomationBench-AA stieg von 62% auf 68%, und der CritPt-Score für die Lösung wissenschaftlicher Probleme von 18% auf 26%, während der SciCode-Score von 54% auf 57% anstieg.
Die Reporter bemerkten, dass die diesmalige Iteration des Modells von Open Source eng mit Lingguang 2.0 verbunden ist. Am 26. Oktober wurde Lingguang 2.0 in einen „persönlichen AI-Assistenten für kompetente Verwaltung“ umgewandelt. Dank der Fähigkeiten wie Cross-Session-Memoria, Langfristige Aufgabenplanung und einer unabhängigen Cloud-Hosting-Infrastruktur kann Lingguang innerhalb des Zugriffsbereichs der Benutzer aktiv Aufgaben verfolgen und komplexe Lebensaufgaben kontinuierlich verwalten – selbst wenn die Benutzer das Gespräch beenden. Dies stellt neue Anforderungen an die Modelleigenschaften dar.
Welche neuen Fähigkeiten benötigt das Modell, um von der Beantwortung von Fragen bis zur kontinuierlichen Arbeit zu funktionieren?
Im Gegensatz zu Echtzeit-Quizzes muss das persönliche Intelligenzmodell kontinuierlich an einem Ziel arbeiten. Dazu müssen das Produkt eine Speicherfunktion und ein Aufgabenplanungssystem besitzen, und das Grundmodell muss das Ziel verstehen, Werkzeuge verwenden, neue Informationen verarbeiten und die Aufgabe vorantreiben können.
Lingguang 2.0 zeigt die Anwendung dieser Fähigkeiten im persönlichen Leben. Zum Beispiel bei der Planung einer Reise: Es geht nicht nur darum, ein Reisetagebuch zu erstellen, sondern auch darum, im Einklang mit dem Abfahrtstermin Wetter, Reservierungen und Vorbereitungen vorab zu planen; bei den Einkaufaktionen am Double 11 muss man Produkte nach Budget, Spezifikationen und persönlichen Präferenzen auswählen, eine Liste erstellen und ständig auf Preisveränderungen achten, um den Nutzern bei Erfüllung der vereinbarten Bedingungen zu informieren.
Um diese Anforderungen zu erfüllen, erforscht Bailing kontinuierlich durch Modelltrainings und Anwendungsfeedback die Fähigkeiten, die ein Personal Agent benötigt. Ling-3.1-flash-base hat diese Anforderungen bereits in der Entwicklungsphase berücksichtigt. Das Modell verwendet eine gemischte lineare MoE-Struktur mit einer Gesamtzahl von etwa 560B Parametern, wobei etwa 25B Parameter pro Token aktiviert werden. Es wird ein Gleichgewicht zwischen Modellkapazität, langen Sequenzverarbeitung und Schrittweitenkomplexität erreicht, was eine Grundlage für die spätere Trainierung auf echten Aufgaben bietet.
In 47 Benchmark-Tests in 8 Bereichen erreichte Ling-3.1-flash-base bei 32 Tests die höchste Punktzahl gegenüber DeepSeek-V4-Pro-Base und MiMo-V2.5-Pro-Base. Insbesondere die Bewertungen für Wissensverständnis, logisches Denken, Code, Mathematik und langes Kontextverständnis entsprechen den vielen grundlegenden Fähigkeiten, die ein persönlicher Assistent für das Umgang mit komplexen Aufgaben benötigt, und bilden einen wichtigen Ausgangspunkt für die Bearbeitung komplexer Aufgaben. Soweit bekannt ist, wird Ling-3.1-flash-base mit einer BF16-Basisgewicht und der MIT-Lizenz den Entwicklern zur Verfügung gestellt. Die Entwickler können auf der Grundlage ihrer eigenen Kenntnisse, Prozesse und Tools weitergehende Vorbelastung, Domänenanpassungen und Nachtrainings durchführen.
Über die Grundfähigkeiten hinaus werden durch das Nachtrainieren von Ling-3.1-flash und der folgenden Version 1019 die Fähigkeiten im Bereich des Denkens, des Tool-Einsatzes und der mehrstufigen Ausführung weiter verstärkt, wodurch sich die Leistung des Modells in der tatsächlichen Arbeitsprozess verbessert. Die Reporter bemerken, dass sich das Forschungs- und Entwicklungsfokus von Base bis zum nachtrainierten Modell schrittweise auf die Ausführung von Zielen, den Einsatz von Tools und die Förderung von Aufgaben ausgeweitet hat.
Laut Informationen wurde aufgrund der Anforderungen an die Multimodale Informationsverarbeitung in persönlichen Angelegenheiten das visuelle Sprachmodell Ling-3.1-flash-VL auf Basis von Ling-3.1-flash trainiert. Auf der bereits vorhandenen Fähigkeit zur Inferenz, Planung und Toolnutzung wird nun die visuelle Verständlichkeit hinzugefügt. Derzeit wird das Modell bereits an Lingguang angewandt, und später wird es öffentlich veröffentlicht werden.
Von echten Aufgaben herüber zu echten Anwendungen
Derzeit vervollständigt Bailing schrittweise die Modelleigenschaften, die für den Personal Agent benötigt werden. Die Entwicklung der Modelleigenschaften wird auch in den Anwendungen weiterhin verifiziert und erforscht. Es wird berichtet, dass Ling-3.1-flash auf die Anforderungen und Rückmeldungen von Anwendungsbereichen wie Lingguang und Dr. Afu basierende Ausrichtungstrainings durchgeführt hat, um die Modelle in Bezug auf professionelle Ausdrucksfähigkeit und Kommunikation kontinuierlich zu verbessern.
„Von echten Aufgaben her bis zu echten Anwendungen.“ Bailing sagte, dass er hofft, durch den kontinuierlichen Kreislauf zwischen Modellentwicklung und Anwendungspraxis die Fähigkeit der Modelle, Ziele zu verstehen, den Status der Aufgaben zu bewahren und Veränderungen zu bewältigen, zu verbessern. Zudem wird er weiterhin durch Open Source und mit Entwicklern neue Anwendungsmöglichkeiten erforschen.
Die Reporter bemerkten, dass sich Bailing von der bloßen Verfolgung des Modellparametergrößen unterscheidet und mehr darauf legt, die Fähigkeiten des Grundmodells in echte Prozesse zu bringen, um echte Aufgaben zu erledigen. Seit dem zweiten Halbjahr dieses Jahres beschleunigt Bailing die Iteration und Entwicklung von Modellen im Zusammenhang mit Offenheit und Open-Source-Prinzip sowie echten Szenarien.
Zuvor hat Bai Ling basierend auf dem neuen Generationen-Basismodell Ling-3.0-flash die Finanzverstärkungsmodelle Ling-3.0-flash-Fin und das medizinische Verstärkungsmodell Ling-3.0-flash-Sante vorgestellt, um die Fähigkeiten des Grundmodells weiter in echte professionelle Szenarien zu bringen. Dabei ermöglicht Ling-3.0-flash-Fin (gesamte Parameter: 124B, aktive Parameter: 5,1B) es dem AI, in den echtlichen Forschungsprozess einzutreten und eine vollständige Aufgabenkette von der Suche nach Informationen, Analyse bis hin zu Ergebnissen der Forschung zu bilden. In schwierigen Forschungsaufgaben kann es mit Modellen der 3T-Klasse mithalten und seine Gesamtleistung im Bereich Finanzagenten liegt auf dem Spitzenplatz; Ling-3.0-flash-Sante bringt hingegen „hohe Effizienz“ in das medizinische Umfeld ein und erzielt mit einer Parametergröße von 124B die beste Leistung in Modellen unter 1,6T – seine Gesamtleistung ist damit vergleichbar mit mehreren Flaggschiffmodellen.