Am 28. Oktober hat das Bailing-Großmodell der Ant Group Ling-3.1-flash-1019 offiziell als Open Source veröffentlicht. Die neue Version wurde auf Basis von Ling-3.1-flash weiter trainiert und optimiert und erzielte im Intelligent-Index Artificial Analysis Intelligence Index v4.3.2 44 Punkte, eine Verbesserung von 3 Punkten gegenüber der vorherigen Version. Gleichzeitig wurde auch das Basismodell Ling-3.1-flash-base als Open Source freigegeben, um das Fundament für Wissen, Schlussfolgerungsfähigkeit und Recheneffizienz zu legen, die für langfristige Aufgaben erforderlich sind.
Nach Angaben wurde Ling-3.1-flash-1019 für Personal-Agent-Szenarien entwickelt und verbessert die Leistung des Modells bei der Verarbeitung komplexer Arbeitsabläufe und mehrstufiger Aufgaben weiter. Konkret zeigt die Bewertung: In der komplexen Wissensarbeit AA-Briefcase stieg der Wert von etwa 1400 Elo auf 1524 Elo, bei GDPval-AA von etwa 1618 Elo auf 1644 Elo; bei der Prozessautomatisierung AutomationBench-AA stieg der Wert von 62% auf 68%; beim Lösen wissenschaftlicher Fragen stieg der CritPt-Wert von 18% auf 26% und SciCode von 54% auf 57%.
Der Reporter bemerkte, dass diese迭代 und Open-Source-Veröffentlichung des Bailing-Modells eng mit Lingguang 2.0 zusammenhängt. Genau am 27. Oktober wurde Lingguang 2.0 zu einem „persönlichen KI-Assistenten, der Dinge managen kann“ aufgewertet. Dank Fähigkeiten wie sitzungsübergreifendem Gedächtnis, Planung langfristiger Aufgaben und einer eigenständigen Cloud-Host-Instanz kann Lingguang Aufgaben im Rahmen der Nutzerautorisierung aktiver verfolgen und komplexe Angelegenheiten des Alltags kontinuierlich verwalten – selbst wenn der Nutzer die Konversation verlässt, laufen die entsprechenden Aufgaben weiter. Dies stellt neue Anforderungen an die Modellfähigkeiten.
Welche neuen Fähigkeiten braucht ein Modell, um von der Beantwortung von Fragen zur kontinuierlichen Erledigung von Aufgaben zu gelangen?
Anders als bei Sofortfragen und -antworten muss ein persönlicher intelligenter Agent kontinuierlich an einem Ziel arbeiten. Dies erfordert sowohl Gedächtnis- und Aufgabenplanungsmechanismen im Produkt als auch ein zugrunde liegendes Modell, das Ziele versteht, Werkzeuge einsetzt, neue Informationen verarbeitet und Aufgaben vorantreibt.
Lingguang 2.0 zeigt, wie solche Fähigkeiten im persönlichen Leben Anwendung finden. So erfordert etwa die Planung einer Reise nicht nur die Erstellung eines Reiseroutenplans, sondern auch das Verfolgen von Wetter, Reservierungen und Reisevorbereitungen in Abstimmung auf die Abreisezeit; bei den Einkaufsbedürfnissen zum Double-11 müssen Produkte nach Budget, Spezifikationen und persönlichen Präferenzen ausgewählt, Listen erstellt und Preisänderungen kontinuierlich beobachtet werden, um den Nutzer zu benachrichtigen, wenn vereinbarte Bedingungen erfüllt sind.
Ausgehend von diesen Anforderungen erkundet Bailing kontinuierlich durch Modelltraining und Anwendungsfeedback die Fähigkeiten, die ein Personal Agent benötigt. Ling-3.1-flash-base berücksichtigte diese Anforderungen bereits in der Designphase: Das Modell verwendet eine hybride lineare MoE-Architektur mit insgesamt etwa 560B Parametern, von denen pro Token etwa 25B Parameter aktiviert werden. So wird ein Ausgleich zwischen Modellkapazität, Verarbeitung langer Sequenzen und Rechenaufwand pro Schritt geschaffen, der die Grundlage für das spätere Training an echten Aufgaben bildet.
Bei insgesamt 47 Benchmark-Tests in 8 Bereichen übertraf Ling-3.1-flash-base DeepSeek-V4-Pro-Base und MiMo-V2.5-Pro-Base in 32 Fällen und erzielte die Höchstpunkte. Davon entsprechen Wissen und Verständnis, logisches Schlussfolgern, Code, Mathematik und Langkontext-Bewertungen mehreren grundlegenden Fähigkeiten, die ein persönlicher Assistent für die Bearbeitung komplexer Angelegenheiten benötigt, und bilden einen wichtigen Ausgangspunkt für die Bewältigung komplexer Aufgaben. Nach Angaben wird Ling-3.1-flash-base Entwicklern mit BF16-Basisgewichten unter der MIT-Lizenz zur Verfügung gestellt; Entwickler können darauf aufbauend mit eigenem Wissen, eigenen Prozessen und Werkzeugen Pretraining-Fortsetzung, Domänenanpassung und Post-Training durchführen.
Auf den Grundfähigkeiten aufbauend wurden durch Post-Training bei Ling-3.1-flash und der darauffolgenden Version 1019 kontinuierlich die Fähigkeiten für Schlussfolgerung, Werkzeugnutzung und mehrstufige Ausführung gestärkt, um die Leistung des Modells in realen Arbeitsabläufen stetig zu verbessern. Der Reporter bemerkte, dass sich der Entwicklungsschwerpunkt von Bailing vom Base- zum Post-Training-Modell schrittweise auf die Einhaltung von Zielen, die Nutzung von Werkzeugen und das Vorantreiben von Aufgaben erstreckte.
Nach Angaben wurde angesichts des Bedarfs an multimodaler Informationsverarbeitung bei persönlichen Angelegenheiten auf Basis von Ling-3.1-flash das Vision-Language-Modell Ling-3.1-flash-VL trainiert, das auf den bestehenden Fähigkeiten in Schlussfolgerung, Planung und Werkzeugnutzung visuelles Verständnis ergänzt. Es kommt bereits vorab in Lingguang zum Einsatz und wird später extern veröffentlicht.
Aus echten Aufgaben kommen, in echte Anwendungen gehen
Derzeit vervollständigt Bailing schrittweise die für Personal Agents erforderlichen Modellfähigkeiten. Die Weiterentwicklung der Fähigkeiten auf Modellebene wird auch in Anwendungen weiter validiert und erforscht. Nach Angaben wurde Ling-3.1-flash bereits auf Grundlage der Anforderungen und des Feedbacks von Anwendungsszenarien wie Lingguang und Afu Doctor antrainiert, um die Fähigkeiten des Modells in fachlichem Ausdruck und Kommunikation kontinuierlich zu verbessern.
„Aus echten Aufgaben kommen, in echte Anwendungen gehen.“ Bailing erklärte, durch die kontinuierliche Schleife aus Modellentwicklung und Anwendungspraxis die Fähigkeit des Modells verbessern zu wollen, Ziele zu verstehen, den Aufgabenstatus zu halten und auf Veränderungen zu reagieren; außerdem wolle man gemeinsam mit Entwicklern durch Open Source weitere Anwendungsmöglichkeiten erkunden.
Der Reporter bemerkte, dass Bailing anders als bei reinem Streben nach Modellparameterumfang stärker darauf setzt, Grundmodellfähigkeiten in reale Abläufe zu bringen und echte Aufgaben zu erledigen. Seit der zweiten Jahreshälfte beschleunigt Bailing die Iteration und Entwicklung seiner Modelle rund um offenes Open Source und reale Szenarien.
Zuvor hatte Bailing auf Basis des neuen Basismodells Ling-3.0-flash das finanzverstärkte Modell Ling-3.0-flash-Fin und das medizinisch verstärkte Modell Ling-3.0-flash-Sante vorgestellt, um Grundmodellfähigkeiten weiter in reale professionelle Szenarien zu tragen. Dabei bringt Ling-3.0-flash-Fin (124B Gesamtparameter, 5.1B aktiviert) KI in echte Investment-Research-Aufgabenströme und verbindet die komplette Aufgabenkette von der Recherche über die Analyse bis zur Erstellung von Forschungsergebnissen; bei hochschwierigen Investment-Research-Aufgaben hält es mit 3T-modernen Modellen Schritt, und die Gesamtleistung des Finanz-Agents erreicht Open-Source-Spitzenlevel. Ling-3.0-flash-Sante bringt dagegen ein „hohes Intelligenz-Effizienz-Verhältnis“ in medizinische Szenarien und erzielt mit 124B Parametern die beste Leistung unter Modellen unter 1.6T, wobei die Gesamtleistung mehreren Flaggschiff-Modellen entspricht.
Dieser Artikel wurde von Ant bereitgestellt; QbitAI hat ihn mit Genehmigung nachgedruckt. Die Ansichten liegen beim ursprünglichen Autor.