10月28日、アントグループ傘下の百灵大規模モデルはLing-3.1-flash-1019を正式にオープンソースとして公開した。新バージョンはLing-3.1-flashをベースにさらに訓練・最適化が行われ、知能指数Artificial Analysis Intelligence Index v4.3.2で44点を獲得し、前バージョンから3点向上した。同時に、百灵は基盤モデルLing-3.1-flash-baseもオープンソース化し、長期タスクに必要な知識、推論、計算効率の基盤を固めた。
関係者によると、Ling-3.1-flash-1019バージョンはPersonal Agentシナリオに向け、複雑なワークフローと多段階タスクの処理におけるモデルの性能をさらに向上させた。具体的な評価を見ると、新バージョンは複雑な知識業務AA-Briefcaseのスコアが約1400Eloから1524Eloに、GDPval-AAが約1618Eloから1644Eloに向上した。プロセス自動化AutomationBench-AAのスコアは62%から68%へ、科学問題解決CritPtのスコアは18%から26%へ、SciCodeは54%から57%へと向上した。
記者が注目したのは、百灵の今回のモデル反復・オープンソース化が霊光（灵光）2.0と密接に関わっている点だ。10月26日、霊光2.0は「仕事をこなせる個人AIアシスタント」へとアップグレードされた。セッションをまたぐ記憶、長期タスクのスケジューリング、独立したクラウドホストなどの能力を活かし、霊光はユーザーの許可範囲内でより能動的にタスクをフォローし、生活上の複雑な事柄を継続的に管理でき、ユーザーが会話を離れても関連タスクは動作し続ける。この裏にはモデル能力への新たな要求がある。
質問に答えるから継続的に用事をこなすへ、モデルにはどんな新能力が必要か？
即時の質疑応答とは異なり、パーソナルエージェントは一つの目標に向かって継続的に働く必要があり、それには製品に記憶とタスクスケジューリングの仕組みが備わっていること、そして基盤モデルが目標を理解し、ツールを使い、新しい情報を処理してタスクを推進できることが求められる。
霊光2.0は、こうした能力の個人生活における活用を示している。例えば旅行の計画では、行程案を生成するだけでなく、出発時期に合わせて天候、予約、出発前の準備をフォローする必要がある。ダブル11（双11）の買い物では、予算、スペック、個人の好みに応じて商品を絞り込み、リストを整理し、価格変化を継続的に注視し、約束した条件を満たすときにユーザーへ知らせる。
こうしたニーズを踏まえ、百灵はモデル訓練とアプリケーションからのフィードバックを通じて、Personal Agentに必要な能力を継続的に模索してきた。Ling-3.1-flash-baseは設計初期からこれらのニーズを考慮に入れており、モデルは混合線形MoEアーキテクチャを採用し、総パラメータ数は約560B、各Tokenで約25Bのパラメータを活性化し、モデル容量、長シーケンス処理、単ステップの計算コストのバランスを取り、その後の現実のタスクに向けた訓練の基礎を提供する。
8分野47項目のbenchmarkテストにおいて、Ling-3.1-flash-baseは32項目でDeepSeek-V4-Pro-BaseとMiMo-V2.5-Pro-Baseを上回り、最高スコアを獲得した。中でも知識理解、論理推論、コード、数学、長コンテキストの評価は、個人アシスタントが複雑な事柄を処理するのに必要な複数の基礎能力に対応し、複雑なタスクを処理する重要な出発点となっている。関係者によると、Ling-3.1-flash-baseはBF16の基礎重み、MITライセンスで開発者に開放されており、開発者は自身の知識、プロセス、ツールに基づいて継続事前訓練、領域適応および事後訓練を行うことができる。
基礎能力の上に、Ling-3.1-flashおよびその後の1019バージョンは事後訓練を通じて、推論、ツール使用、多段階実行能力を継続的に強化し、実際のワークフローにおけるモデルの性能を持続的に向上させている。記者が注目したのは、百灵がBaseから事後訓練モデルに至るまで、研究開発の重点を次第に目標の遵守、ツールの使用、タスクの推進へと広げてきたことだ。
関係者によると、個人の用事におけるマルチモーダル情報処理のニーズをめぐり、百灵はLing-3.1-flashを基に視覚言語モデルLing-3.1-flash-VLを訓練し、既存の推論、計画、ツール使用能力に視覚理解を加えた。現在は先行して霊光に適用されており、今後外部に公開される予定だ。
現実のタスクから生まれ、現実の応用へ
現在、百灵はPersonal Agentに必要なモデル能力を段階的に整備している。モデルレベルの能力の進化は、応用の中でさらに検証と模索が進められている。関係者によると、Ling-3.1-flashは霊光、阿福医生版などの応用シナリオのニーズとフィードバックに基づいてアライメント訓練を行い、専門的な表現やコミュニケーションなどの面でのモデル能力を持続的に向上させている。
「現実のタスクから生まれ、現実の応用へ。」百灵は、モデル研究開発と応用実践の継続的な循環を通じて、モデルが目標を理解し、タスク状態を維持し、変化に対応する能力を高め、オープンソースを通じて開発者とともにさらなる応用の可能性を継続的に模索していくと述べた。
記者が注目したのは、単にモデルのパラメータ規模を追求するのではなく、百灵は基盤モデルの能力を現実のプロセスに組み込み、現実のタスクを完遂させることをより重視している点だ。今年下半期以来、百灵はオープン化・オープンソース化と現実のシナリオをめぐってモデルの反復と発展を加速してきた。
これより前、百灵は新世代基盤モデルLing-3.0-flashを基に、金融強化モデルLing-3.0-flash-Finと医療強化モデルLing-3.0-flash-Santeをそれぞれ発表し、基盤モデルの能力をさらに現実の専門シナリオへと持ち込んだ。うち、Ling-3.0-flash-Fin（総パラメータ124B、活性化5.1B）はAIを現実の投資調査タスクフローへと送り込み、資料探しから分析、研究成果の形成までの完全なタスクチェーンをつなぎ、高難度の投資調査タスクで3T級の最先端モデルに匹敵し、金融Agentの総合性能はオープンソースのトップレベルに達した。Ling-3.0-flash-Santeは「高知効比（高い知能効率）」を医療シナリオへ持ち込み、124Bのパラメータ規模で1.6T未満のモデルの中で最良の成績を収め、全体性能は複数のフラッグシップモデルに相当する。