10월 28일, 개미그룹 산하 Bairing 대형 모델이 Ling-3.1-flash-1019를 정식으로 오픈소스로 공개했다. 신규 버전은 Ling-3.1-flash를 기반으로 추가 학습·최적화를 거쳤으며, 지능 지수 Artificial Analysis Intelligence Index v4.3.2에서 44점을 획득해 이전 버전보다 3점 향상되었다. 이와 동시에 Bairing은 기반 모델인 Ling-3.1-flash-base도 함께 오픈소스로 공개하여 장기 과제에 필요한 지식, 추론 및 계산 효율의 기반을 다졌다.
알려진 바에 따르면, Ling-3.1-flash-1019 버전은 Personal Agent 시나리오를 겨냥하여 복잡한 워크플로와 다단계 과제를 처리하는 모델의 성능을 한층 더 향상시켰다. 구체적인 평가 결과를 보면, 신규 버전은 복잡한 지식 작업 AA-Briefcase에서 약 1400Elo에서 1524Elo로, GDPval-AA는 약 1618Elo에서 1644Elo로 향상되었고, 프로세스 자동화 AutomationBench-AA 점수는 62%에서 68%로, 과학 문제 해결 CritPt 점수는 18%에서 26%로, SciCode 점수는 54%에서 57%로 향상되었다.
기자는 Bairing의 이번 모델 반복·오픈소스화가 링광(灵光) 2.0과 깊은 관련이 있음을 주목했다. 10월 26일, 링광 2.0은 '일을 알아서 처리하는 개인 AI 비서'로 업그레이드되었으며, 세션 간 기억, 장기 과제 스케줄링, 독립 클라우드 호스트 등의 능력을 바탕으로 사용자가 허용한 범위 내에서 더 능동적으로 과제를 추진하고 생활 속 복잡한 일들을 지속적으로 관리할 수 있게 되었다. 사용자가 대화를 종료하더라도 관련 과제는 계속 실행될 수 있다. 이 배후에는 모델 능력에 대한 새로운 요구가 자리하고 있다.
질문에 답하는 것에서 지속적으로 일을 처리하는 것까지, 모델에는 어떤 새로운 능력이 필요한가?
즉각적인 질의응답과 달리, 개인 에이전트는 하나의 목표를 중심으로 지속적으로 작업해야 하며, 이는 제품이 기억과 과제 스케줄링 메커니즘을 갖추어야 할 뿐만 아니라 기반 모델이 목표를 이해하고, 도구를 사용하고, 새로운 정보를 처리하며 과제를 추진할 수 있어야 함을 의미한다.
링광 2.0은 이러한 능력이 개인 생활에서 어떻게 활용되는지를 보여준다. 예를 들어, 여행 한 번을 계획하는 것도 단순히 일정 가이드를 생성하는 데 그치지 않고, 출발 시간에 맞춰 날씨, 예약, 출발 전 준비를 계속 확인해야 한다. double 11 쇼핑 수요에 직면하면 예산, 사양, 개인 취향에 따라 상품을 선별하고 목록을 정리하며, 가격 변화를 지속적으로 주시하다가 약속된 조건에 부합할 때 사용자에게 알려주어야 한다.
이러한 수요를 중심으로 Bairing은 모델 학습과 애플리케이션 피드백을 통해 Personal Agent에 필요한 능력을 지속적으로 탐색해 왔다. Ling-3.1-flash-base는 설계 초기 단계부터 이러한 수요를 고려하였으며, 모델은 하이브리드 선형 MoE 아키텍처를 채택하여 총 파라미터 수는 약 560B이고 토큰(Token)당 약 25B의 파라미터를 활성화하여 모델 용량, 긴 시퀀스 처리, 단일 단계 계산 비용 사이의 균형을 이루었으며, 이후 실제 과제를 겨냥한 학습의 기반을 제공한다.
8개 분야 총 47개 벤치마크 테스트에서 Ling-3.1-flash-base는 32개 항목에서 DeepSeek-V4-Pro-Base와 MiMo-V2.5-Pro-Base를 넘어서며 최고 점수를 기록했다. 그중 지식 이해, 논리 추론, 코드, 수학 및 긴 컨텍스트 평가는 개인 비서가 복잡한 일을 처리하는 데 필요한 여러 기본 능력에 해당하며, 복잡한 과제를 처리하는 중요한 출발점이 된다. 알려진 바에 따르면, Ling-3.1-flash-base는 BF16 기본 웨이트, MIT 라이선스로 개발자에게 공개되었으며, 개발자는 자신의 지식, 프로세스, 도구를 바탕으로 추가 사전학습, 도메인 적응 및 후속 학습을 진행할 수 있다.
기본 능력을 바탕으로, Ling-3.1-flash 및 이후의 1019 버전은 후속 학습을 통해 추론, 도구 사용 및 다단계 실행 능력을 지속적으로 강화하며 실제 워크플로에서의 모델 성능을 꾸준히 끌어올렸다. 기자는 Bairing이 Base에서 후속 학습 모델에 이르기까지 연구 개발의 초점이 목표 준수, 도구 사용, 과제 추진 방식으로 점차 확장되어 왔음을 주목했다.
알려진 바에 따르면, 개인 업무에서의 멀티모달 정보 처리 수요를 중심으로, Bairing은 Ling-3.1-flash를 기반으로 시각언어 모델 Ling-3.1-flash-VL을 학습시켰으며, 기존의 추론, 계획, 도구 사용 능력에 시각 이해를 추가하였고, 현재는 먼저 링광에 적용되었으며 추후 외부에 공개될 예정이다.
실제 과제에서 나와 실제 애플리케이션으로 들어가다
현재 Bairing은 Personal Agent에 필요한 모델 능력을 점차 완성해 가고 있다. 모델 차원의 능력 진화는 애플리케이션에서 더욱 검증되고 탐색되고 있다. 알려진 바에 따르면, Ling-3.1-flash는 이미 링광, 아푸 의사(阿福医生) 버전 등 애플리케이션 시나리오의 수요와 피드백을 바탕으로 정렬(alignment) 학습을 진행하며 전문적 표현과 소통 등의 측면에서 모델 능력을 지속적으로 향상시키고 있다.
"실제 과제에서 나와 실제 애플리케이션으로 들어간다." Bairing은 모델 연구 개발과 애플리케이션 실천의 지속적인 순환을 통해 모델이 목표를 이해하고, 과제 상태를 유지하며, 변화에 대응하는 능력을 향상시키고자 하며, 오픈소스를 통해 개발자와 함께 더 많은 애플리케이션 가능성을 지속적으로 탐색해 나갈 것이라고 밝혔다.
기자는 단순히 모델 파라미터 규모만을 추구하는 것과 달리, Bairing이 기반 모델 능력이 실제 프로세스에 진입하여 실제 과제를 완수하도록 하는 데 더 중점을 두고 있음을 주목했다. 올해 하반기 이후 Bairing은 오픈·오픈소스와 실제 시나리오를 중심으로 모델 반복과 발전을 가속화해 왔다.
그전에 Bairing은 차세대 기반 모델 Ling-3.0-flash를 바탕으로 금융 강화 모델 Ling-3.0-flash-Fin과 의료 강화 모델 Ling-3.0-flash-Sante를 각각 출시하여 기반 모델 능력을 실제 전문 시나리오에 한층 더 도입했다. 그중 Ling-3.0-flash-Fin(총 파라미터 124B, 활성화 5.1B)은 AI를 실제 투자 리서치 과제 흐름에 진입시켜 자료 검색, 분석, 연구 성과 도출에 이르는 완전한 과제 체인을 구축했으며, 고난도 투자 리서치 과제에서 3T급 프론티어 모델에 필적하고, 금융 Agent 종합 성능이 오픈소스 최고 수준에 도달했다. Ling-3.0-flash-Sante는 '높은 지능 효율비'를 의료 시나리오에 도입하여, 124B 파라미터 규모로 1.6T 미만 모델 중 최고 성능을 기록했으며, 전체 성능이 여러 플래그십 모델과 대등하다.