10월 28일, 앤트그룹 산하 바이링 대규모 모델이 Ling-3.1-flash-1019를 정식으로 오픈소스로 공개했다. 신규 버전은 Ling-3.1-flash를 기반으로 추가 학습 및 최적화를 거쳤으며, 지능 지수 Artificial Analysis Intelligence Index v4.3.2에서 44점을 획득해 이전 버전 대비 3점 상승했다. 동시에 바이링은 기반 모델 Ling-3.1-flash-base도 함께 오픈소스로 공개하여, 장기 과제에 필요한 지식·추론·연산 효율의 기반을 다졌다.
알려진 바에 따르면, Ling-3.1-flash-1019 버전은 Personal Agent 시나리오를 겨냥하여 복잡한 워크플로와 다단계 과제 처리 성능을 한층 더 끌어올렸다. 구체적인 평가 결과를 보면, 신규 버전은 복잡한 지식 작업 AA-Briefcase에서 약 1400 Elo에서 1524 Elo로, GDPval-AA는 약 1618 Elo에서 1644 Elo로 상승했다. 프로세스 자동화 AutomationBench-AA 점수는 62%에서 68%로, 과학 문제 해결 CritPt 점수는 18%에서 26%로, SciCode 점수는 54%에서 57%로 각각 향상되었다.
기자가 주목한 것은, 바이링의 이번 모델 반복 오픈소스 공개가 링광(灵光) 2.0과 밀접한 관련이 있다는 점이다. 10월 27일, 링광 2.0은 '일을 알아서 처리하는 개인 AI 비서'로 업그레이드되었으며, 세션 간 기억, 장기 과제 스케줄링, 독립 클라우드 호스트 등의 능력을 바탕으로 링광은 사용자가 허용한 범위 내에서 더 능동적으로 과제를 추진하고 생활 속 복잡한 일들을 지속적으로 관리할 수 있으며, 사용자가 대화를 종료해도 관련 과제는 계속 실행된다. 그 이면에는 모델 능력에 대한 새로운 요구가 자리하고 있다.
질문에 답하는 것에서 지속적으로 일을 처리하는 것까지, 모델에는 어떤 새로운 능력이 필요할까?
즉각적인 질의응답과 달리, 개인 에이전트는 하나의 목표를 중심으로 지속적으로 작업해야 하며, 이는 제품에 기억과 과제 스케줄링 메커니즘이 갖춰져야 함과 동시에, 기반 모델이 목표를 이해하고 도구를 사용하며 새로운 정보를 처리하고 과제를 추진할 수 있어야 함을 요구한다.
링광 2.0은 이러한 능력이 개인 생활에서 활용되는 모습을 보여준다. 예를 들어 여행을 계획할 때는 단순히 일정 가이드를 생성하는 것에 그치지 않고, 출발 시간에 맞춰 날씨, 예약, 출발 전 준비 사항을 추적해야 한다. 광군제(双11) 쇼핑 수요 앞에서는 예산, 규격, 개인 취향에 따라 상품을 선별하고 목록을 정리하며, 가격 변화를 지속적으로 주시하다가 약속된 조건에 부합할 때 사용자에게 알려주어야 한다.
이러한 수요를 중심으로 바이링은 모델 학습과 응용 피드백을 통해 Personal Agent에 필요한 능력을 지속적으로 탐색해 왔다. Ling-3.1-flash-base는 설계 초기 단계부터 이러한 수요를 고려하여, 하이브리드 선형 MoE 아키텍처를 채택했으며 총 파라미터 약 560B, 토큰(Token)당 약 25B 파라미터를 활성화하여 모델 용량, 긴 시퀀스 처리, 단일 단계 연산 비용 사이의 균형을 이루고, 이후 실제 과제를 겨냥한 학습의 기반을 제공한다.
8개 분야 총 47개 benchmark 테스트에서 Ling-3.1-flash-base는 32개 항목에서 DeepSeek-V4-Pro-Base와 MiMo-V2.5-Pro-Base를 제치고 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 과제 처리의 중요한 출발점이 된다. 알려진 바에 따르면, Ling-3.1-flash-base는 BF16 기반 가중치와 MIT 라이선스로 개발자에게 공개되며, 개발자는 자신의 지식, 프로세스, 도구를 바탕으로 추가 사전학습, 도메인 적응 및 후속 학습을 진행할 수 있다.
기본 능력 위에서, Ling-3.1-flash 및 이후의 1019 버전은 후속 학습을 통해 추론, 도구 사용, 다단계 실행 능력을 지속적으로 강화하며 실제 워크플로에서의 모델 성능을 꾸준히 끌어올렸다. 기자가 주목한 것은, 바이링이 Base에서 후속 학습 모델에 이르기까지 연구 개발의 초점을 목표 준수, 도구 사용, 과제 추진 방법으로 점차 확장해 왔다는 점이다.
알려진 바에 따르면, 개인 업무 속 멀티모달 정보 처리 수요를 중심으로, 바이링은 Ling-3.1-flash를 기반으로 시각 언어 모델 Ling-3.1-flash-VL을 학습시켰으며, 기존의 추론, 계획, 도구 사용 능력 위에 시각 이해를 추가했다. 현재는 먼저 링광에 적용되었으며, 추후 외부에 공개될 예정이다.
실제 과제에서 나와, 실제 응용으로 나아가다
현재 바이링은 Personal Agent에 필요한 모델 능력을 점차 완비해 가고 있다. 모델 차원의 능력 진화는 응용에서도 더욱 검증되고 탐색되고 있다. 알려진 바에 따르면, Ling-3.1-flash는 이미 링광, 아푸 의사 버전(阿福医生版) 등 응용 시나리오의 수요와 피드백을 바탕으로 정렬(alignment) 학습을 진행하며, 전문적 표현과 커뮤니케이션 등에서의 모델 능력을 지속적으로 끌어올리고 있다.
"실제 과제에서 나와, 실제 응용으로 나아간다." 바이링은 모델 연구 개발과 응용 실천의 지속적인 순환을 통해 모델이 목표를 이해하고, 과제 상태를 유지하며, 변화에 대응하는 능력을 높이고, 오픈소스를 통해 개발자와 함께 더 많은 응용 가능성을 지속적으로 탐색해 나가길 희망한다고 밝혔다.
기자가 주목한 것은, 단순히 모델 파라미터 규모만 추구하는 것이 아니라 바이링은 기반 모델 능력이 실제 프로세스에 진입해 실제 과제를 완수하도록 하는 데 더 중점을 둔다는 점이다. 올해 하반기 이후 바이링은 오픈소스화와 실제 시나리오를 중심으로 모델 반복과 발전을 가속화해 왔다.
그전에 바이링은 신세대 기반 모델 Ling-3.0-flash를 바탕으로 금융 강화 모델 Ling-3.0-flash-Fin과 의료 강화 모델 Ling-3.0-flash-Sante를 각각 출시하며, 기반 모델 능력을 실제 전문 시나리오로 한층 더 가져갔다. 그중 Ling-3.0-flash-Fin(총 파라미터 124B, 활성화 5.1B)은 AI를 실제 투자 리서치 과제 흐름에 진입시켜 자료 찾기, 분석, 연구 성과 도출에 이르는 완전한 과제 체인을 연결했으며, 고난도 투자 리서치 과제에서 3T급 첨단 모델에 필적하고, 금융 Agent 종합 성능은 오픈소스 최고 수준에 도달했다. Ling-3.0-flash-Sante는 '높은 지능 대비 효율'을 의료 시나리오에 도입하여, 124B 파라미터 규모로 1.6T 미만 모델 중 최고 성과를 거두었으며, 전체 성능은 여러 플래그십 모델에 필적한다.
본 글은 앤트(蚂蚁)가 제공하고 양자위(量子位)가 전재 허가를 받아 게재했으며, 견해는 원저작자에게 귀속된다.