蚂蚁发布稀疏小模型 Ling 3.0 Tiny
Ling 3.0 Tiny 总参数量为 79 亿、每个 token 仅激活 13 亿参数，瞄准低成本本地部署与高频智能体任务。
用稀疏激活压低推理门槛
蚂蚁集团 InclusionAI 团队发布开放权重模型 Ling 3.0 Tiny。该模型总参数量为 79 亿，但处理每个 token 时只激活约 13 亿参数，试图借助混合专家架构，在保留较强能力的同时降低推理所需的计算量和内存带宽，更适合资源受限的部署环境。
第三方评测机构 Artificial Analysis 在 4.1.1 版 Intelligence Index 中给出 25 分。按该机构的结果，Ling 3.0 Tiny 已进入较强的小型开放权重模型行列，但绝对能力与前沿大模型仍有明显距离。在用于考察模型是否会自信编造答案的 Omniscience Index 上，它得到负 19 分；对于这一体量的模型，评测方认为表现相对不错。
不过，它的实际效率并不能只看激活参数量。Artificial Analysis 统计发现，Ling 3.0 Tiny 完成每项 Intelligence Index 任务平均会生成约 5.1 万个输出 token，高于 Ling 3.0 Flash 的约 3.6 万个，也比 Nemotron 3.5 Lightning 和同类 Qwen 模型等高效选手多约 65%。每个 token 的计算成本虽然较低，但如果推理链明显更长，节省下来的算力可能被更高的总 token 消耗、延迟和服务时间部分抵消。
为何重要
Ling 3.0 Tiny 为竞争迅速升温的百亿参数以下市场增加了一个中国选手。这类模型的主要价值并非争夺旗舰聊天机器人榜首，而是进入本地助手、高并发智能体和垂直系统：在这些场景中，延迟、隐私和运营成本通常比极限能力更重要。它偏长的推理轨迹也再次说明，企业选型不能只比较参数规模或单 token 价格，还应衡量完成整项任务所需的总成本。后续在不同硬件上的延迟、显存占用和单任务成本测试，将决定其稀疏架构能否转化为真实优势。