7月23日，蚂蚁集团旗下AI实验室 inclusionAI 放出了一段视频。
视频里，Ling-3.0-flash 从一句提示词出发，调用 Blender MCP，用 Python 写代码、建城市、铺道路、搭摩天楼、设置摄像机路径，最后渲染出一段航拍视频。整个过程一气呵成，没有人工干预。
但这还不是更值得关注的部分。
同一天，美国知名AI研究机构 Nous Research 宣布，Ling-3.0-flash 即日起免费入驻其开源智能体平台 Hermes Agent。24小时后，Ant Ling 创始人转发了这条消息，配文只有一句话：
“我们来用 Ling-3.0-flash 在 Hermes 上做点有趣的东西，把所有的‘记忆’都留下来。”
这句话里的“记忆”，指的是 Hermes 最核心的能力，持久记忆（Persistent Memory）。一个中国金融科技巨头孵化出的 AI 模型，在发布首日就接入了一个 GitHub 上斩获 219,000 星的开源智能体生态。这中间的故事，远比一段 3D 建模视频更值得拆解。
1/12 的参数，100% 的战斗力
先看模型本身。
Ling-3.0-flash 是一个混合专家（MoE）模型，总参数 124B，每次推理只激活 5.1B 参数。这意味着什么？Ant Ling 官方给出的对比最直观：
它的总参数只有自家万亿旗舰模型的 1/8，激活参数更是只有 1/12。但在绝大多数基准测试上，它“匹配或超越了”那款万亿参数旗舰。
这个效率提升的幅度，放在整个行业都极为罕见。过去两年，从 Google Gemini Flash 到 DeepSeek 的系列模型，行业一直在追求“用小模型打大模型”的能力。但 Ling-3.0-flash 的压缩比达到了新的量级。用 5.1B 激活参数去挑战 1T 参数旗舰，换算下来，每 1B 激活参数要承载近 200B 总参数的智力输出。
它是怎么做到的？
关键在于架构。Ling-3.0 采用了原生混合线性注意力机制：KDA（Kimi Delta Attention）和 MLA（Multi-Head Latent Attention）以 5:1 的比例堆叠。KDA 负责精细控制长程记忆，MLA 负责高效计算。同时，MoE 层采用 1/64 专家激活策略，进一步降低推理成本。
这套架构并非凭空而来。KDA 最早由 Moonshot AI 在 Kimi Linear 架构中提出，能将 KV Cache 降低 75%、解码吞吐量提升 6 倍。Ling-3.0 把 KDA 和 MLA 做了 5:1 的混合配比，本质上是在“线性注意力的高效”和“传统注意力的表达力”之间找到了一个更优的平衡点。
结果是一个原生支持 256K 上下文，可扩展至 1M 的模型，专门为生产级智能体推理而设计。在多步工具调用、长程任务执行、多智能体协作等场景下，它能用更少的 token 完成更多工作。
不是模型发布，是生态卡位
如果 Ling-3.0-flash 只是一个跑分好看的模型，这个故事到这就结束了。但真正值得关注的是它在发布首日做了什么：入驻 Nous Hermes。
Hermes Agent 是 Nous Research 在 2026 年 2 月发布的开源自主智能体。截至 2026 年 7 月 23 日，它在 GitHub 上已获得 219,200 多颗星，全球排名第 20，分叉数超过 41,600。它不是一个 IDE 插件，也不是一个聊天机器人封装。它运行在你的服务器上，能接入 Telegram、Discord、Slack、WhatsApp、Signal 等多个平台，具备持久记忆、自动任务调度、子智能体隔离等能力。
用一句话概括：Hermes 是目前开源社区最接近“AI 操作系统”形态的智能体之一。
而 Ling-3.0-flash 在发布当天就进入了这个生态。Nous Research 的公告很直接：“Ling-3.0-flash 现在在 Nous Portal 上免费开放一周。它速度快，专为智能体工作负载而建，编程、搜索、研究、工具使用。”
这在两个层面上意义重大。
第一，对 Ant Ling 来说，这是一次精准的生态卡位。Hermes 的用户群体是开发者、研究者、AI 重度用户，这正是 Ling-3.0-flash 最需要触达的人群。通过免费入驻加首日公告，Ling-3.0-flash 在发布当天就获得了 45,000 多次曝光（仅 Nous Research 单条帖子的浏览量），并直接进入了开发者的智能体工作流。
第二，对整个行业来说，这是一个信号：中国 AI 模型正在主动嵌入全球开源智能体生态。过去，中国模型厂商的出海路径主要是 API 调用（如 DeepSeek 通过 OpenRouter 提供服务）或开源模型下载（如 Qwen 系列在 HuggingFace 上的分发）。但 Ling-3.0-flash 选择了更深度的一步，不是作为一个“可调用的 API”，而是作为一个“可嵌入智能体工作流的原生模型”。
Ant Ling 创始人那句“keep all the good memories”，精准地指向了 Hermes 的持久记忆功能。Ling-3.0-flash 的 256K 上下文窗口搭配混合注意力架构，让它天然适合处理需要长期记忆的智能体任务，这正是 Hermes 的核心使用场景。
免费策略背后的商业逻辑
Ling-3.0-flash 目前采用激进的免费策略：在 OpenRouter 上免费到 8 月 3 日，在 Nous Portal 上免费一周，在 Kilo 平台上同样限时免费。
这不是慈善。这是典型的企业级模型获客漏斗。
第一步：免费开放，让开发者低成本试用，快速积累口碑和用例。第二步：通过平台 API 调用量数据，锁定高频用户和高价值场景。第三步：免费期结束后，按使用量收费，完成商业转化。
这套策略在 AI 行业已经屡见不鲜。OpenAI 早期对 ChatGPT 的免费开放、DeepSeek 的超低价 API、Google Gemini Flash 的慷慨免费额度，都是同一逻辑。但 Ling-3.0-flash 的免费策略有一个独特之处：它同时覆盖了多个分发渠道（OpenRouter、Nous Portal、Kilo），而不是只依赖单一入口。
这意味着 inclusionAI 不是在“卖模型”，而是在“铺设基础设施”。通过让模型出现在开发者日常使用的每一个平台上，它变成了开发者工作流中默认的选项之一。当免费期结束，开发者已经习惯了用它来跑智能体任务，转换成本就出现了。
对于背靠蚂蚁集团的 inclusionAI 来说，这种“先免费后收费”的耐心是可持续的。蚂蚁集团 2025 年总营收约 2700 亿元人民币，AI 实验室的投入属于战略性亏损。它不需要在第一天就盈利，它需要的是生态位。
效率竞赛：AI 产业进入“Token 经济学”时代
Ling-3.0-flash 的发布，放在更大的行业背景下来看，是 AI 产业从“参数竞赛”到“效率竞赛”转型的最新注脚。
2023 到 2024 年，行业还在追逐“更大”：更大规模的参数、更长的训练时间、更多的 GPU。GPT-4、Claude 3、Gemini Ultra 等模型都在比拼谁的总参数更多、谁在基准测试上更高一分。
2025 到 2026 年，风向变了。MoE 架构成为主流，混合注意力机制开始普及，行业共识从“谁更强”转向“谁更省”。
Ling-3.0-flash 把这场效率竞赛推到了一个新的高度。124B 总参数、5.1B 激活参数，就敢说“匹配或超越”万亿参数旗舰。无论这个“匹配”在绝对意义上打了多少折扣，它都在向市场传递一个清晰的信号：参数规模不再是衡量模型能力的核心指标。
这对整个产业链的影响是深远的。
对于开发者，这意味着更低的推理成本。Ling-3.0-flash 的 MoE 架构加混合注意力，让每次推理的计算量大幅降低。在 OpenRouter 上，它的有效价格（考虑缓存折扣后）比标价低 60% 到 80%。对于需要频繁调用模型的多智能体系统来说，这可能是成本从“不可接受”降到“可接受”的关键转折。
对于云服务商，这意味着推理芯片的选型逻辑可能改变。如果 5.1B 激活参数就能覆盖大部分生产级场景，那么推理端对高端 GPU 的依赖度会下降，更多推理任务可以运行在成本更低的芯片上。
对于模型厂商之间的竞争，这意味着“效率”本身正在成为新的护城河。谁能用更少的计算资源，在更长的上下文窗口上，完成更复杂的多步推理，谁就能在下一阶段的市场中占据优势。
风险与不确定
当然，Ling-3.0-flash 的故事并非没有阴影。
第一，“匹配或超越”的基准测试范围并未完整披露。Ant Ling 官方展示的 benchmark 图表中，部分指标确实领先，但并非所有维度都优于万亿旗舰。在需要深度推理的复杂任务上，5.1B 激活参数是否真的能覆盖 1T 参数的智力密度，仍然是一个需要独立验证的问题。
第二，免费期后的定价尚未公布。如果 Ling-3.0-flash 的商用价格不具竞争力，免费期间积累的开发者好感度可能迅速流失。
第三，inclusionAI 作为蚂蚁集团旗下的实验室，其模型在海外市场的合规性仍需关注。涉及金融科技背景的中国 AI 模型在西方市场的推广，可能面临监管审查。
但所有这些不确定性，都不会改变一个已经发生的事实：一个由中国金融科技巨头孵化的 AI 模型，以 5.1B 激活参数实现了接近万亿参数水平的性能，并在发布首日就嵌入了全球最活跃的开源智能体生态。
这是一个信号。
当中国 AI 不再只是“追赶”，而是用 1/12 的算力打出平局，并主动嵌入全球工具链，这场竞赛的剧本，已经变了。
快报