模型卡｜Ling-3.0-flash-Fin

TL;DRLing-3.0-flash-Fin（Ant Group 蚂蚁百靈）：2026-09-09 外灘大會發佈，124B 總參數／5.1B 啟用，256K context（可擴至 1M），MIT 開源；沿用 Ling-3.0-flash 的 MoE 架構與長上下文能力，透過金融語料持續預訓練與領域後訓練強化財務能力，在 FinFIRST、FinSearchComp Verified、FinCRAFT、Finance Agent、APEX-Agents、SpreadsheetBench、τ³-Banking 七個金融基準上測試，AA Intelligence Index v4.1.1 從 38 提升至 41 分；模型權重已上線 Hugging Face 與 ModelScope，OpenRouter 提供一個月限免 API

#ai-agent #model-release #daily #ant-group #model-family-ling #finance #moe

系列: AI Model Tracker (25 / 30)

模型卡｜Xing4.0-29B-A4B 模型卡｜Jev（TypeSafe AI）

🌏 English version

模型資訊

項目	值
Model ID	`Ling-3.0-flash-Fin`
廠商	Ant Group（蚂蚁集團），聯合中金公司與行業專家
參數量	124B 總參數，5.1B 啟用參數（per token）
Context Window	256K tokens，可擴展至 1M tokens
架構	原生混合推理 MoE，KDA + MLA 交替（5:1），MoE 專家激活比 1/64
開源	是，MIT License（權重已開源）
發布日	2026-09-09（外灘大會 Inclusion·Conference on the Bund 宣布開源）
權重位置	Hugging Face · ModelScope
API	OpenRouter（限免一個月） · Vercel AI Gateway
家族	Ling 3.0 系列（Ling-3.0-flash、Ling-3.0-tiny、Ling-3.0-flash-Fin）
基礎模型	Ling-3.0-flash（124B / 5.1B，2026-07-27 發佈）
授權	MIT

能力亮點

金融領域專業增強：在 Ling-3.0-flash 基礎上透過金融語料持續預訓練與領域後訓練強化，針對年報、財務工作簿、多份研究材料等複雜金融內容進行優化，同時兼顧部署效率
端到端投研流程：串聯資訊檢索 → 證據審核 → 計算建模 → 報告撰寫，不是把各環節當成孤立任務
來源可追溯的金融檢索：優先定位官方、一手及高可信資料，開源評測基準 FinFIRST 與模型同步釋出
多文件財務推理：能協調不同報告期間、定義、假設與衝突數據（年報、財報、監管文件、研究材料）
估值與試算表工作流：理解 Excel 公式、實際 vs 預估更新、跨表依賴、平衡檢查、情境分析，輸出可編輯的財務模型
AA Intelligence Index v4.1.1：從通用版的 38 分提升至 41 分，顯示金融增強未犧牲通用能力

Benchmark 表現

Ling-3.0-flash-Fin 在以下金融智慧體基準上進行了測試（官方未公布具體分數曲線，定位為「與同等尺寸模型及更大尺寸通用模型相比具有競爭力」）：

基準	測試面向
FinFIRST	來源導向檢索（50+ 金融專業人士設計，結果／過程／證據三層評估）
FinSearchComp Verified	金融搜索驗證
FinCRAFT	金融任務執行
Finance Agent	金融 Agent 工作流
APEX-Agents	金融 Agent 評測
SpreadsheetBench	試算表操作與估值建模
τ³-Banking	銀行業務應用

⚠️ 官方僅定性描述「在多項金融基準上展現較强競爭力」，未公佈完整量化分數表。FinFIRST 將於近期開源，為金融搜索領域提供透明基準。模型在 AA Intelligence Index v4.1.1 的 41 分為目前唯一公開的量化指標。

與 Ling 3.0 系列比較

項目	Ling-3.0-tiny	Ling-3.0-flash	Ling-3.0-flash-Fin
總參數	7.9B	124B	124B
激活參數	1.3B	5.1B	5.1B
定位	純本地離線任務	生產級 Agent 執行節點	金融增強 Agent
Context	未公開	256K → 1M	256K → 1M
開源	是	是	是（MIT）
特色	資源敏感部署	混合推理、1/64 稀疏 MoE	金融領域微調

與基礎版 Ling-3.0-flash 相比，flash-Fin 共享同一架構與上下文能力，主要差異在金融領域適配——適合需要專業財務知識的場景；純通用任務則仍以 Ling-3.0-flash 為主。

架構細節

Ling-3.0-flash-Fin 沿用 Ling-3.0-flash 的核心架構：

原生混合線性注意力：KDA（Kimi Delta Attention）與 MLA 層以 5:1 比例交替，KDA 從 Lightning Attention 升級，引入細粒度對角門控（diagonal gating），在處理長文檔與大量程式碼時更精確地保留關鍵資訊
1/64 稀疏 MoE：專家激活比例從上一代的 1/32 壓縮至 1/64，顯著提升「效率槓桿」
256K → 1M context：原生支援 256K，可無縫擴展至 1M tokens
TTFT 優化：集群層級分層快取（SGLang HiCache + Mooncake），長輸入場景下 Time-to-First-Token 減少 60%–80%

對 Agent 開發的意義

如果你在做金融研究、投資分析、財報解讀或估值建模相關的 Agent：Ling-3.0-flash-Fin 目前是最適合的開源選擇之一——MIT 授權意味著可以自架部署，124B/5.1B 的配置在消費級硬體上也有可能運行（參考同系列的 Edge0 框架在 Mac mini M4 Pro 上跑 35B MoE 僅需 2.9 GiB），加上 OpenRouter 的限免 API 方便快速驗證。

如果你在做一般性的 Agent 任務（coding、搜尋、一般推理）：Ling-3.0-flash 或 Ling-3.0-tiny 可能更適合，flash-Fin 的金融領域微調帶來的優勢在非金融場景中不會體現。

不適合：需要 100% 確定性的生產金融決策——官方明確聲明「關鍵假設、估值結果與投資結論需要專業審閱，不構成投資建議」，且作為首個金融增強版本，在複雜長程工作流中仍需進一步驗證。

今日收穫

這篇值得記下來的是「金融增強模型」這個範疇的首次開源嘗試——大多數廠商的做法是把通用模型掛上金融 API 收費，而 Ant Group 直接把整個模型權重（MIT）加上專屬評測基準（FinFIRST）一起打開。這與 Ling 3.0 系列的「規劃-執行分離」哲學一脈相承：Ling-3.0-flash 負責高速執行，flash-Fin 在此基礎上疊加領域深度。後續觀察重點是 FinFIRST 开源後能否成為金融 AI 領域的事實標準。