Heim
Die Ant Group stellt die Open-Source-Version „Ling-2.6-flash“ vor, ein neues Mitglied der Baoling-Modellfamilie
Die Baoling-Großmodellreihe der Ant Group hat heute ein umfangreiches Update erhalten: Ling-2.6-flash steht Entwicklern weltweit nun offiziell zur Verfügung. Um unterschiedlichen Hardwareumgebungen gerecht zu werden und die Einführungshürden zu senken, wurden mit diesem Modell auch mehrere Präzisionsversionen eingeführt, darunter BF16, FP8 und INT4, die Entwicklern flexiblere Inferenzoptionen bieten.
Als Instruct-Modell mit insgesamt 104 Milliarden Parametern und 7,4 Milliarden aktivierten Parametern wurde Ling-2.6-flash zuvor unter dem Codenamen „Elephant Alpha“ auf der OpenRouter-Plattform getestet. Während eines zweiwöchigen Tests sammelte das Entwicklungsteam umfangreiches Feedback aus der Praxis und nahm gezielte Optimierungen vor, wobei insbesondere die Flüssigkeit beim Wechsel zwischen chinesischem und englischem Code verbessert und die Kompatibilität mit gängigen Programmier-Frameworks erhöht wurde.

Technische Highlights: Hybride Architektur und überragende Effizienz
Die Kernstärkevon Ling-2.6-flash liegt in seiner einzigartigen Architektur und hohen Betriebseffizienz:
Hybride lineare Architektur: Durch rechnerische Optimierungen auf niedriger Ebene erreicht das Modell eine hervorragende Inferenzgeschwindigkeit. Mit 4 H20-Karten erreicht es bis zu 340 Token/s. Beim Prefill-Durchsatz liefert es das 2,2-Fache von Nemotron-3-Super und reduziert so die Antwortlatenz erheblich.
Bemerkenswerte Token-Effizienz: Das Team hat die Token-Effizienz während des Trainings sorgfältig kalibriert. Auswertungsdaten zeigen, dass Ling-2.6-flash für Aufgaben gleicher Qualität nur etwa 15 Millionen Token verbraucht – etwa ein Zehntel vergleichbarer Wettbewerber –, was die kommerziellen Kosten erheblich senkt.
Vertiefung der Szenarien: Gezielte Verbesserungen der Agentenfähigkeiten
Für Agentenszenarien – einen der häufigsten Anwendungsfälle für große Modelle – wurdeLing-2.6-flash speziell verbessert. Ob bei der Abwicklung komplexer Tool-Aufrufe, der mehrstufigen Planung oder der endgültigen Aufgabenausführung: Das Modell arbeitet zuverlässig. In mehreren branchenüblichen Bewertungen wie BFCL-V4 und SWE-bench weist Ling-2.6-flash selbst im Vergleich zu Modellen mit einer größeren Anzahl aktivierter Parameter eine vergleichbare oder sogar State-of-the-Art (SOTA)-Leistung auf.
Entwickler können nun über Hugging Face und ModelScope (Moba Community) auf die Open-Source-Ressourcen des Modells zugreifen, was eine weitere Erforschung seines Potenzials in verschiedenen industriellen Anwendungen ermöglicht.
Verwandter Artikel
Schwedisches KI-Startup Lovable Eyes: Bewertung von 13,2 Milliarden US-Dollar nach großer Finanzierungsrunde
Während KI-gestützte Coding-Tools an Popularität gewinnen, hat das schwedische Startup Lovable eine bedeutende Finanzierungsrunde abgeschlossen. Das Unternehmen strebt danach, 3 Milliarden US-Dollar einzusammeln, was seine Bewertung potenziell auf 13
Google testet den Remy AI Agent für Gemini, da der Fokus auf die Benutzerkontrolle verlagert wird
Laut Business Insider testet Google Remy, einen neuen KI-Personalagenten für Gemini. Dieses Tool soll Aufgaben im Auftrag von Nutzern ausführen und sowohl professionelle Arbeitsabläufe als auch tägliche Routinen optimieren.Derzeit wird Remy in einer
So beheben Sie Core Web Vitals für bessere SEO-Rankings
Berichtskartenkommentare mit KI-Tools optimierenEinführungKI-Tools zur Generierung von BerichtskartenkommentarenMagic SchoolAlmanac AIChat GPTNutzung von Magic School zur Generierung von BerichtskartenkommentarenAnmeldung bei Magic SchoolAuswahl des
Empfehlungen zu verwandten Spezialthemen
Kommentare (0)
Die Baoling-Großmodellreihe der Ant Group hat heute ein umfangreiches Update erhalten:
Als Instruct-Modell mit insgesamt 104 Milliarden Parametern und 7,4 Milliarden aktivierten Parametern wurde

Technische Highlights: Hybride Architektur und überragende Effizienz
Die Kernstärke
Hybride lineare Architektur: Durch rechnerische Optimierungen auf niedriger Ebene erreicht das Modell eine hervorragende Inferenzgeschwindigkeit. Mit 4 H20-Karten erreicht es bis zu 340 Token/s. Beim Prefill-Durchsatz liefert es das 2,2-Fache von Nemotron-3-Super und reduziert so die Antwortlatenz erheblich.
Bemerkenswerte Token-Effizienz: Das Team hat die Token-Effizienz während des Trainings sorgfältig kalibriert. Auswertungsdaten zeigen, dass
Vertiefung der Szenarien: Gezielte Verbesserungen der Agentenfähigkeiten
Für Agentenszenarien – einen der häufigsten Anwendungsfälle für große Modelle – wurde
Entwickler können nun über Hugging Face und ModelScope (Moba Community) auf die Open-Source-Ressourcen des Modells zugreifen, was eine weitere Erforschung seines Potenzials in verschiedenen industriellen Anwendungen ermöglicht.
Schwedisches KI-Startup Lovable Eyes: Bewertung von 13,2 Milliarden US-Dollar nach großer Finanzierungsrunde
Während KI-gestützte Coding-Tools an Popularität gewinnen, hat das schwedische Startup Lovable eine bedeutende Finanzierungsrunde abgeschlossen. Das Unternehmen strebt danach, 3 Milliarden US-Dollar einzusammeln, was seine Bewertung potenziell auf 13
So beheben Sie Core Web Vitals für bessere SEO-Rankings
Berichtskartenkommentare mit KI-Tools optimierenEinführungKI-Tools zur Generierung von BerichtskartenkommentarenMagic SchoolAlmanac AIChat GPTNutzung von Magic School zur Generierung von BerichtskartenkommentarenAnmeldung bei Magic SchoolAuswahl des











