蚂蚁集团Ling团队发布了关于大规模语言模型的新技术成果，推出了百灵轻量版和增强版两款MoE（混合专家）大语言模型。这两款模型在低性能硬件上实现了高效训练，显著降低了成本。Ling-Lite参数规模为168亿，Ling-Plus基座模型参数规模高达2900亿，性能达到行业领先水平。通过创新的训练策略，例如动态参数分配和混合精度调度技术，以及优化模型评估流程，蚂蚁集团成功在国产GPU上训练了3000亿参数的MoE大模型，性能与英伟达芯片相当，且成本降低近20%。这项技术有望降低对英伟达芯片的依赖，推动国产大模型的发展。

💡蚂蚁集团推出了百灵轻量版（Ling-Lite）和百灵增强版（Ling-Plus）两款MoE大语言模型，其中Ling-Plus基座模型参数规模高达2900亿。

⚙️Ling团队通过架构与训练策略革新，采用动态参数分配与混合精度调度技术，实现在低性能硬件上高效训练大模型。

💰研究团队优化了模型评估流程，并突破工具调用能力，基于知识图谱的指令微调提升复杂任务执行精度，使得低规格硬件训练成本降低近20%。

💡 百灵大模型可在国产GPU的低性能设备上完成高效训练，性能与完全使用英伟达芯片、同规模的稠密模型及MoE模型相当。

IT之家 3 月 24 日消息，据证券时报报道，近日，蚂蚁集团 Ling 团队在预印版 Arxiv 平台发表技术成果论文《每一个 FLOP 都至关重要：无需高级 GPU 即可扩展 3000 亿参数混合专家 LING 大模型》，宣布推出两款不同规模的 MoE （混合专家）大语言模型 —— 百灵轻量版（Ling-Lite）与百灵增强版（Ling-Plus），并提出一系列创新方法，实现在低性能硬件上高效训练大模型，显著降低成本。

据IT之家了解，百灵轻量版参数规模为 168 亿（激活参数 27.5 亿），增强版基座模型参数规模高达 2900 亿（激活参数 288 亿），性能均达行业领先水平。实验表明，其 3000 亿参数的 MoE 大模型可在使用国产 GPU 的低性能设备上完成高效训练，性能与完全使用英伟达芯片、同规模的稠密模型及 MoE 模型相当。

当前，MoE 模型训练通常依赖英伟达 H100 / H800 等高性能 GPU，成本高昂且芯片短缺，限制了其在资源受限环境中的应用。蚂蚁集团 Ling 团队提出“不使用高级 GPU”扩展模型的目标，通过创新训练策略，突破资源与预算限制。具体策略包括：架构与训练策略革新，采用动态参数分配与混合精度调度技术；升级训练异常处理机制，自适应容错恢复系统缩短中断响应时间；优化模型评估流程，自动化评测框架压缩验证周期超 50%；突破工具调用能力，基于知识图谱的指令微调提升复杂任务执行精度。

在五种不同硬件配置下，Ling 团队对 9 万亿个 token 进行 Ling-Plus 预训练。结果显示，使用高性能硬件配置训练 1 万亿 token 的预训练成本约 635 万元人民币，而采用蚂蚁优化方法后，低规格硬件训练成本降至 508 万元左右，节省近 20%，且性能与阿里通义 Qwen2.5-72B-Instruct 和 DeepSeek-V2.5-1210-Chat 相当。

此前，DeepSeek 通过算法创新及工程优化，使用英伟达 H800 训练出性能顶尖的 V3 与 R1 模型，为降低成本、提高效率开辟新道路。蚂蚁集团的技术成果若得到验证推广，将助力国产大模型寻找成本更低、效率更高的国产芯片或其他替代方案，进一步降低对英伟达芯片的依赖。