이미지: X — 벤치마크·평가 화면 갈무리
摘要
- 蚂蚁集团发布了开放权重小型模型Ling 3.0 Tiny，在Artificial Analysis Intelligence Index中获得25分。
- 该模型总参数7.9B、激活参数1.3B，登上了“智能相对于激活参数”的帕累托前沿。
- 正确率9%，在对比组中垫底，但由于只尝试回答37%的问题，幻觉率仅30%，为最低水平；作为代价，其每任务输出token数达5.1万，为最高。
- 모델명
- Ling 3.0 Tiny (앤트그룹, 오픈웨이트)
- 파라미터
- 총 7.9B / 활성 1.3B
- Intelligence Index
- 25점 (Artificial Analysis v4.1.1)
- AA-Omniscience Index
- -19 (Nemotron 3.5 Lightning -18에 이어 표 내 2위)
- 정답률
- 9% (비교 목록 최하위, 최고는 Muse Glimmer high 27%)
- 환각률
- 30% (비교 목록 최저, Ministral 3 8B는 94%)
- 시도율
- 37% — 질문의 3분의 1가량에만 답을 시도
- 과제당 출력 토큰
- 51k (Ling 3.0 Flash 36k, Nemotron 3.5 Lightning·Qwen3.6 35B A3B는 각 31k)
不知道就不答
小模型战胜大模型，通常只有一条路：不装懂。蚂蚁集团（Ant Group）推出的开放权重小型模型Ling 3.0 Tiny，在知识类题目中只尝试回答了37%，其余全部跳过。结果是，其给出错误答案的比例——也就是幻觉率——为30%，在参与对比的12个模型中最低。
独立评测机构Artificial Analysis测得的该模型Intelligence Index得分为25。总参数为7.9B，实际处理一次提问时被激活的参数仅1.3B。Artificial Analysis评价称，该模型位于“智能相对于激活参数”的帕累托前沿——也就是说，目前还没有同等规模下比它更聪明的模型。
1.3B激活参数意味着什么
MoE（混合专家）结构不会全模型同时启动，只激活所需的一部分。因此总参数很大，激活参数却很小。作为对比的NVIDIA Nemotron 3.5 Lightning总参数30B、激活参数3B，蚂蚁集团于今年8月7日至8日发布的旗舰模型Ling 3.0 Flash总参数则达124B。Ling 3.0 Tiny的1.3B在这一系列中也是格外小的量级。越小，占用内存越少；占用越少，就越有可能在笔记本电脑或单张GPU上运行。
正确率垫底，指数却靠前——为什么会这样
AA-Omniscience Index是衡量知识可靠性的指标。答对加分，答错减分，承认不知道则不扣分。分值区间为-100到100，0代表答对与答错数量相同，负数代表答错更多。小型模型本身储备的知识量较少，大多停留在负分区间。
| 模型 | Omniscience Index | 正确率 | 幻觉率 |
|---|---|---|---|
| Nemotron 3.5 Lightning | -18 | 14% | 38% |
| Ling 3.0 Tiny | -19 | 9% | 30% |
| Qwen3.6 35B A3B | -22 | 19% | 51% |
| Muse Glimmer (high) | -33 | 27% | 82% |
| Ministral 3 8B | -69 | 13% | 94% |
横向看这张表，结构就一目了然。Muse Glimmer正确率27%为最高，但幻觉率高达82%，因为它连不知道的问题也全部作答。Ling 3.0 Tiny正确率9%排在列表末位，但指数却是-19，位居第二。Artificial Analysis解释称，“较低的尝试率降低了幻觉率”。
在实际业务中，这种差异很关键。在文档摘要或企业内部检索等场景中，一个错误事实就足以毁掉整份结果，这类任务中，一个不知道就沉默的模型，比一个答对一半、编造一半的模型更容易掌控。反过来，如果需要广泛常识应答的聊天机器人，这种模型就不太合适。
代价是token
天下没有免费的午餐。Ling 3.0 Tiny在解答Intelligence Index的一道题时，平均要用掉5.1万个输出token。其中3.2万是模型在给出答案前自行推理所用的token。
| 模型 | 每任务输出token数 | |
|---|---|---|
| Ling 3.0 Tiny | 51k | 100 |
| Ling 3.0 Flash | 36k | 71 |
| Nemotron 3.5 Lightning | 31k | 61 |
| Qwen3.6 35B A3B | 31k | 61 |
| Gemma 4 31B | 5k | 10 |
按Artificial Analysis的统计口径，这一数字比Nemotron 3.5 Lightning或Qwen3.6 35B A3B多出约65%。减少参数所省下的部分，被拉长的思考过程填补了回来。模型体积小，生成单个token的速度更快，但如果需要生成的token总数更多,那么实际等待时间和成本上的优势就会被相应抵消。这也是选择小型推理模型时不能只看参数数量的原因。
由此带来的变化
最近几周，小型开放权重模型密集涌现。NVIDIA Nemotron 3.5 Lightning拿到Intelligence Index 24分，Ling 3.0 Flash拿到38分，如今又加入了25分的Ling 3.0 Tiny。单看分数，彼此相差不大。真正拉开差距的是各自的“性格”。有的模型靠速度取胜，有的凭知识广度立足，而Ling 3.0 Tiny则选择了“少说错话”这条路来确立自己的位置。
由于是开放权重模型，权重文件可以下载后自行部署运行。如果应用场景是企业内部文档问答之类——答错比答不上更危险——那么现在多了一个可以在自有服务器上测试的选项。不过，基准测试中较低的尝试率是否会在实际服务中演变成动辄“我不知道”的滥用，还得亲自跑一遍才能知道。这不是靠一行指标就能拍板的事。
