对话蚂蚁百灵负责人：AGI不止Coding一条路，好模型要走向真实世界

来源：市场资讯

（来源：智东西）

智东西

作者 李水青

编辑 心缘

智东西9月10日报道，在2026 Inclusion·外滩大会期间，蚂蚁百灵开源其首个原生多模态大模型Ling-3.0-flash-VL，引发开发者社区关注。几天前，百灵刚开源其首个金融增强模型Ling-3.0-flash-Fin，在金融投研多项相关能力测评中超越了前沿通用模型。

另一边，百灵也成为少有的支撑起国民级AI应用的基模。蚂蚁阿福在外滩大会期间公布最新数据：其用户突破1.5亿，日咨询量2000万，按用户规模看应已成为全球第一大健康AI App。同时AI版支付宝“阿宝”、AI原生助手“灵光”等应用也在增长。

百灵基座模型如何支撑这些国民级应用？又如何被应用反哺？国产大模型突围走出了什么新路子？成为外界关注焦点。

本次外滩大会期间，百灵技术团队罕见公开面对媒体，蚂蚁基础智能技术部负责人、百灵大模型负责人西亭，百灵金融模型负责人月引，阿福技术负责人进捷，百灵语言基座负责人零幺，与智东西等媒体进行了对话。

围绕好模型定义、智效比、金融医疗反哺、模型边界等话题，各位负责人给出了深入的解读。西亭说，好模型应走向真实世界，帮人类解决更多更难的Task（任务），“我们不认为Coding是实现AGI唯一的路线”。

蚂蚁百灵团队如何看待AGI的下一站？以下十问十答能为我们勾画出一幅未来图景。对话内容较长，智东西做了不改变原意的编辑和删减。

Q1：在当前这个时间点，一个好模型到底应该怎样定义？

西亭：什么是好模型，很难说清楚。Claude最早跟OpenAI竞争时，发现的好可能不是Chat，而是偶然发现了Coding。今天也有观点认为Coding是不是饱和了，但人类世界还有很多task没被很好解决。

我认为有几个维度：第一，好模型应走向人类真实世界，Scaling可以从Coding扩展到更广泛维度，尤其是高经济价值、高难度领域，帮人类解决更多更难的Task，这才是AGI最终应该有的走向。

第二，另一个Scaling在能力、响应速度、成本上。无论古代、今天还是未来，人类总是在新的条件和约束下做决策。模型发展也一样，如果智能是另一种表现形式，那么能力、速度、成本一定要考虑。有没有一种更好方式，以合理成本、更快响应速度，端到端解决问题，而不是只看生成效率？

进捷：我对好模型的定义，来自过去跟百灵、阿福团队做产品时几个印象很深的场景。如果模型能像一个专家或金融理财师一样，帮用户解决那个问题，很多人就会真正理解模型对他的帮助。第二要解决普惠问题，我们希望通过小模型、端侧，让模型进入更多真实环境。

所以，在真实场景里带来价值，以及让模型更普惠，是当下和未来比较重要的方向。

零幺：从模型架构角度谈，实用上ROI足够高，能满足大家需求，就是好模型。从技术角度也类似，我们一直追求用更低的flops撬动更大的智能。

到底大尺寸模型好还是小尺寸模型好？我的观点是，没有绝对答案。智能提升、Scaling这件事一定带来智能提升，到目前为止没有失效。所以大尺度和小尺度某种程度上是交替往前走。当小尺度上也能压缩足够高智能，而按现在的科学发现，大尺度能压缩更高智能，这就是持续交替迭代的过程。

月引：我的判断标准很简单：它能不能帮我完成工作。比如今天的PPT我觉得还不好，它昨晚帮我踩了半天车轮子，我还不是很满意。在金融里，它能不能帮助二级分析师完成工作？能不能把原来分析一个标的的时间，用来看10个标的？这就是我希望模型演进的方向。

Q2：最新数据显示，阿福用户已经突破1.5亿，日咨询量达到2000万。这些AI应用用户交互量级大幅提升，对技术架构提出了哪些很突出的挑战？它会是一个质变的挑战吗？团队是怎么解决的？

进捷：今天我们有一个主题叫智效比。阿福已经遇到这样的问题：当用户量达到一定规模，推理成本非常高。以前用最大最好模型，现在部分问题小模型也能超过水位线，要提升推理效率、降成本。C端应用反应要快，等5秒用户可能就走了；ToB/机构更重安全。

第二个非常重要的命题：现在海外已经有很多人不太愿意把Cloud接入到自己的工作流里面，因为他觉得会有很多隐私数据，会不断持续被大模型整流进去。反过来，在我们的业务场景里，我们在思考的是，我们对这些场景的认知或者对一些新功能的探索，模型能不能更好适配？模型能不能更好被加工？或者在场景里持续演化？这个话题也讨论比较多。

所以我们和百灵还在合作很多项目，更多是看百灵大模型项目能不能被我们各种“揉”。比如我们这个场景非常快，最近我们的Tiny在内部很多场景都可以用。所以模型能够更好被定制化，更好适应场景，还能保障场景里的隐私或者数据安全，现在也是非常重要的课题。

另外，我想分享一个趋势：现在看到很多AI工作站，金融、医疗等行业，说白了就是想离AI更近一点，AI也想离人更近一点。另外有一些数据敏感场景，还有些数据是工作中产生的，没有办法带回家。所以我觉得，这个趋势肯定是把更好的智能装到更便捷式的设备里面，离用户更近、离那个问题更紧，这是非常重要的趋势。

月引：刚刚进捷说的效率非常重要。效率为什么重要？如果你的效率本来达不到，你是没有办法完成一个领域上真正的长程任务的。例如在金融领域，我如果在当日的一个短盘里面，等它两个小时还出不来，这个事儿也不要干了。

第二点，进捷提及的海外，我们看到很多领域模型，它会更专注数据的Privacy（隐私）和经济效率来源。更多的是私有数据和私有环节，倾向开源模型+行业数据做私有模型，用最小参数模型达到接近最好模型效果。这也是我们开源模型和基准、共建智能的原因。

Q3：阿福作为一款ToC产品，它在普惠医疗这件事情上想要长期发展的话，您觉得最重要的一个因素是什么？

西亭：我们接触了很多用户，年后没大规模宣传，而是在持续思考。三四线用户难找头部医疗资源、买药不便；一线用户有资源但生活不健康、压力大，0点后失眠、情绪问题多。

我们看的是当有了这些问题之后，怎么继续沿着这个问题往下走？我发现遇到了很大的问题。就像我们今天推出在线医生确认，为什么选皮肤这个科室？比如在线医生确认选皮肤科，因为皮肤问诊量大且适合线上，但很难让医生一直在线。

现在两个方向：一是帮患者连接医生、机构，提供更普惠健康方式；二是帮医生，用AI构建医生团队，提高接诊和患者管理效率。

Q4：蚂蚁做AI金融为什么选投研领域？蚂蚁的优势是什么？未来会从ToP（面向专业领域/人士）转To B（面向企业）？

月引：其他厂商营收大头在银行，主要是客服和信贷审批，偏工作流。客服类似Query/RAG可解决；信贷审批偏决策逻辑，不需要那么长和难。我们要做领域智能上限，所以选足够难的行业。行研不是整体可校验，而是能找到可校验部分：分析、估值建模可校验，推断主观性强。我们从可校验部分入手。现在做相对短的行研，未来走向更长决策链路。

蚂蚁的优势在于，海外数商在专业难度数据上不占优，给我们Samples三条错两条。我们有一二级市场十年二十年专家一起做数据，把专业knowledge带进来。我们不仅做Post-train，也从Pre-train输入数据和知识，专家沉入预训练环节。除了模型，还要结合Harness、产品、私域数据，是生态。蚂蚁定位有较大空间。

Q5：百灵基座模型的迭代，跟阿福、阿宝等AI应用实现了很完美的联动迭代。在迭代过程中，应用需求与技术路线哪个优先？内部应用与外部商业化哪个优先？

进捷：其实我们内部很早之前也讨论过这个事情。今天最大的变量其实是技术。我们跟灵光、阿福都会讲，要沿着技术发展的延长线去探讨应用的落脚点。阿福最近有一个升级，会更多考虑模型整体能力和多模态，我们也在音视频方面做了强化。所以内部还是会专注看技术未来的发展，特别是AGI发展的延长线是哪些。

另外一块，我们也通过场景思考AGI积累和切口。今年AGI比较在意工作场景，我们看到理财师、金融里面有大量工作场景未被满足；医疗里面，中国所有医生都在被临床工作困扰，但没有办法解决。

所以我们还是会沿着AGI发展到Work这个阶段去看，但选题时会看跟我们的禀赋或者连接在哪里。核心会看技术发展趋势，同时也会在技术核心命题里面找我们的切入口，这是过程中反复讨论和探讨的。

Q6：为什么蚂蚁能鲜明提出并落地智效比？智效比能否更量化？按效果付费？

西亭：一个聪明的模型应该会怎么样？我们提出了三个大的理念：计算Efficiency、参数Efficiency、Token Efficiency。带着这个理念我们当时做了几件事情：

第一，我们很早就做了MoE的Scaling law，从而发现MoE模型越稀疏，某种意义上，当没有到那个临界点之前，它的智能表现反而会在涨。

第二，做混合线性。人最重要的一大能力是要忘掉一些事情，所以我们想能不能转化成注意力上面的一种机制？我们也学习了很多，从最早的Attention+MoE，到今天的KDA+MLA。

第三，当我们去年9、10月份跟友商一起发了全球第一个万亿模型后，也觉得这个卡资源消耗似乎不太适合我们国情发展的道路。于是尝试把大size智能压缩到小size，通过更好架构、data、项目组织实现。

高质效比模型进入业务场景，也能获取行业Know-how反哺模型。所以回到这个点上，首先从理论层面，我们收集了很多人对高智商物种的反馈，把它泛化成了技术路线。同时跟真实场景做了大量结合，其实是一种实证科学。同时，我们也没有放弃过对于一个特别大的智能上限的模型的探索。

由于模型要走向真实环境，另外一个可能也是由于资源的约束，国内厂商反而能长出能力，发展出不一样的东西。所以，这也是为什么我们要进入金融跟医疗。我们不认为Coding只是实现AGI唯一的路线，实现AGI应该还有更广泛的路径，或许我们今天的实践是给到社区的一种大家能看得到的方式，看看我们哪里做好了，哪里没有做好。

关于所谓的量化目标，总结起来就是端到端的任务成功率。前面说的，我们不认为生成成功率就等于端到端的任务成功率。当一个模型在完成一个任务的时候要执行几十轮，如果我们每一轮的成功率都比较好，然后做端到端的任务成功率比较好，这些可能是我们下一步会更关心的目标。

当然，这个会非常难。它无法靠自己单一模型就能搞定，因为还包含Harness、评估、行业安全规则，是联合系统。产品到商品必经这条路。

零幺：标品要有确定性，现在智能很多维度不确定。Token相对好量化，任务完成率不确定。模型能力提升后，不同任务确定性会变高，高到一定程度就可能变标品，更好量化。

Q7：金融、医疗如何反哺蚂蚁基座模型？

月引：行业怎么去反哺基模？我们在行业上选的是ToP（面向专业领域）以及ToC（面向消费者）相结合。通过把ToP的专业学好，然后把ToP的知识，包括它的推理、能力拿回来，然后再把它带给我们每一个真实的用户。所以，从金融或者从医疗，都是能够把P的Professional知识沉淀回基座。

另外，今天希望模型帮我做什么？我希望它能够做得更快。在专业领域里面，如果足够拿到task，那么这份专业的工作流的能力它也会带来基模里面。基模上面我可以服务到，以及会孵化到其他所有需要进行办公或者信息处理行业的能力，它会把它反哺回来。

所以从这两个角度，其实行业上的这些模型只要它的task和knowledge足够难，最终都会能够在基模得到一个反哺的能力。

Q8：模型现阶段可能会继续犯错，但是比起不犯错误，模型知道自己不能做什么是很重要的，想了解一下，基于这个思考，我们在模型层面做了哪些设计？

零幺：现在模型有迎合、舔用户特点，因为听话会得较好Reward（奖励）。基模研发多由Benchmark引导，但大部分流量对模型帮助不大，因为不够难，所以构建难Benchmark。很多Benchmark只要输出就可能得分，不输出说不会大概率没分。于是全世界围绕模型做大规模RL，只要试就可能对，不试就错。

部分Benchmark开始看模型能否拒绝、说不会。但准确率和拒答是trade off（权衡取舍），拒得越多准确率可能下降。我们会在部分Benchmark加入类似观察，评估方式要改进：不仅衡量说得多对，也衡量知道自己不知道，以及两者平衡。这样模型才会了解知识边界。

月引：不管在金融行业还是医疗行业，这其实是非常重要的一个事情。在金融智能体评测基准FAB等Bench中，有些模型用多口径路径，不确定就把85条全答出来，以拿好分。但真实行业用户不能接受行研给85条、80条决策，顶多接受2-3个判断。

所以训练中不仅看结果，还要对行为设Reward和惩罚。严肃场景中，对幻觉的拒绝Reward要更重；宁愿说不知道，也不要给很多口径让用户猜。

Q9：Scaling路线变多，哪些边际效应最高？扩基座和加强后训练，资源如何取舍？

零幺：Scaling可理解为效果-尺度二维图。尺度可以是模型、计算、数据、RL训练、推理Token；效果可以是Loss或Benchmark。至于边际收益最高的是什么？边际收益的度量取决于坐标系。Benchmark像Sigmoid曲线，有涌现和饱和，不是好的边际收益指标。

以我做过大量预训练和训练实验的观察，目前只有一个没有观察到边际收益递减，就是Pre-train Scaling。把模型尺度和数据大小乘在一起，也就是Scaling FLOPs，Loss curve继续可以往下降，以Log-linear方式下降；其他维度如推理Token通常收敛。

其他维度，比如用更多推理时Token，能不能换取持续上涨的Benchmark效果？一般能观察到明显收敛趋势。不过确实越大尺度效果越好。为什么不全投入训练最大模型？很简单，算力稀缺。把Scaling策略、算力放到Pre-train，还是Post-train，还是其他维度？这取决于我们在某个技术点位上发现这个地方非常有收益，就会尝试做得更大。

预训练很吃资源，必须有架构、数据、数据消费策略上的明显收益才投；后训练迭代快、数据量小、并行组多，用短周期迭代。基本基于科学实验做决定。所以很多时候，我们会以更长的轴看新的预训练，用更短的轴看后训练上的迭代。基本基于这个判断，如果我们有信心方向对，就把资源投上去，基本是基于科学实验做决定。

西亭：我们一直在探索另外一组Scaling。现实中可能存在非常聪明的医生，股票也炒得很好，金融也特别懂。人类历史上这样的人一闪而过。我们希望模型在通用能力和专业能力上都非常好，可能会出现一个新物种。

另外，当流量便宜到没人在乎时，会不会出现新的东西颠覆智能本身？不知道。但另一种维度是，用的人越多，走向真实世界越多，有可能会延伸出社会学上的Scaling。如果发生，人们会越来越关注可能的ROI。所以还有大小模型协同和路由的Scaling，至少从人的智能和认知上看，比较符合。

另外一个维度，今天的AGI不应只有一个维度，人人都在卷Coding本身，这就一定正常吗？AGI应该还有一个更广义上的Scaling，就是怎样更好解决真实中的问题。真实中的问题可能有很多数据，并不像Coding这么丰富，但我们也应该投向更多注意力去解决这里面的问题。或许把这些问题解决了，回头再看技术问题，可能自然而然就能得到解决。

Q10：模型做到什么程度才能进入真实世界？如果只选三个最重要的指标，是什么？

西亭：直观上我认为第一是智效比，第二是专业性，第三是开放性。

闭塞模型很难让人相信它解决真实问题。一个连COT都不让大家看到的模型，我想应该没有多少人会相信它。比如我跟医生交流，医生不能上来给你拍个片告知得了重大疾病，应该要告诉为什么做决策。所以，我觉得第三点就是开放性，对于模型走向真实环境是极其关键的一件事情。

专业性也是一样，不同的行业见不同的人，我们判断这个人是不是值得跟他聊，是不是从他身上能学到东西，这是人和人之间交往一个非常重要的东西。智效比前面说的比较多了，是在合理成本约束下把问题推得更广。

如果要加一个，我会加反馈的闭环，这个模型一定要在真实的环境中能收到一些反馈。我们还做原生多模态VL，因为金融医疗等场景需要视觉反馈，比如PPT、年报换行是否正确。有反馈才能在医疗任务中补专业数据、报告，进一步增强能力。