近日，蚂蚁集团Ling团队发表了一篇技术成果论文。论文显示，蚂蚁集团推出了两款不同规模的MoE大语言模型——百灵轻量版（Ling-Lite）与百灵增强版（Ling-Plus），前者参数规模为168亿（激活参数27.5亿），Plus基座模型参数规模高达2900亿（激活参数288亿），两者性能均达到行业领先水平。
除了自研性能领先的大模型以外，该技术论文最大的突破在于提出了一系列创新方法，以提升资源受限环境下AI开发的效率与可及性。实验表明，其3000亿参数的MoE（混合专家）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。
在低性能硬件上高效训练的自研大模型
目前，蚂蚁集团Ling团队的技术成果论文《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》已发表在预印版Arxiv平台上。据技术成果论文，虽然DeepSeek、阿里通义千问、MiniMax等系列的MoE大模型在特定任务中展现出卓越性能，但是MoE模型的训练通常依赖高性能计算资源（如英伟达H100/H800等先进GPU），高昂成本制约了在资源受限环境中的普及应用。同时，近年来英伟达高性能芯片持续短缺，相比之下，低性能加速器供应更充足且单机成本更低。这种差异凸显了构建跨异构计算单元与分布式集群无缝切换技术框架的必要性。
因此，Ling团队设定的目标是“不使用高级GPU”来扩展模型，并通过提出创新性的训练策略，旨在突破资源与预算限制实现高效大语言模型训练，从而推动AI技术向普惠化方向发展。
具体而言，团队提出的创新策略包括：1）架构与训练策略革新：动态参数分配与混合精度调度技术；2）训练异常处理机制升级：自适应容错恢复系统缩短中断响应时间；3）模型评估流程优化：自动化评测框架压缩验证周期超50%；4）工具调用能力突破：基于知识图谱的指令微调提升复杂任务执行精度。
据技术论文，Ling团队在五种不同的硬件配置上对9万亿个token进行Ling-Plus的预训练，其中使用高性能硬件配置训练1万亿token的预训练成本约为635万元人民币，但利用蚂蚁的优化方法后，使用低规格硬件的训练成本将降至508万元左右，节省了近20%，最终实现与阿里通义Qwen2.5-72B-Instruct和DeepSeek-V2.5-1210-Chat相当的性能。
此前，DeepSeek通过一系列算法创新及工程优化，使用性能较低的英伟达H800训练出了性能与顶尖模型相当的V3与R1，为大模型的训练开辟了新的道路，让更多的企业和研究机构看到了降低成本、提高效率的可能性。如果蚂蚁集团的技术成果得到验证及推广，意味着国产大模型能够寻找成本更低、效率更高的国产芯片或其他替代方案，以进一步降低对英伟达芯片的依赖。
追加内容
本文作者可以追加内容哦 !
