據(jù)IT之家了解，百靈輕量版參數(shù)規(guī)模為 168 億（激活參數(shù) 27.5 億），增強(qiáng)版基座模型參數(shù)規(guī)模高達(dá) 2900 億（激活參數(shù) 288 億），性能均達(dá)行業(yè)領(lǐng)先水平。實(shí)驗(yàn)表明，其 3000 億參數(shù)的 MoE 大模型可在使用國產(chǎn) GPU 的低性能設(shè)備上完成高效訓(xùn)練，性能與完全使用英偉達(dá)芯片、同規(guī)模的稠密模型及 MoE 模型相當(dāng)。

　　當(dāng)前，MoE 模型訓(xùn)練通常依賴英偉達(dá) H100 / H800 等高性能 GPU，成本高昂且芯片短缺，限制了其在資源受限環(huán)境中的應(yīng)用。螞蟻集團(tuán) Ling 團(tuán)隊(duì)提出“不使用高級 GPU”擴(kuò)展模型的目標(biāo)，通過創(chuàng)新訓(xùn)練策略，突破資源與預(yù)算限制。具體策略包括：架構(gòu)與訓(xùn)練策略革新，采用動態(tài)參數(shù)分配與混合精度調(diào)度技術(shù)；升級訓(xùn)練異常處理機(jī)制，自適應(yīng)容錯恢復(fù)系統(tǒng)縮短中斷響應(yīng)時間；優(yōu)化模型評估流程，自動化評測框架壓縮驗(yàn)證周期超 50%；突破工具調(diào)用能力，基于知識圖譜的指令微調(diào)提升復(fù)雜任務(wù)執(zhí)行精度。

　　在五種不同硬件配置下，Ling 團(tuán)隊(duì)對 9 萬億個 token 進(jìn)行 Ling-Plus 預(yù)訓(xùn)練。結(jié)果顯示，使用高性能硬件配置訓(xùn)練 1 萬億 token 的預(yù)訓(xùn)練成本約 635 萬元人民幣，而采用螞蟻優(yōu)化方法后，低規(guī)格硬件訓(xùn)練成本降至 508 萬元左右，節(jié)省近 20%，且性能與阿里通義 Qwen2.5-72B-Instruct 和 DeepSeek-V2.5-1210-Chat 相當(dāng)。

　　此前，DeepSeek 通過算法創(chuàng)新及工程優(yōu)化，使用英偉達(dá) H800 訓(xùn)練出性能頂尖的 V3 與 R1 模型，為降低成本、提高效率開辟新道路。螞蟻集團(tuán)的技術(shù)成果若得到驗(yàn)證推廣，將助力國產(chǎn)大模型尋找成本更低、效率更高的國產(chǎn)芯片或其他替代方案，進(jìn)一步降低對英偉達(dá)芯片的依賴。