Ling-3.0-flash-Fin – 百灵大模型家族中的首个金融增强版本

蚂蚁集团携手中金公司及多位行业专家，正式发布Ling-3.0-flash-Fin——百灵大模型家族中的首个金融增强版本。它沿用Ling-3.0-flash的底座架构，124B总参数、5.1B激活参数的配置原封不动，但在训练流程上做了两件事：用大规模金融语料做持续预训练，再叠加领域后训练，把投研相关的专业能力从通用底座里”逼”出来。

Ling-3.0-flash-Fin特点

金融领域原生强化，而非简单微调。 区别于在通用模型上套一层prompt或LoRA微调的做法，Ling-3.0-flash-Fin从预训练阶段就注入金融语料，让模型在语言建模层面建立对财报措辞、研报逻辑、估值公式的直觉。领域后训练阶段则由中金公司及行业专家参与标注和校验，确保输出符合专业投研的规范和精度要求。

轻量架构，金融推理不打折。 5.1B激活参数意味着单次推理的算力开销极低，但金融任务的复杂推理能力并未缩水。模型在FinFIRST（金融信息检索与事实核验）、Finance Agent（金融多步决策）、SpreadsheetBench（电子表格建模）三项专项基准上均拿到突出成绩，通用能力AA Intelligence Index得分从底座的38分拉升至41分。

四大能力锚定投研全链条。 信息检索、研究推理、估值建模、研报撰写——这四个方向覆盖了卖方研究员和买方分析师日常工作的核心环节，从”找信息”到”出报告”一条线打通。

开源底座，金融权重可定制。 底座Ling-3.0-flash已于8月正式开源，提供基础版及FP8、FP4、INT4量化版本。金融机构可以在开源权重上做私有化部署和二次训练，数据不出域。

Ling-3.0-flash-Fin技术原理

Ling-3.0-flash-Fin的能力来自底座架构和金融训练流程的叠加。

底座架构：原生混合线性注意力 + 稀疏MoE。 模型从预训练第一天起就采用混合线性注意力设计，KDA（细粒度对角门控注意力）与MLA按5:1比例交替堆叠。KDA负责捕捉局部细粒度依赖，MLA处理长程全局关系，两者交替形成互补。MoE层的稀疏度拉到1/64，即每个token只激活64个专家中的1个，将计算量压到极低水平。这套架构让模型在256K原生上下文窗口内保持高效推理，极端场景可扩展至1M。

金融持续预训练。 在通用预训练完成后，模型继续用海量金融文本（研报、财报、公告、宏观数据、行业数据库等）做下一阶段的语言建模训练。这一步的目的是让模型的参数空间里”长出”金融知识的分布式表征，而不是靠后期prompt去硬掰。

领域后训练与专家校验。 中金公司及外部行业专家参与构建金融专项训练数据，覆盖估值建模的多步推导、研报的结构化写作、财务数据的表格推理等场景。后训练阶段采用强化学习和人类偏好对齐，确保模型在金融任务上的输出既准确又符合行业表达规范。

思考/非思考双模式推理。 模型支持两种推理形态：简单事实查询直接快速响应，复杂估值推导或多因子分析则自动切换到多步思考链路，逐步展开逻辑后再给出结论。

Ling-3.0-flash-Fin功能

信息检索与事实核验

面对”某公司2026年Q3毛利率是多少””央行最近一次MLF操作利率调整到多少”这类问题，模型能从训练语料中精准定位数据点，并给出上下文语境，减少幻觉。

研究推理

给定一组财务指标和行业背景，模型能做多步逻辑推导。比如根据营收增速、费用率变化、资本开支节奏，推断未来两个季度的利润弹性区间，并给出推理链条。

估值建模

支持DCF、可比公司、可比交易等主流估值方法的参数设定与计算过程展开。用户可以输入假设条件，模型按步骤展开自由现金流折现或倍数计算，输出估值区间及敏感性分析。

研报撰写

按照卖方研报的标准结构（投资要点、行业分析、公司分析、盈利预测、风险提示）生成初稿，语言风格贴合券商研究所的行文习惯，减少人工改写的返工量。

电子表格与数据处理

在SpreadsheetBench类任务中表现突出，能理解表格结构、执行公式计算、做跨表数据关联，适合处理财报数据整理和模型搭建中的表格操作。

长文档理解

256K上下文窗口意味着可以一次性读入一份完整的年报（通常150页以上）或一组关联研报，在全文范围内做信息提取和交叉验证。

Ling-3.0-flash-Fin应用场景

券商研究所

研究员日常需要快速梳理行业数据、搭建盈利预测模型、撰写深度报告初稿。Ling-3.0-flash-Fin可以把”从数据收集到初稿成型”的周期从两三天压缩到几个小时，让研究员把精力集中在核心判断和观点打磨上。

公募/私募基金投研团队

买方分析师需要在短时间内覆盖大量标的，做横向比较和筛选。模型的批量信息检索和研究推理能力适合做初筛阶段的”研究助理”，快速输出每家公司的核心指标对比和初步估值锚。

金融科技公司

量化平台、智能投顾产品、金融数据服务商可以把模型嵌入自身产品链路，为用户提供自然语言驱动的财务分析、估值计算和报告生成服务。开源权重和量化版本降低了私有化部署门槛。

企业财务与IR部门

上市公司财务团队可以用模型辅助编写业绩说明会材料、投资者问答预案、行业对标分析。IR部门在准备路演材料时，可以用它快速生成不同侧重点的叙述版本。

金融教育与培训

CFA/CPA备考、金融专硕课程中，模型可以作为交互式学习工具，帮学生拆解估值案例、推演财务模型、模拟研报写作练习。

监管与合规审查

利用长上下文能力，一次性读入完整招股书或年报，辅助检查信息披露的一致性、数据前后矛盾、风险揭示是否充分等问题。

Ling-3.0-flash-Fin点评

Ling-3.0-flash-Fin切的是一个很具体的口子：不追求”什么都能聊”的通用智能，而是把投研这一个垂直场景做深做透。5.1B激活参数意味着推理成本极低，金融机构可以高频调用而不心疼算力账单；开源策略又给了私有化部署和数据安全的空间。中金公司的参与让训练数据的专业性有了保障，不是纯粹靠爬取语料堆出来的”泛金融”模型。

当然，金融场景对准确性的容错空间极小，模型输出的估值结论和数据引用仍需专业人士复核。它目前更适合做”研究加速器”而非”决策替代品”。但从工具定位来看，能把投研流程中最耗时的体力活——找数据、搭模型、写初稿——大幅压缩，已经足够有实用价值。