大家好，欢迎收看本期节目。今天我们要评测的是 Inclusion AI 发布的 Ling 3.0 Flash模型。这是一个非常有趣的模型，因为它使用了与 Kimi K3极其相似甚至完全相同的架构。实际上，它是Kimi K3的“表亲”。Inclusion AI隶属于蚂蚁集团，而蚂蚁集团是阿里巴巴的分拆业务。
阿里巴巴持有月之暗面（Moonshot AI）的大量股份，而后者正是Kimi K3的开发者。因此从资本和技术渊源上看，两者关系密切。Ling 3.0 Flash是一个1240亿参数的模型，但激活参数仅为50亿。这意味着它的运行速度极快，即使未启用NTP优化，也能达到每秒40个token的速度。
在内存占用方面表现也很出色。Q9量化版本仅需约130GB显存，而Q4量化版只需60GB。其核心架构是原生混合线性注意力机制，与K3完全一致。主要区别在于：Ling 3.0 Flash采用124B参数规模，而Kimi K3拥有2.8万亿参数。后者为了处理超大规模数据，额外引入了残差块注意力机制以提升深度处理能力。
你可以把Ling 3.0 Flash理解为“Kimi K3的轻量闪速版”。虽然性能无法与完整版的K3相提并论，但它仍有独特价值。值得一提的是，上一代Ling 2.0 Flash曾被浙江省疾病预防控制中心采用作为基础模型，用于公共卫生监测。这表明该系列在官方场景中有实际应用背景，并非纯实验性产品。
让Ling 3.0 Flash正确运行需要一些调试工作，因为它采用了较新的架构且参数量有限，容易输出错误代码。目前实测速度为每秒37个token（调试模式）。有趣的是，当询问其身份时，它否认是ChatGPT或Claude克隆体，但承认最接近ChatGPT。开发者显然做了身份混淆处理以避免直接关联争议模型。
该模型不支持多模态视觉理解，仅能进行文本处理或基础OCR识别。若要求生成图像相关代码（如3D体素猫），它会基于元数据推测内容并尝试渲染。早期生成的动画存在整体僵硬问题，但修复推理代码后，尾巴和耳朵可独立运动，展现出不错的局部动画控制能力。
启用思考模式时，模型生成约23,000个token的复杂代码；关闭后仅4,500 token。对比显示，思考模式显著提升了3D太阳系模型的细节质量（如行星光照）。尽管早期推理曾导致代码变差，但现在反而改善了输出效果。速度方面依然保持高效，未启用NTP优化下表现优异。
最后对比本地运行的Kimi K3：我尝试在已生成的太阳系代码中添加键盘鼠标控制的飞船功能。模型消耗了约30,000个token进行深度推理，最终成功实现交互功能。光照系统保持上下文一致性，太阳位置正确渲染。这表明Ling 3.0 Flash在代码迭代修改能力上已接近旗舰模型水平，尽管规模小得多。
行星仍在移动，代码并未崩溃。实际上它相当聪明，你可以将鼠标指向它，看到地球、火星等细节。接下来我想测试的提示是：如果行星被激光击中，能否让它们爆炸？这次生成了两万七千个令牌。
这两万七千个令牌的生成耗时七百六十四秒，也就是略超过十分钟，而且我甚至没有启用NTP功能。点击后出现了一艘宇宙飞船和天王星，我看到自己确实拥有激光武器。结果我不小心把地球炸了，这很酷！随后我尝试瞄准其他行星，虽然操作有些困难或瞄准略有偏差，但系统确实做出了反应。
接着我们尝试用Kimi K3执行相同任务。这次生成仅用了九千六百个令牌，飞船可以爆炸行星且精度更高。当我射击时，它实际上击中了光环部分。虽然过程有些混乱，但总体而言不如我经过多次调试的AI版本完美。我正在使用多种技术优化它，以便发布前达到最佳状态。
接下来测试程序化生成任务。提示词要求使用无外部资产的照片级实时渲染人脸模型。这里禁用了思考模式，三千个令牌在八十秒内生成，结果却是一个土豆而非人脸。同样的情况也发生在Z AI上的GLM 5.2版本，除非本地运行并修改采样参数及上下文注意力机制。
启用思考模式后生成三万一千个令牌，首次尝试生成了四万一千个但只是黑屏。修正后这次生成了一张模糊的人脸，能看出凹陷、鼻子和头发等特征。虽然还需要更多提示词来完善面部细节，但它确实在进行计算而非拒绝回答。
飞行模拟器测试生成三万个令牌，飞机在空中平稳飞行且无运行时错误。早期版本存在诸多问题，但引入社区增量注意力机制后已修复。另一个第三人称视角的版本也运行正常。虽然目前只是初级模式，但考虑到它能实现行星爆炸和飞船飞行，Ling 3.0展现出巨大潜力。
关于医疗知识测试，启用思考模式后生成两万三千个令牌来制作3D人体解剖图。画面中出现了缠绕在脊柱周围的肠道、位置略偏左的心脏以及肋骨等器官，但皮肤缺失且部分结构需要进一步提示。虽然我不是主治医生无法完全验证解剖准确性，但这表明模型具备相当的医学基础知识储备。
用这个模型做个GTA克隆。可惜我遇到了运行时错误，后来又出现了一个，不过它正在修复这些bug，这倒是好事。帧率一开始非常慢，后来降到了每秒10帧，接着它进行了优化，意识到需要对网格进行实例化。这本来就该从一开始就做的。为了搞定这个任务，我们的上下文窗口膨胀到了84,000个token。让我们看看它会给洛圣都——那个Rockstar Games制作的游戏——带来什么灾难，或者说是超级灾难。我不确定它该不该自称是Rockstar做的。
屏幕上确实有一辆车，还有个人物在跑，而且跑得飞快。帧率现在肯定很好了，稳定锁定在60帧。建筑物的质量有点差强人意。我们可以四处跑动。能上车吗？按E键进入载具。我们成功进入了车辆，而且车速变得合理多了。车子有点在旋转，我们在移动中。这里发生了一些事情，但坦白说，这是我最近用我们的模型看到的最基础的生成结果之一。
接下来试试《荒野大镖客》（Red Dead Redemption）。最初运行时它一直在循环，所以我加入了循环检测器。我有个叫“扩展思维检测”的功能，它能自动检测到是否发生死循环，如果是就退出思考模式。让我们看看第二次运行时它有没有用到这个功能。它在只有5%概率会进入深度思考的情况下插入了think标签，因为它确实检测到了循环。所有模型都可能出现这种情况，这全看随机数生成器的手气好坏。
大多数时候，90%的情况下，特别是当你使用非贪心解码策略时，你不会倒霉。但如果你用贪心解码，有时会陷入死循环状态。不过让我们看看这个《荒野大镖客》长什么样。砰，我们得到了“旅程开始”和制作人员名单，一个西部故事。这家伙是谁？这里还有文字转语音功能，确实有一些内容。虽然我看不到任何坏人，但小地图上有标记坏人的图标。我想就是这些目标点吧，所以我需要射击它们。没错，你可以射击靶子。这就是游戏的全部内容了。
你基本上是在漂浮移动，没有行走动画。不过看起来还挺酷的。这肯定比之前生成的那个GTA游戏更完整、更成熟一些，那边还有一个不错的小镇。所以我必须说，这是一次不错的生成结果。他有腿了，有一只手臂，而且没有在做那种“深度搜索”动作（指模型卡顿或异常行为）。想看那个视频可以去查。至少从这个角度看，幸好没看出来问题所在。但之前的“深度搜索”版本还是一大滩烂泥，有点坏掉了。这个版本肯定修复了那些问题。
树木看起来挺好看的，所以这确实是一次不错的生成结果，我给它点赞。接下来我们要做《最终幻想7》。这次我也遇到了循环问题，但得益于思维检测功能，它成功阻止了死循环破坏我们的思考过程。我们确实做出了《最终幻想7》。字幕显示：“最终幻想7：传承，一个关于勇气、友谊和星球命运的故事。”
我不太确定这里发生了什么。我觉得按住空格键可以跳过过场动画，这很好。但正如你所见，这里有点坏掉了。不过那挺酷的。我能看到蒂法在这个游戏里，还有爱丽丝（Aerith），有个商人老头。但我没看到克劳德（Cloud）。而且它不是3D的，而是做成了2D游戏。我记得最近另一个模型也这么干过。我们本应该要求它做出3A级画质，我还告诉它我要把这个发到YouTube上，所以请拿出你的最佳作品。这就是它的成果。
看来你需要更细致的提示词才能让它做对。接下来我们要做的是马里奥，超级马里奥。它用了13,000个token生成了这个平台跳跃游戏。我们可以向左或向右移动，钥匙在那边。我们不能向前向后走，但这一关看起来还不错。总体来说还算可以，但你确实需要更多提示词才能让它完美呈现。
在结束我们编码探险的其他领域之前，我们要试试3D版的《Out Run》（极速赛车）。比赛开始！我们又回到了埃及金字塔，只不过吉萨现在拥有了世界上所有的金字塔。好吧，我们现在确实有一条赛道了。它不是最好看的，但肯定能跑通。我们在前进，速度飞快，就像《速度与激情》那样。这里有树木，看起来相当不错。
现在我们要进入基础绘图领域了。我们在做一个动画画布，用了42,000个token。这里有一个汽车上下颠簸的动画。道路是平的，所以如果你是美国人，你可以靠右行驶，不用担心这个问题。山脉很平滑，所以我们不再像其他模型那样到处是金字塔了。记得Qwen喜欢把金字塔放在所有地方吗？这里的树可能是埃及风格的，因为它们非常三角形。所以那里有点奇怪，但总体来说这是一次还不错的生成结果。
我觉得我喜欢天空中的模糊效果，那很好。我们还有漂亮的路灯，这也很好。最后收尾部分，我们要做生产力应用。微软Word用了6,000个token来做这个。这里正在思考，思维量很小。让我们看看它对Word做了什么。嗯，非常基础的Word生成版本。我们能改字体吗？不能，我们没法改字体。能选取文本吗？我们可以做一些操作，但这只是一个非常基础的微软Word版本，不会有什么颠覆性创新。
这就结束了这一系列测试。让我们看看它在音乐方面表现如何。“洗车店离我家50米，我应该开车去还是走路？”它知道你应该开车去。这很聪明。我们也在思考同样的问题，所以他们肯定在这类逻辑测试上做过训练。我可能会换个说法重新问一遍，看看它是真的知道还是不知道。让我们揭晓答案。“如果你走进人群，他们喊‘Both Selector’（英国乐队名），你应该做什么？”它只是说别生气并回应“both”。
它并不真正了解英国的文化场景。这就像我们的国家遗产一样，我们都知道当人群喊“Both Selector”时你需要回应“Rewind”。即使开启了思考模式，它说知道这个乐队叫Both Selector，但它没说你应该回应Rewind。这真遗憾。“分发橙子问题：你有8个橙子、4个孩子和一把刀。”记得上次我们用这个模型时，它想切孩子、切橙子还切刀本身。太疯狂了。不过这家伙看起来更理智一些。
每个孩子分得两个橙子，这个逻辑很巧妙。既然模型能准确给出“每人两个”的结论，说明它并没有出现思维混乱的情况。如果这个模型被中国政府用于医疗健康领域，人们自然希望它能保持清晰的逻辑和正确的判断力。
在关闭思考模式的情况下测试一道国际数学奥林匹克竞赛题，模型依然给出了正确答案。这道题是几年前的一道经典题目，这表明该模型的底层逻辑非常扎实且可靠。
这次快速体验了 Kimi-K3 Flash 或 Ling-3.0 Flash，我认为它非常酷。开发团队采用了目前最好的开源权重模型架构之一，甚至可能是当前最强的模型架构。他们将其缩小并优化后，使其在性能上极具竞争力，甚至能与大型旗舰模型 Kimi-K3 相媲美。
经过缩小和优化后的版本确实非常实用，绝对可用。虽然我在法律案例、医疗诊断或创意写作等其他领域尚未进行详细测试，但这些方面值得进一步探索。这个模型还有许多未被充分发掘的潜力和特性等待我们去发现。
从他们的模型卡片中可以看到实际的基准测试数据，我非常喜欢它的参数规模：总参数量为 1240 亿，而激活参数量仅为 50 亿。这种稀疏架构意味着它的运行速度将会超级快，效率极高。
最后总结一下：欢迎大家告诉我你们的看法。希望这期视频对大家有所帮助，也希望大家享受这次展示过程。