蚂蚁集团 – mylogs.cn https://mylogs.cn 发现、记录、分享 Tue, 29 Sep 2026 16:50:18 +0000 zh-Hans hourly 1 蚂蚁重组支付宝事业群，全力押注 AI 智能体商业 https://mylogs.cn/%e8%9a%82%e8%9a%81%e9%87%8d%e7%bb%84%e6%94%af%e4%bb%98%e5%ae%9d%e4%ba%8b%e4%b8%9a%e7%be%a4%ef%bc%8c%e5%85%a8%e5%8a%9b%e6%8a%bc%e6%b3%a8-ai-%e6%99%ba%e8%83%bd%e4%bd%93%e5%95%86%e4%b8%9a/ Mon, 21 Sep 2026 22:37:05 +0000 https://mylogs.cn/%e8%9a%82%e8%9a%81%e9%87%8d%e7%bb%84%e6%94%af%e4%bb%98%e5%ae%9d%e4%ba%8b%e4%b8%9a%e7%be%a4%ef%bc%8c%e5%85%a8%e5%8a%9b%e6%8a%bc%e6%b3%a8-ai-%e6%99%ba%e8%83%bd%e4%bd%93%e5%95%86%e4%b8%9a/ 头图

9 月 21 日晚间，蚂蚁集团 CEO 韩歆毅发布全员信，宣布支付宝进行组织调整与人事任命，以加速布局智能体商业。

三大板块合并，组建新支付宝事业群

根据调整方案，支付宝事业群、数字支付事业群和芝麻信用事业部将“会师”，组建全新的支付宝事业群。吴敏芝将担任新支付宝事业群总裁，并兼任蚂蚁 CPO（首席人才官）。

公开信息显示，吴敏芝于 2021 年 8 月加入蚂蚁集团，此前在阿里巴巴集团任职 20 余年，先后担任阿里巴巴国际贸易事业群总裁、B2B 事业群总裁、阿里巴巴首席客户官等职务。

押注 AI 智能体商业

韩歆毅在信中表示，随着 AI 技术发展与行业渗透加速，智能体商业正迎来规模化爆发，而支付宝此前提出的“双飞轮”战略正是为迎接这一时刻而布局。

据披露的数据，个人生活助手“阿宝”上线三个月即完成万余项服务的 AI 化升级，并与手机、车机、手表、眼镜等终端实现跨端互联；AI 支付完成全栈 AI 支付产品体系建设，并率先实现 3 亿笔 AI 支付。“碰一下”则快速拓展线下支付份额，为商家开启数字化经营新入口。

调整的核心目标

此次组织调整的核心目标，是进一步聚拢技术、产品和生态能力，强化商家服务体系：让每个用户拥有一个 AI 钱包和生活助手，让每个商家通过支付宝 AI 开放平台更好服务用户、实现生意增长，使支付宝的智能体商业生态在 AI 时代更加便捷、安全和可信。

]]> 蚂蚁开源百灵视觉大模型：图片转网页得分超 GPT-5.4 https://mylogs.cn/%e8%9a%82%e8%9a%81%e5%bc%80%e6%ba%90%e7%99%be%e7%81%b5%e8%a7%86%e8%a7%89%e5%a4%a7%e6%a8%a1%e5%9e%8b%ef%bc%9a%e5%9b%be%e7%89%87%e8%bd%ac%e7%bd%91%e9%a1%b5%e5%be%97%e5%88%86%e8%b6%85-gpt-5-4/ Wed, 09 Sep 2026 22:45:47 +0000 https://mylogs.cn/%e8%9a%82%e8%9a%81%e5%bc%80%e6%ba%90%e7%99%be%e7%81%b5%e8%a7%86%e8%a7%89%e5%a4%a7%e6%a8%a1%e5%9e%8b%ef%bc%9a%e5%9b%be%e7%89%87%e8%bd%ac%e7%bd%91%e9%a1%b5%e5%be%97%e5%88%86%e8%b6%85-gpt-5-4/ 9 月 9 日，蚂蚁集团宣布推出并开源百灵（Ling）系列首个原生多模态大模型 Ling-3.0-flash-VL。该模型基于 Ling-3.0-flash 的 MoE（混合专家）架构扩展而来，总参数量为 124B，单次推理仅激活 5.5B 参数，原生支持图像、文本与视频输入，上下文窗口达到 256K Token。

与常见的”语言模型外挂视觉模块”方案不同，Ling-3.0-flash-VL 从训练阶段就采用图文视频联合训练。模型引入任意分辨率视觉编码器与 VideoRoPE，语言主干沿用 42 层混合架构，KDA 与 Gated MLA 按 5:1 比例交替排列。在保持单次激活 5.5B 参数的小算力开销的同时，模型可在实时视频对话、多轮视觉交互和长时任务中保持低延迟响应。

视觉能力加入后，文本智能不降反升

业界长期存在一个担忧：给大模型加上视觉能力，会稀释甚至拉低它的文本智能。蚂蚁集团的训练实践给出了相反的结论——原生多模态联合训练不仅拓展了应用边界，还拉升了文本表现。

在 Artificial Analysis Intelligence Index v4.1.1 评估中，Ling-3.0-flash-VL 较纯文本版本 Ling-3.0-Flash 提升了 4 分。官方解释称，来自图像和视频的信息帮助模型建立了对概念、空间和现实世界更完整的理解，视觉并不只是一种新的输入模态。

Ling-3.0-flash-VL 在多项多模态评测中与主流模型对比
图片来源：蚂蚁集团官方评测数据

视觉反馈闭环：从”看图说话”到”看结果干活”

Ling-3.0-flash-VL 的核心亮点是引入了视觉反馈闭环机制。传统多模态模型的任务执行是一次性的”生成”，而该机制将任务推进为”观察 → 行动 → 验证 → 修正”的持续闭环：模型执行操作后观察结果，与目标对比，发现偏差并持续修正。

这一机制在三个场景中体现出价值。在前端开发场景，模型可根据网页截图理解布局、配色和组件关系，生成前端代码后查看浏览器渲染结果，与参考图对比后再修改代码，形成由视觉反馈驱动的开发闭环。在 Image-to-WebDev Arena 官方评测中，该模型以代号 linthium 参赛，在”图片转网页”任务中的评测得分高于 GPT-5.4。在 GUI 自动化场景，模型可识别页面结构和应用状态，拆解操作步骤，完成点击、输入、滚动和应用切换，支撑”查找网页数据、整理到表格、再生成图表”这类跨工具任务。在医疗报告解读场景，模型可将跨页、跨时期的血常规、生化、影像等多类数据整合为完整的健康图景，以”红黄绿灯”直观展示健康风险。

Artificial Analysis 智能指数排行中 Ling 3.0 Flash 位列开源模型前列
图片来源：Artificial Analysis 评测截图

已可在灵光应用中实际使用

目前，Ling-3.0-flash-VL 的部分能力已接入蚂蚁旗下灵光 App。用户借助手机摄像头可实现”一拍即答”：识别动植物种类、食材、建筑地标和车型，连续描述眼前场景，并实时识别与翻译外语标识。在学习场景，模型可结合课程画面识别公式、示意图和板书内容，围绕知识点持续答疑。针对小时级的长视频，模型可通过视觉反馈闭环完成高光剪辑，依靠 256K 上下文窗口持续追踪任务状态。

蚂蚁集团同时公布了模型的局限性：在长尾场景感知推理、长链路 Agent 执行及长程全栈编码等任务上，与最佳模型仍有差距。下一步将重点强化复杂图表与跨图片内容的理解验证能力，并提升真实工作流中的执行稳定性。

开源信息

Ling-3.0-flash-VL 现已在 Ling Studio（chat.ant-ling.com）上线，免费体验开放中。模型的 BF16 和 FP8 版本已在 Hugging Face 与 ModelScope 平台开源，FP4 和 INT4 版本计划近期发布。对开发者而言，在 124B 总参数下仅需激活 5.5B 参数即可推理，部署成本明显低于同规模稠密模型，适合用于构建视觉 Agent 工作流和多模态应用。

]]> 金融 AI 年度大考收官，百亿级数据开源 https://mylogs.cn/%e9%87%91%e8%9e%8d-ai-%e5%b9%b4%e5%ba%a6%e5%a4%a7%e8%80%83%e6%94%b6%e5%ae%98%ef%bc%8c%e7%99%be%e4%ba%bf%e7%ba%a7%e6%95%b0%e6%8d%ae%e5%bc%80%e6%ba%90/ Sun, 06 Sep 2026 08:14:33 +0000 https://mylogs.cn/%e9%87%91%e8%9e%8d-ai-%e5%b9%b4%e5%ba%a6%e5%a4%a7%e8%80%83%e6%94%b6%e5%ae%98%ef%bc%8c%e7%99%be%e4%ba%bf%e7%ba%a7%e6%95%b0%e6%8d%ae%e5%bc%80%e6%ba%90/ 5027 支队伍同台”做题”

八月末，第四届 AFAC 金融智能创新大赛（AFAC2026）总决赛在上海落幕。这场被称作”金融 AI 创新年度风向标”的赛事，吸引了全球 5027 支队伍、近 2 万名选手同台竞技，晋级总决赛的概率仅有约百分之一。

大赛由上海市科学技术委员会、中国计算机学会、北京大学、蚂蚁集团、GFTN 全球金融与技术网络、真格基金、中国银行等机构联合发起。自 2023 年首届举办以来，AFAC 已累计吸引全球超 2 万支队伍、6 万名选手，覆盖 600 余所高校与 700 余家企业；本届发起机构进一步扩展至 33 家，并首次引入新加坡金融科技节发起方 GFTN。

四道赛题直指真实业务

本届四道挑战组赛题，均围绕真实金融场景中的压力展开：数据规模扩大、反馈更少、环境持续变化，但资源与成本始终有限。

赛题一聚焦”市场参与者交易行为识别与资金流向分析”，评审专家、中国科学技术大学王超将其评审标准归纳为”复现、解释、泛化”三个词，直指传统基准测试中”一次高分可能来自偶然”的痛点。赛题二”复杂金融文档还原挑战”瞄准超长表格与复杂结构的鲁棒性，评审专家、复旦大学张军平指出，大部分大模型无法一次性识别超长表格，还需后处理补足。赛题三”稀疏反馈下的自动化实验挑战”把困难置于 Agent 决策过程，指向流程自动化的产业化节点；赛题四”金融长文本 Agent 的动态记忆压缩与高效问答”则强调上下文控制能力，评审专家、哈尔滨工业大学张宇认为，真正拉开差距的不是提示词写得漂亮，而是系统是否具备有效上下文的利用能力。

蚂蚁集团财富 AI Lab 研发负责人徐万青用一个对比点明了行业逻辑：互联网时代新增用户边际成本近乎为零，而 AI 时代每增加一个用户都会带来真实的 Token 消耗与成本——成本本身就是能力的一部分。

百亿级数据集开源

本届总决赛正式开源发布”AFAC 百万金融智能数据集”，沉淀自 2023 年至 2025 年的 14 道高价值赛题，包含 13 万条评测样本、2000 余份专业金融文档与 130 多个历届优胜方案，覆盖百亿级金融科技数据条目。

从 2023 年偏基础的”算法能否进入金融”，到如今聚焦 Agent、Token 经济学与自动化科研，四届赛题的演变，恰是一条金融 AI 从”模型可用”走向”系统好用”的浓缩技术迁徙路径。

]]>