Ling-3.0-Flash 的 KDA（Kimi Delta Attention）并非蚂蚁独有——它来自月之暗面，在 2026 年 7 月发布的 Kimi K3（2.8 万亿参数）中首次大规模落地。两者的核心差异在于：K3 追求 2.8 万亿参数下的极致规模，而蚂蚁用同一套 KDA 架构的 5:1 混合注意力+1/64 稀疏 MoE 做到 124B 总参数、5.1B 激活，实现了 12.4% 的参数但智效比对标自家旗舰。这种“同源技术、不同路线”的竞争，让 KDA 成为 2026 年大模型架构军备竞赛中最值得关注的共享技术基座。

蚂蚁百灵主张“小体量、高智能”，用 124B 总参数/5.1B 激活对标自家 1T 旗舰。但路透独家指出，类似 DeepSeek 的“600 万美元训练成本”争议——只看最终跑通的一次算力，前期模型探索成本可能和 OpenAI 一个量级。把 Ling-3.0-Flash 的 5.1B 激活参数直接看作“效率革命”需要谨慎：若前期探索成本未计入，这更可能是“架构优化”而非“算力碾压”。两种叙事背后，是统计口径之争，也是小模型路线是否真的经济可行的核心分歧。

Ling-3.0-Flash 以 5:1 比例交替堆叠 KDA 线性注意力层与 MLA 层。线性注意力（如 KDA）将复杂度从 O(n²) 降至 O(n)，但代价是“语义混淆”和“局部感知缺失”——传统 Softmax 注意力能保证单射性，而核函数映射可能导致猫狗特征混淆。MLA 则是在线注意力变体，精度更高但计算更重。5:1 的比例意味着每 5 层线性注意力插 1 层 MLA，试图在长上下文效率和细粒度语义捕捉之间找平衡。这个比例是否最优？如果增加 MLA 比例，推理能力会提升多少，算力成本会翻几倍？