蚂蚁集团周俊：万亿参数模型从“追求数量”迈向“深耕密度”

在最近举办的 AICon 大会上，蚂蚁集团副总裁周俊带来了一场备受关注的主题演讲，核心聚焦于万亿级参数大模型的效率优化路径。他指出，当前前沿 AI 模型的算力开销已达到惊人的水平——一个典型万亿参数模型仅运行15分钟，所消耗的计算资源成本就等同于一辆特斯拉汽车的价格。这一对比直击行业痛点，凸显出“提效降本”已成为智能体时代不可回避的关键命题。

为破解这一难题，周俊及其团队提出了一项范式级转变：不再盲目追求 Token 数量的堆叠，而是转向构建“更高 Token 密度”的新型处理范式。其技术底座是一项融合创新的线性注意力架构——“7份 Lightning Attention + 1份 MLA”。该设计成功将256K长度上下文的处理复杂度，从传统方案的指数级陡峭曲线压缩至近似线性增长，从而显著释放算力冗余，让有限资源更聚焦于真正的推理与决策过程。

与此同时，团队还集成了 Kpop 算法，精准区分工具调用指令与自然语言语义 Token；并辅以思维链剪枝、自蒸馏等协同优化手段。实测结果显示，在不牺牲模型能力的前提下，整体 Token 输出量下降约4倍。尤为值得关注的是，在 LongBench、BFCL 等权威 Agent 专项评测中，其千亿参数模型已超越部分参数规模更大的竞品；而在实际交互场景中，小型化模型的 flash 吞吐率提升达2.4倍，完成五轮多步对话所需的算力投入更是降低超10倍。

周俊此次分享不仅为大模型工程化落地提供了可复用的方法论，也为下一代智能体的轻量化、高响应、低成本演进指明了新方向。当算力瓶颈日益成为制约 AI 深度渗透各行业的现实障碍，蚂蚁集团所推动的这一系列效率革命，正悄然点亮行业前行的新灯塔。

划重点:

? 周俊揭示万亿参数模型15分钟运行成本≈一辆特斯拉，效率跃升已成当务之急。
? 团队推动范式迁移：从“更多 Token”迈向“更高 Token 密度”，混合注意力架构实现上下文成本线性可控。
? Kpop 算法叠加多项优化技术，在 Token 减量4倍的同时保持能力不衰减，千亿模型在多个 Agent 基准测试中实现越级表现。