吳恩達(dá)關(guān)注的Ling-1T背后，螞蟻 Ling 2.0 報(bào)告萬億模型開源配方

機(jī)器之心報(bào)道

編輯：Panda

AI 導(dǎo)師吳恩達(dá)在其最新一期的 The Batch Newsletter 中，將目光投向了來自螞蟻集團(tuán)的最新開源模型 Ling-1T。

吳恩達(dá) The Batch Newsletter 首頁截圖

他敏銳地指出：Ling-1T 作為一個(gè)非推理（non-reasoning）模型，其性能卻直逼業(yè)界頂尖的閉源模型，這背后隱藏著一個(gè)關(guān)鍵的技術(shù)轉(zhuǎn)向。

Ling-1T（最右列）與幾款具有代表性的旗艦?zāi)Ｐ偷谋容^，包括大參數(shù)量的開源模型（DeepSeek-V3.1-Terminus、Kimi-K2-Instruct-0905）與閉源 API（GPT-5-main、Gemini-2.5-Pro）。此圖也被吳恩達(dá) Newsletter 引用。

吳恩達(dá)提到，Ling-1T 在預(yù)訓(xùn)練階段就強(qiáng)化了思維鏈（CoT） ，這種做法「正在模糊推理與非推理模型之間的界限」。這引出了一個(gè)業(yè)界都在關(guān)心的問題：Ling-1T 卓越的推理能力究竟從何而來？

事實(shí)上，Ling-1T 的成功還并非孤例。近兩個(gè)月，螞蟻集團(tuán)以前所未有的速度和力度密集開源了 Ling-mini-2.0、Ling-flash-2.0、萬億參數(shù)的 Ling-1T（參閱報(bào)道《更大，還能更快，更準(zhǔn)！螞蟻開源萬億參數(shù)語言模型 Ling-1T，刷新多項(xiàng) SOTA》），乃至其后的 Ring 系列推理模型（參閱《螞蟻 Ring-1T 正式登場(chǎng)，萬億參數(shù)思考模型，數(shù)學(xué)能力對(duì)標(biāo) IMO 銀牌》)。這一系列動(dòng)作的背后，都指向了一套統(tǒng)一的「秘密武器」。

現(xiàn)在，通過一份長(zhǎng)達(dá) 58 頁的硬核技術(shù)報(bào)告《Ling 2.0 Technical Report》，螞蟻集團(tuán)百靈團(tuán)隊(duì)（Ling Team）揭示了這個(gè)答案。

• 報(bào)告標(biāo)題：Every Activation Boosted: Scaling General Reasoner to 1 Trillion Open Language Foundation
• 報(bào)告地址：https://arxiv.org/abs/2510.22115
• 代碼地址：https://github.com/inclusionAI/Ling-V2
• 模型地址：https://huggingface.co/collections/inclusionAI/ling-v2

這份報(bào)告不僅是 Ling 系列的模型說明書，更是一份詳盡的模型配方和技術(shù)藍(lán)圖。該報(bào)告系統(tǒng)性闡述了螞蟻究竟是如何構(gòu)建一個(gè)如此強(qiáng)大、統(tǒng)一且可擴(kuò)展的模型基礎(chǔ)，進(jìn)而如何實(shí)現(xiàn)從 16B 到 1T 參數(shù)規(guī)模的、面向推理的（Reasoning-Oriented）模型訓(xùn)練。

其核心設(shè)計(jì)哲學(xué)可以凝練為一句話：Every Activation Boosted，即確保每一次激活都在扎實(shí)地提升模型的推理能力。

我們或許要問，在當(dāng)前 AI 領(lǐng)域「模型大爆炸」、性能強(qiáng)大的新模型層出不窮的背景下，僅僅發(fā)布又一個(gè)模型的訓(xùn)練細(xì)節(jié)，意義何在？

事實(shí)上，這個(gè)問題的答案或許正好體現(xiàn)了螞蟻集團(tuán)這份 Ling 2.0 技術(shù)報(bào)告的遠(yuǎn)見。它并非僅僅展示「我們做出了什么」，而是試圖系統(tǒng)性地回答一個(gè)更深層的問題：在通往更強(qiáng)大 AI 的道路上，尤其當(dāng)算力成本成為核心制約時(shí)，我們?nèi)绾尾拍軜?gòu)建一套可持續(xù)、可規(guī)模化、并且是以提升關(guān)鍵推理能力為核心的高效范式？

這份長(zhǎng)達(dá) 58 頁的報(bào)告正是螞蟻針對(duì)這一挑戰(zhàn)交出的答卷，它從模型架構(gòu)、預(yù)訓(xùn)練、后訓(xùn)練和基礎(chǔ)設(shè)施四個(gè)層面，系統(tǒng)性地表明：Ling 2.0 是一個(gè)為推理而生的整體工程。它不是零散技術(shù)的堆砌，而是四大支柱協(xié)同作用的產(chǎn)物。

支柱一：架構(gòu)與 Scaling Law

萬億模型的設(shè)計(jì)圖

在萬億參數(shù)時(shí)代，設(shè)計(jì)模型就像是在「戴著鐐銬跳舞」，其中有著高計(jì)算成本、長(zhǎng)訓(xùn)練周期以及難以預(yù)測(cè)的穩(wěn)定性等各種問題問題。螞蟻的答案是極致稀疏的架構(gòu)極致精準(zhǔn)的預(yù)測(cè)

Ling 2.0 系列（從 16B 到 1T）全部采用統(tǒng)一的「高稀疏、細(xì)粒度」 MoE 架構(gòu)：其總專家數(shù)多達(dá) 256 個(gè)，但每次前向傳播僅激活 8 個(gè)專家和 1 個(gè)共享專家，激活率低至驚人的3.5%

Ling 2.0 系列模型的關(guān)鍵架構(gòu)配置和訓(xùn)練超參數(shù)

這帶來了什么？報(bào)告證實(shí)，Ling 模型實(shí)現(xiàn)了相較于同等性能的密集 (Dense) 模型近 7 倍的計(jì)算效率杠桿

然而，更核心的秘密武器是Ling Scaling Laws

最優(yōu)超參數(shù)與最優(yōu)模型 - 數(shù)據(jù)分配的 Scaling Law。藍(lán)線和紅線分別表示在相同訓(xùn)練條件下擬合得到的 MoE 模型與密集模型的深度學(xué)習(xí)。

這不僅是一個(gè)公式，更是螞蟻建立的一套「AI 風(fēng)洞」實(shí)驗(yàn)系統(tǒng)。它能通過極低成本（不到 1%）的小規(guī)模模型實(shí)驗(yàn)，高保真地預(yù)測(cè)和外推萬億參數(shù)模型在超過 1e25 FLOPs 的巨大計(jì)算量下的性能和最優(yōu)超參數(shù)。

Ling 風(fēng)洞實(shí)驗(yàn)設(shè)計(jì)示意圖 (a) 及示例分析 (b)

Ling 2.0 的所有關(guān)鍵架構(gòu)決策都是在這套定律的指導(dǎo)下完成的，例如「為何是激活 8 個(gè)專家？」（報(bào)告中被驗(yàn)證為最優(yōu)范圍）。

這種強(qiáng)大的預(yù)測(cè)能力是螞蟻敢于啟動(dòng) Ling-1T 訓(xùn)練并確保其穩(wěn)定和高效的工程底氣。同時(shí)，Ling 2.0 架構(gòu)還原生集成了MTP（Multi-Token Prediction），從底層設(shè)計(jì)上強(qiáng)化了數(shù)學(xué)與代碼這兩大關(guān)鍵推理能力。

值得一提的是，這個(gè)統(tǒng)一架構(gòu)不僅被用于 Ling 系列模型，也是 Ring-1T 等推理模型的骨架。正如 Ling 團(tuán)隊(duì)最新發(fā)布的 Ring-linear 混合線性架構(gòu)報(bào)告（arXiv:2510.19338）所示，即便是探索線性注意力（Linear Attention），其 MoE 結(jié)構(gòu)的設(shè)計(jì)和擴(kuò)展依然嚴(yán)格遵循 Ling Scaling Laws 的指導(dǎo)。

支柱二：預(yù)訓(xùn)練與中訓(xùn)練

為推理預(yù)激活

如果說架構(gòu)是骨架，那么預(yù)訓(xùn)練就是為模型注入靈魂。Ling 2.0 的靈魂從一開始就為推理而生。

基于 20T tokens 的海量預(yù)訓(xùn)練數(shù)據(jù)，Ling 2.0 貫徹了「推理優(yōu)先」的原則。

其報(bào)告披露，其 Ling Math 和 Ling Code 高質(zhì)量推理數(shù)據(jù)集在預(yù)訓(xùn)練過程中占比從 32% 逐步提升到了 46%。這可以讓模型在形成世界知識(shí)的初期就建立起強(qiáng)大的邏輯和結(jié)構(gòu)化思維。

Ling 2.0 的預(yù)訓(xùn)練與中訓(xùn)練階段。其中采用了多階段訓(xùn)練策略，將上下文窗口從 4K 逐步擴(kuò)展至 128K，并在訓(xùn)練早期就引入推理與鏈?zhǔn)剿季S（CoT）數(shù)據(jù)，這樣可以提前激活模型的推理能力。

而其后的中訓(xùn)練 (Mid-Training) 階段更是 Ling 2.0 區(qū)別于常規(guī)模型的點(diǎn)睛之筆。這個(gè)創(chuàng)新也正是吳恩達(dá)所關(guān)注的一大焦點(diǎn)，他指出：

Ling-1T 的整體表現(xiàn)優(yōu)于強(qiáng)大的 Kimi K2，并顯著縮小了開源模型與閉源非推理模型之間的差距。其成功的關(guān)鍵因素似乎在于超大規(guī)模的參數(shù)量以及在思維鏈上的預(yù)訓(xùn)練。由于在預(yù)訓(xùn)練階段對(duì)思維鏈進(jìn)行了高度強(qiáng)化，Ling-1T 在生成回答時(shí)往往會(huì)自發(fā)地先形成一條思維鏈，但這一過程卻并非獨(dú)立的推理階段。這樣的訓(xùn)練方式模糊了推理型模型與非推理型模型之間的界限。

具體來說，在預(yù)訓(xùn)練和 SFT 之間，Ling 團(tuán)隊(duì)創(chuàng)新性地引入了大量高質(zhì)量思維鏈數(shù)據(jù)。這一步操作，相當(dāng)于在模型 SFT 前就提前將其強(qiáng)大的推理潛能激活 (Pre-Activation)，從而可為其后續(xù)的對(duì)齊訓(xùn)練提供更高的性能上限和更穩(wěn)定的思維基礎(chǔ)。

此外，Ling 團(tuán)隊(duì)還引入了他們之前提出的WSM（Warmup-Stable-Merge）調(diào)度器這一訓(xùn)練技術(shù)。它拋棄了難以把握時(shí)機(jī)的傳統(tǒng)學(xué)習(xí)率衰減（LR decay)，轉(zhuǎn)而在訓(xùn)練中保持學(xué)習(xí)率穩(wěn)定，最后通過檢查點(diǎn)合并（Checkpoint Merging）來實(shí)現(xiàn)模型收斂。這種設(shè)計(jì)不僅更靈活，還為下游任務(wù)帶來了 1-2% 的平均性能提升。

WSM 預(yù)訓(xùn)練管線的偽代碼，來自螞蟻 Ling 團(tuán)隊(duì)與人大高瓴人工智能學(xué)院合作論文 arXiv:2507.17634

支柱三：后訓(xùn)練對(duì)齊

行業(yè)首創(chuàng)的句子級(jí) RL

當(dāng)一個(gè)模型已被「預(yù)激活」了推理能力，傳統(tǒng)的后訓(xùn)練方法已不足以駕馭它。Ling 2.0 在對(duì)齊階段的算法革新，尤其是強(qiáng)化學(xué)習(xí)（RL）層面，展現(xiàn)了驚人的創(chuàng)造力。

Ling 2.0 系列模型的后訓(xùn)練流程

首先，在 SFT 階段，Ling 團(tuán)隊(duì)采用DFT（Decoupled Fine-Tuning）策略，通過設(shè)計(jì)兩種不同的系統(tǒng)提示詞（如 detailed think on 與 detailed think off），讓模型在同一套權(quán)重下，學(xué)會(huì)了「即時(shí)響應(yīng)」和「深度推理」兩種可控模式。

而接下來的 RL 訓(xùn)練，其核心目標(biāo)就是將「深度推理」這一模式的潛力壓榨到極致。隨后，Evo-CoT（演進(jìn)式思維鏈）RL 訓(xùn)練開始接管，持續(xù)優(yōu)化模型的深度推理模式。這使得 Ling 這樣的非推理模型也能根據(jù)問題的復(fù)雜度動(dòng)態(tài)地?cái)U(kuò)展其推理深度和成本。

Evo-CoT 的數(shù)學(xué)描述

而 Ling 2.0 在 RL 上的核心創(chuàng)舉是LPO（Linguistic-unit Policy Optimization）算法。這是一個(gè)堪稱行業(yè)首創(chuàng)的思路：當(dāng)前的 RL 算法（如 GRPO 或 GSPO）通常在 token 級(jí)別或序列（sequence）級(jí)別進(jìn)行優(yōu)化。Ling 團(tuán)隊(duì)認(rèn)為，對(duì)于推理任務(wù)而言，這兩種粒度要么過于破碎（難以承載語義），要么過于粗糙（獎(jiǎng)勵(lì)信號(hào)模糊）。

LPO 的目標(biāo)函數(shù)

為此，LPO 首次將語言單元（Linguistic-unit，即句子）作為 RL 策略更新的基礎(chǔ)動(dòng)作單元。

這一創(chuàng)舉價(jià)值巨大。一個(gè)「句子」恰好是承載一個(gè)完整邏輯步驟或語義信息的自然邊界。通過在句子粒度上對(duì)齊獎(jiǎng)勵(lì)信號(hào)，Ling 2.0 實(shí)現(xiàn)了極高的訓(xùn)練穩(wěn)定性和泛化性。報(bào)告顯示，僅此一項(xiàng)優(yōu)化，就在復(fù)雜推理任務(wù)上帶來了約 10% 的顯著性能提升。

Ling 2.0 模型在強(qiáng)化學(xué)習(xí)訓(xùn)練中使用 LPO 的獎(jiǎng)勵(lì)曲線。左圖：在訓(xùn)練數(shù)據(jù)上的獎(jiǎng)勵(lì)變化，相較于 GRPO、GSPO 以及 GSPO（Token Mean）基線，LPO 表現(xiàn)出更平滑的增長(zhǎng)與更高的穩(wěn)定性，沒有出現(xiàn)明顯的平臺(tái)期或崩潰。右圖：在 AIME 2025 測(cè)試集上的獎(jiǎng)勵(lì)曲線，展示了由于采用句子級(jí)策略更新而帶來的更快收斂速度與更好的泛化能力。

當(dāng)然，強(qiáng)大的 RL 算法也需要精準(zhǔn)的裁判。在處理創(chuàng)意寫作、對(duì)話等開放性主觀任務(wù)時(shí)，Ling 2.0 引入了GAR（Group Arena Reward）機(jī)制。不同于給單個(gè)答案打絕對(duì)分，GAR 采用循環(huán)賽式的相對(duì)比較：它將同一策略生成的多個(gè)答案放入競(jìng)技場(chǎng) (Arena) 中進(jìn)行兩兩對(duì)比，以相對(duì)排名代替絕對(duì)分?jǐn)?shù)。這種機(jī)制能有效降低主觀評(píng)估中的噪聲和方差，為模型在開放域的對(duì)齊提供了更可靠的獎(jiǎng)勵(lì)信號(hào)。

用于開放性主觀任務(wù)的 GAR 機(jī)制

而支撐 LPO 和 GAR 運(yùn)行的，則是一個(gè)強(qiáng)大的統(tǒng)一獎(jiǎng)勵(lì)模型系統(tǒng)（Reward Model System）。該系統(tǒng)可擴(kuò)展性極強(qiáng)，能并發(fā)處理高達(dá) 40K 的異構(gòu)獎(jiǎng)勵(lì)請(qǐng)求，無論是基于規(guī)則的、基于模型的、還是需要在沙箱環(huán)境中執(zhí)行代碼的復(fù)雜驗(yàn)證任務(wù)，從而可確保整個(gè)后訓(xùn)練流程的高效與穩(wěn)定。

支柱四：基礎(chǔ)設(shè)施

全棧 FP8 與 4C 工程學(xué)

萬億模型的訓(xùn)練終究是一場(chǎng)工程競(jìng)賽。Ling 2.0 報(bào)告分享了其支撐萬億參數(shù)穩(wěn)定運(yùn)行的基礎(chǔ)設(shè)施，其中既有巨大的成功，也有坦誠的「教訓(xùn)」。

萬億規(guī)模的全鏈路 FP8 訓(xùn)練

Ling 2.0 系列的 Ling-1T 是目前已知最大規(guī)模的、完全使用 FP8 訓(xùn)練的開源模型。

這絕非易事。FP8 雖能大幅節(jié)省顯存并提升計(jì)算速度，但其極低的精度會(huì)對(duì)萬億模型的穩(wěn)定性構(gòu)成致命威脅。Ling 團(tuán)隊(duì)通過細(xì)粒度逐塊量化（fine-grained block-wise quantization）策略，結(jié)合 QKNorm 等新技術(shù)抑制訓(xùn)練中棘手的異常值（outlier）擴(kuò)散，并輔以一個(gè)實(shí)時(shí)的FP8 訓(xùn)練保障系統(tǒng) (FP8 Training Safeguard System)進(jìn)行全時(shí)監(jiān)控。

最終結(jié)果著實(shí)驚人：在 1T 模型和 900B 數(shù)據(jù)的規(guī)模上，F(xiàn)P8 訓(xùn)練達(dá)成了與 BF16 幾乎一樣的損失表現(xiàn) (差距 ≤ 0.25%)，同時(shí)模型算力利用率（MFU）提升了 15%，也即 FP8 可帶來 15% 的端到端訓(xùn)練加速。這基本宣告了 FP8 在萬億模型訓(xùn)練上的可行性與經(jīng)濟(jì)性

基于 Ling-1T 測(cè)得的 FP8 與 BF16 訓(xùn)練損失對(duì)比

異構(gòu)架構(gòu)的管線設(shè)計(jì)

Ling 2.0 的設(shè)計(jì)并非是均勻的層堆疊，它混合了 Dense（密集層)、MoE（稀疏層）和 MTP（多 token 預(yù)測(cè)) 等計(jì)算特性截然不同的模塊，是一個(gè)典型的異構(gòu)架構(gòu)。

在管線并行（PP）訓(xùn)練中，這就好比一條裝配線上有的工位快、有的工位慢，極易產(chǎn)生管線氣泡（pipeline bubble），進(jìn)而導(dǎo)致 GPU 集體「摸魚」。

為此，Ling 團(tuán)隊(duì)設(shè)計(jì)了異構(gòu)細(xì)粒度管線（Heterogeneous fine-grained pipeline）調(diào)度策略。該策略允許將 MTP 這樣的復(fù)雜模塊拆分，并支持在不同的管線并行階段靈活分配不同數(shù)量的 Transformer 層，最終實(shí)現(xiàn)更均衡的負(fù)載分配。這種算法 - 系統(tǒng)協(xié)同設(shè)計(jì)成功將端到端訓(xùn)練吞吐量提升了 40% 以上。

5 個(gè)流水線并行階段（PP rank）的 1F1B 與異構(gòu)流水線調(diào)度對(duì)比示例。與基線方法 1F1B 相比，新方法可顯著減少流水線氣泡，從而大幅降低整體訓(xùn)練成本。

Ling 2.0 融合的創(chuàng)新還不止于此，Ling 團(tuán)隊(duì)還優(yōu)化了包括節(jié)點(diǎn)內(nèi) DeepEP 通信、一系列融合算子、更快的專家層重計(jì)算以及高效的分布式檢查點(diǎn)存儲(chǔ)等諸多工程細(xì)節(jié)。更多詳情請(qǐng)參閱原論文。

Ling 團(tuán)隊(duì)為 Ling-1T 在預(yù)訓(xùn)練階段使用的各類優(yōu)化任務(wù)概覽

一個(gè)苦澀的教訓(xùn)

最后，Ling 2.0 技術(shù)報(bào)告坦誠地分享了一個(gè)苦澀的教訓(xùn)。這部分內(nèi)容也是報(bào)告中最具「真?開源」精神的一大亮點(diǎn)。

Ling 團(tuán)隊(duì)回顧了他們?cè)谟?xùn)練萬億規(guī)模 MoE 模型時(shí)的一次重要嘗試：實(shí)現(xiàn)計(jì)算與通信的重疊（Computation–Communication Overlapping），這是長(zhǎng)期以來被視為提升分布式訓(xùn)練效率的關(guān)鍵方向。他們?cè)噲D通過 DualPipe 或 DeepEP 的 A2A（All-to-All）重疊技術(shù)，將專家計(jì)算的耗時(shí)隱藏在通信延遲背后。

然而，該報(bào)告稱，盡管付出了巨大努力，最終的端到端加速收效甚微。

為什么會(huì)失敗？Ling 團(tuán)隊(duì)給出了深刻的診斷：這些重疊策略需要配置一個(gè)非常大的專家并行（EP）規(guī)模才能獲益；但這種配置難以應(yīng)對(duì) MoE 模型的一個(gè)「阿喀琉斯之踵」，即淺層 MoE 層的路由不均問題

換言之，在模型的淺層，路由策略分配給不同專家的 Token 數(shù)量很不均衡。這會(huì)導(dǎo)致在采用大 EP 規(guī)模時(shí)，某些 GPU 上的某些管線階段會(huì)因?yàn)槌休d了「熱門」專家而內(nèi)存溢出（OOM），系統(tǒng)被迫采用一種妥協(xié)的、非最優(yōu)的管線劃分策略，而這種妥協(xié)最終會(huì)吞沒計(jì)算 - 通信重疊帶來的所有理論收益。

這雖是個(gè)「失敗」的結(jié)論，但卻價(jià)值千金，因?yàn)樗羁痰亟沂玖耍?strong>在萬億參數(shù)規(guī)模下，任何試圖忽視硬件和系統(tǒng)異構(gòu)性（如路由不均）的純算法優(yōu)化，都可能在工程落地時(shí)徹底失效。真正的效率提升，必須建立在算法與系統(tǒng)的協(xié)同優(yōu)化之上。

這一坦誠的失敗分析為整個(gè) AI 社區(qū)提供了寶貴的避坑指南，其價(jià)值不亞于一項(xiàng)成功的技術(shù)。它也引出了螞蟻的4C 工程哲學(xué)（Correct, Consistent, Complete, Co-Design)，即必須在算法設(shè)計(jì)之初就與系統(tǒng)工程協(xié)同，才能構(gòu)建出穩(wěn)定、高效、可復(fù)現(xiàn)的萬億參數(shù)大模型。

不止于模型

這是一份構(gòu)建萬億基座的開源 SOP

從萬億模型的設(shè)計(jì)藍(lán)圖 Ling Scaling Law 到行業(yè)首創(chuàng)的 LPO 句子級(jí)強(qiáng)化學(xué)習(xí)算法，再到全棧 FP8 的萬億訓(xùn)練實(shí)踐，Ling 2.0 技術(shù)報(bào)告的透明度和深度，充分體現(xiàn)了螞蟻集團(tuán)在 AI 浪潮中真?開源的誠意與技術(shù)自信。

Ling 2.0 的發(fā)布，其價(jià)值已遠(yuǎn)超模型本身。它不再只是一個(gè)單一的模型系列，而是螞蟻集團(tuán)提供給開源社區(qū)的一套完整的、經(jīng)過驗(yàn)證的、可從百億擴(kuò)展至萬億的 AI 基礎(chǔ)模型 SOP（標(biāo)準(zhǔn)作業(yè)流程）。

在 AI 軍備競(jìng)賽日益導(dǎo)向閉源和算力壁壘的當(dāng)下，這樣一份透明、詳盡的「萬億模型作業(yè)流程」顯得尤為可貴。它為社區(qū)展示了另一條 Scaling 路線：即通往 AGI 的道路不僅可以依靠無限的算力堆砌，更可以通過極致的工程（如 FP8）、精準(zhǔn)的預(yù)測(cè)（如 Scaling Law）和創(chuàng)新的算法（如 LPO）來實(shí)現(xiàn)。

正如報(bào)告所展示的，Ling 2.0 只是一個(gè)強(qiáng)大的基座，其真正的潛力才剛剛開始釋放：無論是已經(jīng)大放異彩的 Ring 系列推理模型，還是探索極致效率的混合線性架構(gòu)。

這份報(bào)告為整個(gè)社區(qū)探索更高效、更強(qiáng)大、更通用的智能體奠定了堅(jiān)實(shí)的基礎(chǔ)，也讓我們看到了螞蟻集團(tuán)在 Scaling Law 時(shí)代下，堅(jiān)定地走向開放與協(xié)作的技術(shù)決心。