مجموعة أنط تُطلق مفتوحة المصدر نموذج متعدد الوسائط Ling-3.0-flash-VL بـ 124 مليار معلمة

موقع Huoxing Caijing يفيد أنه في 9 سبتمبر، أعلنت مجموعة Ant عن إصدار وفتح مصدر النموذج الكبير متعدد الوسائط الأصلي الأول من سلسلة Ling-3.0-flash-VL. تم تطوير النموذج بناءً على بنية MoE الخاصة بـ Ling-3.0-flash، ويحتوي على إجمالي 124 مليار معلمة، مع تفعيل 5.5 مليار معلمة في كل استدلال واحد، ويدعم بشكل أصلي المدخلات النصية والصور والفيديو، مع نافذة سياقية تصل إلى 256K رمز. بالتركيز على "كيفية إنجاز المهام الحقيقية بطريقة أكثر موثوقية وكفاءة"، يستكشف Ling-3.0-flash-VL الاتجاهات التالية: إن إضافة القدرة البصرية إلى النماذج الكبيرة يثير قلقًا شائعًا بأنه سيقلل من الذكاء النصي. لكن الممارسات التدريبية أظهرت نتيجة معاكسة: التدريب المشترك الأصلي متعدد الوسائط لا يوسع فقط حدود التطبيقات، بل يرفع أيضًا الذكاء النصي. يُدخل Ling-3.0-flash-VL آلية التغذية المرتدة البصرية — مراقبة النتائج التنفيذية، مقارنة الأهداف، اكتشاف الانحرافات، والتصحيح المستمر — لتحويل المهمة من "إطلاق" لمرة واحدة إلى حلقة مغلقة من "المراقبة → العمل → التحقق → التصحيح"، مما يجعل النتائج التنفيذية أكثر موثوقية. Ling-3.0-flash-VL يرث الميزة الأساسية لـ Ling-3.0-flash كعقدة تنفيذ فعالة في سير عمل الوكلاء، ويوازن بين جودة الإخراج وكفاءة التنفيذ في حلقة التغذية المرتدة البصرية، مما يُحرّك المهام الكاملة بتكلفة أقل ووقت أقصر.