Ant Group lanza como código abierto el modelo multimodal Ling-3.0-flash-VL con 124 mil millones de parámetros

Noticia de Huoxing Finance: el 9 de septiembre, Alibaba Group anunció el lanzamiento y la apertura del código fuente del primer modelo multmodal nativo de la serie Ling-3.0-flash-VL. El modelo se basa en la arquitectura MoE de Ling-3.0-flash, con un total de 124 mil millones de parámetros y 5.5 mil millones de parámetros activados en cada inferencia. Admite nativamente entradas de imagen, texto y video, con una ventana de contexto de hasta 256K tokens. En torno a la pregunta "¿cómo completar tareas reales de manera más confiable y eficiente?", Ling-3.0-flash-VL se enfoca en las siguientes áreas: una preocupación común al agregar capacidad visual a los grandes modelos es que reduzca la inteligencia textual; sin embargo, la práctica de entrenamiento arroja resultados opuestos: el entrenamiento conjunto nativo multimodal no solo amplía los límites de aplicación, sino que también mejora la inteligencia textual. Ling-3.0-flash-VL introduce un mecanismo de retroalimentación visual: observar los resultados de ejecución, comparar con los objetivos, detectar desviaciones y corregir continuamente, transformando la tarea de una "generación" única en un ciclo cerrado de "observar → actuar → verificar → corregir", lo que hace que los resultados de ejecución sean más confiables. Ling-3.0-flash-VL hereda la ventaja central de Ling-3.0-flash como nodo de ejecución eficiente en flujos de Agentes, equilibrando calidad de salida y eficiencia de ejecución dentro del ciclo de retroalimentación visual, avanzando tareas completas con menor costo y menor tiempo.