Inilabas ng Ant Group ang multimodal na model na Ling-3.0-flash-VL na may 124B na parameter

Ayon sa Huoxing Caijing, noong Setyembre 9, inilabas ng Ant Group ang pahayag ng open source at opisyal na ipinakilala ang unang native multimodal na malaking modelo sa seryeng Ling-3.0-flash-VL. Ang modelo ay batay sa MoE architecture ng Ling-3.0-flash, may kabuuang 124B na parameter, at aktibong 5.5B na parameter sa isang pag-input, at may native na suporta para sa imahe, teksto, at video, kasama ang context window na 256KToken. Tungkol sa "paano mas mapagkakatiwalaan at mas epektibong matapos ang tunay na mga gawain," pinag-aaralan ng Ling-3.0-flash-VL ang mga sumusunod na direksyon: Ang pagdaragdag ng visual capability sa malaking modelo ay karaniwang nagdudulot ng pagbaba sa tekstial na intelihensya. Gayunpaman, ang mga pagsasanay ay nagbigay ng kabaligtarang konklusyon: ang native multimodal na joint training ay hindi lamang pinapalawig ang hangganan ng aplikasyon kundi pati na rin ang pinapataas ang tekstial na intelihensya. Ang Ling-3.0-flash-VL ay naglalakbay ng visual feedback mechanism—pagsusuri sa resulta, paghahambing sa layunin, pagkilala sa pagkakaiba, at patuloy na pagkorekta—upang baguhin ang gawain mula sa isang beses na "pagbuo" patungo sa isang saradong siklo na "pagsusuri→pagkilos→pagpapatotoo→pagkorekta," upang gawing mas mapagkakatiwalaan ang resulta. Ang Ling-3.0-flash-VL ay nagmamana ng pangunahing kahusayan ng Ling-3.0-flash bilang epektibong execution node sa Agent workflow, at sa visual feedback loop ay nagtataglay ng magandang kalidad ng output at epektibong pagpapatupad, upang mas mabilis at mas mura ang pagtatapos ng buong gawain.