Ant Group open-source le modèle multimodal Ling-3.0-flash-VL avec 124 milliards de paramètres

Selon Mars Finance, le 9 septembre, Alibaba Group a annoncé l'ouverture du code du premier modèle multimodal natif de la série Ling, Ling-3.0-flash-VL. Ce modèle est dérivé de l'architecture MoE de Ling-3.0-flash, avec un total de 124 milliards de paramètres et 5,5 milliards de paramètres activés lors d'une seule inférence. Il prend en charge nativement les entrées image, texte et vidéo, avec une fenêtre de contexte atteignant 256K tokens. En se concentrant sur la question « Comment accomplir des tâches réelles de manière plus fiable et plus efficace ? », Ling-3.0-flash-VL explore les axes suivants : Un inquiétude courante lorsqu'on ajoute des capacités visuelles aux grands modèles est qu'elles pourraient réduire l'intelligence textuelle. Cependant, les pratiques d'entraînement ont abouti à une conclusion opposée : l'entraînement conjoint multimodal natif non seulement élargit les limites d'application, mais améliore également l'intelligence textuelle. Ling-3.0-flash-VL introduit un mécanisme de rétroaction visuelle — observer les résultats d'exécution, comparer aux objectifs, détecter les écarts et corriger en continu — transformant la tâche d'une simple « génération » ponctuelle en une boucle fermée « observer → agir → valider → corriger », rendant ainsi les résultats d'exécution plus fiables. Ling-3.0-flash-VL conserve l'avantage central de Ling-3.0-flash en tant que nœud d'exécution efficace dans les flux d'agents, tout en équilibrant qualité de sortie et efficacité d'exécution dans la boucle de rétroaction visuelle, afin de mener à bien les tâches complètes à moindre coût et en moins de temps.