Ant Group Melepaskan Model Multimodal Ling-3.0-flash-VL dengan 124 Miliar Parameter

Berita Huoxing Caijing, pada 9 September, grup Ant Group mengumumkan open source, secara resmi meluncurkan dan mengopen source model bahasa besar multimodal asli pertama dalam seri Ling-3.0-flash-VL. Model ini dikembangkan dari arsitektur MoE Ling-3.0-flash, dengan total parameter sebesar 124B, mengaktifkan 5,5B parameter dalam satu kali inferensi, mendukung secara asli input gambar, teks, dan video, dengan jendela konteks mencapai 256K token. Dengan fokus pada "bagaimana menyelesaikan tugas nyata secara lebih andal dan lebih efisien", Ling-3.0-flash-VL secara khusus mengeksplorasi arah berikut: Salah satu kekhawatiran umum saat menambahkan kemampuan visual ke model bahasa besar adalah penurunan kecerdasan teks. Namun, praktik pelatihan memberikan kesimpulan sebaliknya: pelatihan multimodal asli tidak hanya memperluas batas aplikasi, tetapi juga meningkatkan kecerdasan teks. Ling-3.0-flash-VL memperkenalkan mekanisme umpan balik visual—mengamati hasil eksekusi, membandingkan tujuan, mengidentifikasi penyimpangan, dan melakukan koreksi berkelanjutan—mengubah tugas dari "generasi" sekali jalan menjadi siklus tertutup "mengamati → bertindak → memverifikasi → memperbaiki", sehingga hasil eksekusi menjadi lebih andal. Ling-3.0-flash-VL mewarisi keunggulan utama Ling-3.0-flash sebagai simpul eksekusi efisien dalam alur kerja Agent, memadukan kualitas output dan efisiensi eksekusi dalam siklus umpan balik visual, untuk mendorong tugas lengkap dengan biaya lebih rendah dan waktu lebih singkat.