Ant Group lança como código aberto o modelo multimodal Ling-3.0-flash-VL com 124 bilhões de parâmetros

Notícia da Huoxing Caijing: em 9 de setembro, o Grupo Ant lançou um anúncio de código aberto, anunciando oficialmente o lançamento e a liberação de código aberto do primeiro modelo multmodal nativo da série Ling-Ling-3.0-flash-VL. O modelo é baseado na arquitetura MoE do Ling-3.0-flash, com um total de 124B parâmetros e 5,5B parâmetros ativados por inferência única, suportando nativamente entradas de imagem, texto e vídeo, com uma janela de contexto de 256K tokens. Em torno da pergunta "como realizar tarefas reais de forma mais confiável e eficiente", o Ling-3.0-flash-VL foca nas seguintes direções: uma preocupação comum ao adicionar capacidade visual a grandes modelos é que ela reduza a inteligência textual. No entanto, práticas de treinamento apresentaram conclusões opostas: o treinamento conjunto multmodal nativo não apenas expande os limites de aplicação, mas também eleva a inteligência textual. O Ling-3.0-flash-VL introduz um mecanismo de feedback visual — observar os resultados da execução, comparar com os objetivos, identificar desvios e corrigir continuamente — transformando a tarefa de uma "geração" única em um ciclo fechado de "observar → agir → validar → corrigir", tornando os resultados da execução mais confiáveis. O Ling-3.0-flash-VL herda a principal vantagem do Ling-3.0-flash como nó de execução eficiente em fluxos de Agentes, equilibrando qualidade de saída e eficiência de execução no ciclo de feedback visual, avançando tarefas completas com menor custo e menor tempo.