Ant Group открывает исходный код мультимодальной модели Ling-3.0-flash-VL с 124 млрд параметров

Сообщение Huoxing Caijing: 9 сентября компания Ant Group объявила об открытии исходного кода и официальном выпуске первого нативного мультимодального крупномасштабного языковой модели серии Ling — Ling-3.0-flash-VL. Модель разработана на основе архитектуры MoE модели Ling-3.0-flash, общий объем параметров составляет 124 млрд, при однократном выводе активируется 5,5 млрд параметров. Модель нативно поддерживает ввод изображений, текста и видео, а окно контекста достигает 256 000 токенов. Фокусируясь на вопросе «как более надежно и эффективно выполнять реальные задачи», Ling-3.0-flash-VL сосредоточен на следующих направлениях: Общая опасность при добавлении визуальных возможностей крупным моделям — снижение текстовой интеллектуальности. Однако практические исследования показали обратное: нативное совместное обучение мультимодальных данных не только расширяет границы применения, но и повышает текстовую интеллектуальность. Ling-3.0-flash-VL внедряет механизм визуальной обратной связи — наблюдение за результатом выполнения, сравнение с целью, выявление отклонений и постоянная корректировка — превращая задачу из одноразового «генерирования» в замкнутый цикл «наблюдение → действие → проверка → корректировка», что делает результаты выполнения более надежными. Ling-3.0-flash-VL наследует ключевое преимущество Ling-3.0-flash как эффективного узла выполнения в рабочих потоках агентов, обеспечивая в замкнутом цикле обратной связи баланс между качеством вывода и эффективностью выполнения, что позволяет завершать полные задачи с меньшими затратами и за более короткое время.