Ant Ling выпустила мультимодальную модель для визуальных агентов с контекстом 1 млн токенов
Ling-3.2-flash принимает текст, изображения и видео, активирует 25 из 560 млрд параметров и рассчитана на долгие визуальные задачи.
Команда Ant Ling из Ant Group выпустила Ling-3.2-flash — нативную мультимодальную MoE-модель для визуального понимания и долгих агентных задач. Всего у неё 560 млрд параметров, но для каждого токена активируется около 25 млрд: такая архитектура должна сочетать большую ёмкость с меньшей стоимостью инференса.
Ling-3.2-flash принимает текст, изображения и видео и поддерживает контекст до миллиона токенов. Ant Ling предлагает использовать модель для сложных документов, автоматизации интерфейсов, трёхмерных сред и медицинских изображений. Документация делает акцент на агентах, которые наблюдают визуальное состояние, планируют много шагов и действуют внутри программ, а не только описывают картинку.
Компания заявляет, что модель обходит Claude Opus 5 в отдельных тестах документов, визуального рассуждения и генерации веб-интерфейсов по изображению. Это собственные тесты производителя, поэтому независимая проверка нужна до выводов о рейтинге. В материалах запуска также показаны демо с генерацией фронтенда, работой в Blender и преобразованием документов в код.
Модель доступна через API Ant Ling. Публичных весов на момент запуска не было, хотя предыдущие Ling описывались как open-source. Для разработчиков главное изменение — доступ к визуальному агенту с большим контекстом и разреженной активацией; открытость весов и надёжность в реальных задачах ещё предстоит проверить.
