Ant group lanza el modelo multimodal de código abierto Ling-3.0-flash-VL con retroalimentación visual

Ant Group ha lanzado Ling-3.0-flash-VL, el primer modelo multimodal nativo de su serie Bai Ling. El modelo, basado en la arquitectura MoE de Ling-3.0-flash, tiene 124B parámetros y activa 5.5B durante la inferencia. Admite entradas de imagen, texto y vídeo con una ventana de contexto de 256K tokens. El modelo introduce un bucle de retroalimentación visual, lo que permite tareas como la interpretación de informes médicos y la automatización de GUIs a través de un ciclo de 'observar → actuar → validar → corregir'. El entrenamiento con datos multimodales nativos ha mejorado sus capacidades de texto, logrando un aumento de 4 puntos en el Índice de Inteligencia Artificial Artificial v4.1.1 en comparación con la versión solo de texto. Ling-3.0-flash-VL, disponible en Ling Studio, ofrece versiones BF16 y FP8 en Hugging Face y ModelScope, con versiones FP4 e INT4 que se lanzarán pronto. El modelo superó a GPT-5.4 en Image-to-WebDev Arena y destaca en el diálogo de vídeo en tiempo real y el procesamiento de tareas a largo plazo.