Ant group lança o modelo multimodal de código aberto Ling-3.0-flash-VL com feedback visual

A Ant Group lançou o Ling-3.0-flash-VL, o primeiro modelo multimodal nativo da sua série Bai Ling. O modelo, construído na arquitetura MoE do Ling-3.0-flash, possui 124B parâmetros e ativa 5.5B durante a inferência. Suporta entradas de imagem, texto e vídeo com uma janela de contexto de 256K tokens. O modelo introduz um ciclo de feedback visual, permitindo tarefas como a interpretação de relatórios médicos e a automação de GUIs através de um ciclo 'observar → agir → validar → corrigir'. O treino com dados multimodais nativos melhorou as suas capacidades de texto, alcançando um aumento de 4 pontos no Índice de Inteligência Artificial v4.1.1 em comparação com a versão apenas de texto. O Ling-3.0-flash-VL, disponível no Ling Studio, oferece versões BF16 e FP8 no Hugging Face e ModelScope, com versões FP4 e INT4 a serem lançadas em breve. O modelo superou o GPT-5.4 no Image-to-WebDev Arena e destaca-se no diálogo de vídeo em tempo real e no processamento de tarefas de longa duração.