9 月 9 日，蚂蚁集团宣布推出并开源百灵（Ling）系列首个原生多模态大模型 Ling-3.0-flash-VL。该模型基于 Ling-3.0-flash 的 MoE（混合专家）架构扩展而来，总参数量为 124B，单次推理仅激活 5.5B 参数，原生支持图像、文本与视频输入，上下文窗口达到 256K Token。
与常见的”语言模型外挂视觉模块”方案不同，Ling-3.0-flash-VL 从训练阶段就采用图文视频联合训练。模型引入任意分辨率视觉编码器与 VideoRoPE，语言主干沿用 42 层混合架构，KDA 与 Gated MLA 按 5:1 比例交替排列。在保持单次激活 5.5B 参数的小算力开销的同时，模型可在实时视频对话、多轮视觉交互和长时任务中保持低延迟响应。
视觉能力加入后，文本智能不降反升
业界长期存在一个担忧：给大模型加上视觉能力，会稀释甚至拉低它的文本智能。蚂蚁集团的训练实践给出了相反的结论——原生多模态联合训练不仅拓展了应用边界，还拉升了文本表现。
在 Artificial Analysis Intelligence Index v4.1.1 评估中，Ling-3.0-flash-VL 较纯文本版本 Ling-3.0-Flash 提升了 4 分。官方解释称，来自图像和视频的信息帮助模型建立了对概念、空间和现实世界更完整的理解，视觉并不只是一种新的输入模态。
视觉反馈闭环：从”看图说话”到”看结果干活”
Ling-3.0-flash-VL 的核心亮点是引入了视觉反馈闭环机制。传统多模态模型的任务执行是一次性的”生成”，而该机制将任务推进为”观察 → 行动 → 验证 → 修正”的持续闭环：模型执行操作后观察结果，与目标对比，发现偏差并持续修正。
这一机制在三个场景中体现出价值。在前端开发场景，模型可根据网页截图理解布局、配色和组件关系，生成前端代码后查看浏览器渲染结果，与参考图对比后再修改代码，形成由视觉反馈驱动的开发闭环。在 Image-to-WebDev Arena 官方评测中，该模型以代号 linthium 参赛，在”图片转网页”任务中的评测得分高于 GPT-5.4。在 GUI 自动化场景，模型可识别页面结构和应用状态，拆解操作步骤，完成点击、输入、滚动和应用切换，支撑”查找网页数据、整理到表格、再生成图表”这类跨工具任务。在医疗报告解读场景，模型可将跨页、跨时期的血常规、生化、影像等多类数据整合为完整的健康图景，以”红黄绿灯”直观展示健康风险。
已可在灵光应用中实际使用
目前，Ling-3.0-flash-VL 的部分能力已接入蚂蚁旗下灵光 App。用户借助手机摄像头可实现”一拍即答”：识别动植物种类、食材、建筑地标和车型，连续描述眼前场景，并实时识别与翻译外语标识。在学习场景，模型可结合课程画面识别公式、示意图和板书内容，围绕知识点持续答疑。针对小时级的长视频，模型可通过视觉反馈闭环完成高光剪辑，依靠 256K 上下文窗口持续追踪任务状态。
蚂蚁集团同时公布了模型的局限性：在长尾场景感知推理、长链路 Agent 执行及长程全栈编码等任务上，与最佳模型仍有差距。下一步将重点强化复杂图表与跨图片内容的理解验证能力，并提升真实工作流中的执行稳定性。
开源信息
Ling-3.0-flash-VL 现已在 Ling Studio（chat.ant-ling.com）上线，免费体验开放中。模型的 BF16 和 FP8 版本已在 Hugging Face 与 ModelScope 平台开源，FP4 和 INT4 版本计划近期发布。对开发者而言，在 124B 总参数下仅需激活 5.5B 参数即可推理，部署成本明显低于同规模稠密模型，适合用于构建视觉 Agent 工作流和多模态应用。
