Ant Group Ling liniyasidagi birinchi tabiiy multimodal model boʻlgan Ling-3.0-flash-VL modelini taqdim etdi va jamoatchilik uchun ochdi. Bu chiqarish inclusionAI tashkiloti orqali Hugging Face va ModelScope platformalarida amalga oshirildi.
Model mixture-of-experts turidagi Ling-3.0-flash backboni asosida qurilgan va umumiy hajmi 124 milliard parametrni tashkil etadi, bunda har bir token uchun taxminan 5,5 milliard parametr faollashadi. U tasvirlar, matn va videolarni qabul qilishga qodir va kompaniya uzoq hujjatlar va video materiallarini qayta ishlash uchun 256 ming token atrofidagi kontekst oynasini koʻrsatadi. BF16 va FP8 formatlaridagi ogʻirliklar 9-sentabrda eʼlon qilindi, yaqin orada esa FP4 va INT4 formatlaridagi versiyalar rejalashtirilmoqda.
Asosiy dizayn yechimi koʻrishga asoslangan qayta aloqa siklini amalga oshirish boʻldi. Ushbu sikl idrokni faqat belgi yaratishning bir martalik bosqichi sifatida emas, balki uzluksiz ish jarayonining ajralmas qismi sifatida koʻrib chiqadi. Model vizual koʻrsatilgan yoki yaratilgan maʼlumotlarga asoslanib kuzatish, harakat qilish, tekshirish va natijalarini tuzatish uchun koʻrsatma beriladi.
Ant Group bu modelni foydalanuvchi interfeyslarini (GUI) avtomatlashtirish, frontend kodini yaratish va tibbiy hisobotlarni tahlil qilish uchun joylashtiradi. Tasvilni veb-sahifalarga aylantirish bilan bogʻliq sinovlarda model komponentlar va layout oʻrtasidagi bogʻliqliklarni tiklash qobiliyatini namoyish etdi, shundan soʻng u yaratilgan kodni renderlash natijalari bilan solishtirib qayta koʻrib chiqdi. Image-to-WebDev Arena da linthium psevdoim nomi ostida Ant Group oʻz koʻrsatkichi GPT-5.4 koʻrsatkichlaridan ustun kelganini maʼlum qildi.
GUI agenti sifatida model interfeys tuzilishini tushunish va turli vositalar oʻrtasidagi harakatlarni bogʻlashni biladi. Klinik hisobot senariolarida u faqat bitta sahifaning mazmunini umumlashtirish uchun emas, balki turli hujjatlardagi maʼlumotlarni konsolidatsiya qilish va xavflarni aniqlash uchun moʻljallangan.
Ant Group bayonotlariga koʻra, tabiiy multimodal maʼlumotlardan foydalangan holda birgalikda oʻqitish modelning matnli imkoniyatlari va vizual koʻnikmalarini yaxshiladi. Artificial Analysis Intelligence Index v4.1.1 indeksiga koʻra, Ling-3.0-flash-VL 42 ball olgan, bu matnli Ling-3.0-flash versiyasidan toʻrtta ball yuqori.
Hugging Face materiallari baholashni uch yoʻnalish boʻyicha tuzadi: tushunish, fikrlash va harakat qilish. Ushbu yoʻnalishlarga murakkab layoutlar va hujjatlar bilan ishlash, dalillarga asoslangan koʻp bosqichli tekshiruvlar va interfeys tomonidan boshqariladigan vazifalarni bajarish kiradi. Bunday yondashuv kompaniyaning ochiq multimodal ogʻirliklar dasturiy va klinik ish jarayonlaridagi agentlar sikllarini yopishga yordam berishi, nafaqat statik vizual savollarga javob berishi kerak degan strategik maqsadiga mos keladi.
Model arxitekturasi ixtiyoriy aniqlikdagi koʻrish enkoderi va VideoRoPE vaqtinchalik kodlash bilan ikki qavatli proyektor, undan keyin 42 qavatli gibrid til ustuni birlashtirilgan. Ushbu ustun KDA va gated MLA bloklarini 5:1 nisbatda navbatma-navbat qoʻyadi. Rangli MoE tufayli, vizual chat va agent harakatlari tarixi uzoq sessiyalarda ham hisoblash yuklamasi past boʻlib qoladi.
Demonstratsiyalar Ling Studio da mavjud. Ogʻirliklar bilan birga, Ling-3 chat shabloniga moslashtirilgan fikrlash va vosita chaqiruvi uchun parserlar kiritilgan, SGLang va Ling uchun sozlanmagan vLLM forkining retseptlari hujjatlashtirilgan.
Dasturchilar uchun bu ochiq chiqarish shunchaki yana bir belgi yaratuvchi emas, balki agent vazifalari uchun koʻrishni rejalashtirish va tekshirish jarayonlariga integratsiya qiluvchi dastlabki ochiq multimodal Ling stekidir. Bu shuningdek, faqat qoʻshimcha vizual funksiyalar paketi emas, balki koʻrish boʻyicha aniq qayta aloqa siklini oʻz ichiga olgan birinchi ochiq Ling chiqarishdir.