蚂蚁集团开源多模态大模型 Ling-3.0-flash-VL

9 月 9 日，蚂蚁集团发布开源公告，正式发布并开源百灵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 架构拓展而来，总参数量为 124B，单次推理激活 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。

Ling-3.0-flash-VL 围绕“如何更可靠、更高效地完成真实任务”展开探索。针对多模态能力可能影响文本智能的担忧，训练实践显示，原生多模态联合训练不仅拓展了应用边界，也提升了文本智能。

该模型引入视觉反馈机制，通过观察执行结果、对比目标、发现偏差并持续修正，将任务从一次性“生成”转变为“观察—行动—验证—修正”的闭环，以提升执行结果的可靠性。

Ling-3.0-flash-VL 继承了 Ling-3.0-flash 在 Agent 工作流中作为高效执行节点的特点，在视觉反馈闭环中兼顾输出质量与执行效率，以更低成本和更短时间推进完整任务。