Ling-3.0-flash-VL：画像を「見て、行動し、確かめる」ための124Bオープンモデル

Ling-3.0-flash-VLは、Ant GroupのinclusionAIが公開した、Ling-3.0-flash系を基盤とするオープンウェイトの視覚言語モデルです。技術面での要点は、総計1240億パラメータ、各トークンで有効化されるのは約55億パラメータという疎なMixture-of-Experts（MoE）設計にあります。密な1240億パラメータモデルよりも、トークン当たりの計算量を抑えつつ大きなモデル容量を生かすことが狙いです。312

ただし、このモデルの本質は単に「画像を理解できるLing」ではありません。Ling-3.0-flash-VLは、画面や文書を見て一度だけ説明するモデルではなく、視覚エージェントとして位置付けられています。すなわち、画面や文書を確認し、外部ツールを通じて行動し、変化後の状態を再び視覚的に確認して、必要なら次の手を修正する――という反復処理を想定します。Ant Groupはこれを「視覚フィードバック閉ループ」と説明しています。12

入力できるものと長文・長時間の扱い

入力として受け取れるのはテキスト、画像、動画で、出力はテキストです。公表されているコンテキスト長は最大256Kトークン。長い文書、長時間にわたるマルチモーダル対話、作業履歴を多く保持するエージェント型ワークフローを念頭に置いた仕様です。34

アーキテクチャは、Kimi Delta Attentionとゲート付きMulti-Head Latent Attentionを組み合わせたハイブリッド構成と報じられています。動画では、フレーム間の時間的な情報を扱うためにVideoRoPE位置エンコーディングを用いるとされています。16

重要なのは、開発側が視覚情報をテキストモデルの末尾に追加する付加機能ではなく、推論の流れを構成する情報として扱う設計を掲げている点です。これが「ネイティブ・マルチモーダル」とする位置付けの土台です。112

1240億パラメータでも、毎回1240億を計算するわけではない

MoEモデルは、一般に「エキスパート」と呼ばれる複数の専門化されたパラメータ群を持ち、ルーターがトークンごとに一部だけを選択します。Ling-3.0-flash-VLは、総計1240億パラメータのうち、トークンごとにおよそ55億パラメータを有効化するとされています。312

この2つの数字は区別して読む必要があります。

• 総パラメータ数：モデル全体に保持される容量
• アクティブパラメータ数：1トークンの順伝播で主に使われる計算規模

もちろん、大規模なオープンウェイトを自前でホストするには、依然として大きなメモリー容量と慎重なシステム設計が必要です。それでも「flash」層のモデルとして打ち出されている理由は、この疎な計算方式にあります。35

差別化要因は「視覚フィードバック」

一般的な視覚言語モデルでも、画像の説明、レシートの文字抽出、グラフに関する質問への回答といった一回完結型のタスクには役立ちます。Ling-3.0-flash-VLが狙うのは、その先の反復サイクルです。

1. 観察：画面、画像、レンダリング済みWebページ、文書を見る
2. 行動：連携されたツールやインターフェースを通じて操作する
3. 検証：視覚的な結果が目的に合っているか確認する
4. 修正：不完全または誤った結果なら、次の行動を変える 12

これはGUI自動化や、視覚情報を伴うソフトウェア作業に特に関係します。例えば、画面の現在状態を確認して操作を選び、操作後の画面を再確認し、目的の状態に到達したかを判断する、といった流れです。

もっとも、モデル単体がブラウザ、ツール権限、業務フローの安全策を置き換えるわけではありません。実際に何を実行できるかは、周辺システムの権限設計とガードレールに左右されます。

Ant Groupと関連報道は、フロントエンド生成、GUI自動化、医療レポートの解釈を用途として挙げています。12 ただし医療レポートの解釈は、支援的なワークフローの想定として受け取るべきであり、自律的な臨床判断の信頼性や安全性を証明するものではありません。

ウェイトとサービングの選択肢

モデルはMITライセンスでオープンウェイトとして公開され、BF16版とFP8版のウェイトが利用可能と報じられています。初期の報道では、FP4版とINT4版も予定または今後提供されるものとして説明されていました。34

サービングについては、SGLangとLing向けに調整したvLLMの経路が案内されています。34 ただし本番導入では、これを互換性の保証ではなく出発点と捉えるべきです。使用するモデル改訂版、量子化方式、マルチモーダル前処理、コンテキスト長、ハードウェア、フレームワークのバージョンを組み合わせて検証する必要があります。

ベンチマーク結果はどう読むべきか

報道にはArtificial Analysis Intelligence Indexについて、2つの数値が見られます。

• v4.1.1で42：テキスト専用のLing-3.0-flashの38に対して4ポイント高いという初期報道の値。4
• v4.3で25：後の報道で示され、アクティブパラメータ数に対する知能の効率フロンティア上にあると説明された値。35

これらは指数のバージョンが変わっているなら矛盾しません。しかし、同一テスト尺度のスコアであるかのように直接比較することはできません。ここから慎重に言えるのは、アクティブパラメータ数に対して競争力のある効率を報告している、ということまでです。あらゆるエージェント業務、本番運用、医療ワークフローでの信頼性を単独で裏付けるものではありません。34

なぜ注目されるのか

意義は、Lingに画像・動画入力が追加されたことだけではありません。Ling-3.0-flash-VLは、視覚を反復的な計画、行動、視覚的確認、修正に組み込む、Ling系初のオープンモデルとして打ち出されています。加えて、疎なMoE設計によって、このマルチモーダル・エージェントのアプローチを、同規模の密なモデルより計算効率よく実現することを目指しています。312

開発者にとって現実的な活用先は、視覚的な証拠が重要で、各ツール操作の結果を検査できる制約された業務です。たとえば、レンダリング済みページをデザイン案と照合する、管理されたUIを操作する、複数の文書から情報を抽出して相互確認する、といった場面が挙げられます。

デモやベンダー報告の評価は有望なシグナルですが、信頼できる導入には、タスク別の評価、権限管理、エラー処理、そして人による監督がなお不可欠です。