RespostasPublicado16 fontes
Ling-3.0-flash-VL: por que o modelo aberto de 124B da Ant Group mira agentes visuais
O Ling 3.0 flash VL é um modelo de pesos abertos sob licença MIT da inclusionAI, ligada à Ant Group, que recebe texto, imagens e vídeo. Sua arquitetura Mixture of Experts reúne 124 bilhões de parâmetros, mas ativa cerca de 5,5 bilhões por token, buscando reduzir o custo computacional da inferência.
Publicado porEditado com GPT-5.6 TerraImagens geradas com GPT Image 2
Resposta de pesquisa
Principais conclusões
- O Ling 3.0 flash VL é um modelo de pesos abertos sob licença MIT da inclusionAI, ligada à Ant Group, que recebe texto, imagens e vídeo.
- Sua arquitetura Mixture of Experts reúne 124 bilhões de parâmetros, mas ativa cerca de 5,5 bilhões por token, buscando reduzir o custo computacional da inferência.
- O diferencial proposto é um ciclo visual de observar, agir, verificar e corrigir, voltado a automação de interfaces, geração de front end e análise assistiva de documentos.
Prompt de IA
openai.comCreate a landscape editorial hero image for this Studio Global article: What is Ant Group and inclusionAI’s open-source Ling-3.0-flash-VL, released on September 9, 2026, and how do its 124-billion-parameter mixtu. Article summary: Ling-3.0-flash-VL is inclusionAI/Ant Group’s MIT-licensed, open-weight vision-language extension of the Ling-3.0-flash reasoning model. Its main distinction is that vision is intended to participate in an agentic feedbac. Topic tags: general, documentation, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks,
O Ling-3.0-flash-VL é o modelo multimodal de pesos abertos da inclusionAI, organização ligada à Ant Group, construído sobre a família de raciocínio Ling-3.0-flash. Seu principal argumento técnico é uma arquitetura esparsa de Mixture of Experts (MoE): são 124 bilhões de parâmetros no total, mas cerca de 5,5 bilhões são ativados para cada token. Na prática, a proposta é combinar grande capacidade do modelo com um custo de computação por token menor do que o de um modelo denso de 124B. 3
12
O ponto mais importante, porém, é o posicionamento como agente visual. Em vez de usar uma imagem apenas uma vez — para descrevê-la ou responder a uma pergunta —, o Ling-3.0-flash-VL foi concebido para manter a visão no ciclo inteiro de uma tarefa: examinar uma tela ou documento, executar uma ação por uma ferramenta externa, observar o novo estado e então verificar ou corrigir o resultado. A Ant Group chama isso de ciclo fechado de feedback visual. 12
O que o modelo recebe e produz
O Ling-3.0-flash-VL aceita entradas de texto, imagem e vídeo e gera saída em texto. A janela de contexto informada chega a 256 mil tokens, um volume pensado para documentos extensos, conversas multimodais longas e fluxos de agentes que precisam reter bastante histórico de trabalho. 3
4
As descrições disponíveis apontam para uma arquitetura híbrida que combina Kimi Delta Attention e camadas de atenção latente multi-cabeças com gating. Para vídeo, o modelo usa a codificação posicional VideoRoPE, voltada a preservar informações temporais entre os quadros. 1
6
A relevância dessa arquitetura, segundo o posicionamento dos criadores, é tratar o conteúdo visual como parte do próprio fluxo de raciocínio — e não como um recurso agregado apenas ao final de um modelo de texto. É daí que vem a classificação de modelo “multimodal nativo”. 1
12
Por que 124B de parâmetros não significam 124B em uso a cada token
Modelos MoE contêm vários grupos especializados de parâmetros, frequentemente chamados de especialistas. Um mecanismo de roteamento escolhe somente uma parte deles para processar cada token. No Ling-3.0-flash-VL, os números reportados são 124B de parâmetros totais e aproximadamente 5,5B de parâmetros ativos por token. 3
12
A distinção é importante:
- Parâmetros totais representam a capacidade total armazenada no modelo.
- Parâmetros ativos se aproximam mais do processamento necessário na passagem de cada token.
Isso não torna a operação simples: hospedar pesos abertos desse porte ainda requer muita memória e engenharia de infraestrutura. Mas ajuda a explicar por que ele é apresentado como um modelo da linha “flash”, apesar da contagem total de 124B. 3
5
O diferencial: feedback visual em várias etapas
Um sistema convencional de visão e linguagem pode funcionar muito bem em tarefas pontuais, como descrever uma foto, extrair texto de um recibo ou responder a uma pergunta sobre um gráfico. O Ling-3.0-flash-VL mira um ciclo mais longo:
- Observar uma tela, imagem, página renderizada ou documento.
- Agir por meio de uma ferramenta ou interface associada.
- Verificar visualmente se o resultado atende ao objetivo.
- Corrigir a próxima ação quando o resultado estiver errado ou incompleto.
12
Esse desenho é especialmente relevante para automação de interfaces gráficas, ou GUI — a parte visual de aplicativos e sites com botões, menus e formulários. Em tese, o modelo pode inspecionar o estado atual de uma interface, escolher uma ação, analisar a tela seguinte e decidir se alcançou o resultado desejado.
O modelo, por si só, não substitui navegador, permissões de ferramentas nem proteções do fluxo de trabalho. Esses componentes externos determinam o que ele realmente pode fazer e quais limites terá.
A Ant Group e reportagens sobre o lançamento citam geração de front-end, automação de GUI e interpretação de relatórios médicos entre as aplicações pretendidas. 12 No caso médico, a interpretação deve ser entendida como uso assistivo: ela não comprova confiabilidade clínica autônoma nem segurança para decisões de saúde.
Pesos abertos e opções de execução
O modelo foi lançado como pesos abertos sob licença MIT, com versões de pesos em BF16 e FP8 reportadas como disponíveis. Versões FP4 e INT4 foram descritas como planejadas ou futuras nas primeiras coberturas do lançamento. 3
4
Também há orientação de execução para SGLang e um caminho de vLLM ajustado para Ling. 3
4 Em produção, isso deve servir como ponto de partida, não como garantia de compatibilidade: é necessário testar a revisão específica do modelo, a quantização, o pré-processamento multimodal, o tamanho de contexto, o hardware e a versão do framework que serão usados.
Como interpretar os benchmarks
A cobertura do lançamento menciona dois resultados distintos no Artificial Analysis Intelligence Index:
- 42 na versão 4.1.1, contra 38 do Ling-3.0-flash somente textual, apresentado inicialmente como ganho de quatro pontos.
4
- 25 na versão 4.3, citado depois e descrito como um resultado competitivo na relação entre inteligência e parâmetros ativos.
5
Os números não são necessariamente contraditórios, pois as versões do índice mudaram. Mas não devem ser comparados como se viessem da mesma escala de teste. A conclusão mais prudente é que o modelo apresentou eficiência competitiva em relação à sua quantidade de parâmetros ativos; isso, isoladamente, não prova que ele será confiável em todo fluxo de agente, produção ou uso clínico. 3
4
Por que o Ling-3.0-flash-VL chama atenção
A novidade não é apenas adicionar suporte a imagens e vídeos à linha Ling. O Ling-3.0-flash-VL é apresentado como o primeiro modelo aberto da família a integrar visão ao planejamento iterativo, à ação, à checagem visual e à correção. Sua arquitetura MoE esparsa busca tornar essa abordagem de agente multimodal mais eficiente em computação do que um modelo denso de porte equivalente. 3
12
Para desenvolvedores, o cenário mais plausível é um fluxo controlado em que a evidência visual importa e cada ação de ferramenta pode ser conferida: revisar uma página renderizada contra um layout de referência, navegar em uma interface delimitada ou extrair e cruzar informações de documentos. Demos e avaliações reportadas pelo fornecedor são sinais promissores, mas uma implantação confiável continua dependendo de testes específicos da tarefa, controles de permissão, tratamento de erros e supervisão humana.
Studio Global AI
Continue sua pesquisa
Esta página inclui uma resposta baseada na fonte que você pode continuar em Studio Global.
As pessoas também perguntam
Qual é a resposta curta para "Ling-3.0-flash-VL: por que o modelo aberto de 124B da Ant Group mira agentes visuais"?
O Ling 3.0 flash VL é um modelo de pesos abertos sob licença MIT da inclusionAI, ligada à Ant Group, que recebe texto, imagens e vídeo.
Quais são os pontos-chave para validar primeiro?
O Ling 3.0 flash VL é um modelo de pesos abertos sob licença MIT da inclusionAI, ligada à Ant Group, que recebe texto, imagens e vídeo. Sua arquitetura Mixture of Experts reúne 124 bilhões de parâmetros, mas ativa cerca de 5,5 bilhões por token, buscando reduzir o custo computacional da inferência.
O que devo fazer a seguir na prática?
O diferencial proposto é um ciclo visual de observar, agir, verificar e corrigir, voltado a automação de interfaces, geração de front end e análise assistiva de documentos.
Fontes
developer.puter.comAI Models - Puter Developer