Ling-3.0-flash-VL: Ant Group’ün Görsel Geri Bildirimli Açık Yapay Zekâ Modeli

Ling-3.0-flash-VL, inclusionAI ve Ant Group tarafından geliştirilen, Ling-3.0-flash muhakeme ailesi üzerine kurulu açık ağırlıklı bir görüntü-dil modeli. Teknik açıdan en dikkat çekici tarafı, seyrek uzman karışımı (Mixture of Experts / MoE) mimarisi: Modelin toplamda 124 milyar parametresi var, ancak her token işlenirken yaklaşık 5,5 milyar parametre etkinleşiyor. Amaç, çok büyük bir modelin kapasitesini korurken token başına hesaplama yükünü aynı büyüklükteki yoğun bir modele göre azaltmak. 312

Fakat modeli asıl ayıran iddia, bir görsel ajan olarak tasarlanması. Ling-3.0-flash-VL yalnızca bir görseli tanımlayıp soruyu yanıtlamayı hedeflemiyor; ekranı ya da belgeyi inceleyebiliyor, haricî bir araç üzerinden eylem gerçekleştirebiliyor, yeni görsel durumu tekrar denetleyebiliyor ve gerekirse sonraki adımını düzeltebiliyor. Ant Group bu yaklaşımı görsel geri bildirimli kapalı döngü olarak tanımlıyor. 12

Model hangi girdileri alabiliyor?

Ling-3.0-flash-VL; metin, görsel ve video girdilerini kabul ediyor, çıktıyı metin olarak üretiyor. Bildirilen bağlam penceresi 256K token seviyesinde. Bu kapasite; uzun belgeler, uzatılmış çoklu ortam sohbetleri ve işlem geçmişini koruması gereken ajan iş akışları için tasarlanmış durumda. 34

Mevcut teknik açıklamalarda, Kimi Delta Attention ile kapılı çok başlı gizil dikkat (gated multi-head latent attention) katmanlarını birleştiren hibrit bir omurgadan söz ediliyor. Video tarafında ise kareler arasındaki zamansal bilgiyi korumayı amaçlayan VideoRoPE konumsal kodlaması kullanılıyor. 16

Bu ayrıntı önemli: Geliştiriciler, görsel içeriği metin modeline sonradan eklenen bir özellik olarak değil, muhakeme akışının parçası olarak konumlandırıyor. Modelin “yerleşik çoklu ortamlı” (native multimodal) olarak tanıtılmasının temelinde de bu var. 112

124 milyar parametre, her token’da 124 milyar parametrenin çalıştığı anlamına gelmiyor

MoE modellerinde, farklı görevlerde uzmanlaşmış çok sayıda parametre grubu bulunur. Bir yönlendirme mekanizması, her token için bunların yalnızca bir bölümünü seçer. Ling-3.0-flash-VL için bildirilen değerler 124 milyar toplam parametre ve token başına yaklaşık 5,5 milyar etkin parametre şeklinde. 312

Bu ayrım pratikte şunu ifade ediyor:

• Toplam parametre, modelin depoladığı genel kapasiteyi gösterir.
• Etkin parametre, bir token’ın ileri besleme hesabında kullanılan işlem yüküne daha yakındır.

Bu, altyapı ihtiyacını önemsiz hâle getirmiyor. Büyük açık ağırlıkları barındırmak hâlâ ciddi bellek, donanım ve sistem mühendisliği gerektirir. Ancak toplam parametre sayısına rağmen modelin neden “flash” sınıfında konumlandırıldığını açıklıyor. 35

Temel fark: Görsel geri bildirim döngüsü

Klasik bir görüntü-dil sistemi tek seferlik işlerde yararlı olabilir: Bir fotoğrafı açıklamak, fişteki metni çıkarmak veya grafiğe dair soru yanıtlamak gibi. Ling-3.0-flash-VL ise daha uzun bir döngüyü hedefliyor:

1. Gözlemle: Ekranı, görseli, tarayıcıda oluşturulmuş sayfayı veya belgeyi incele.
2. Eyleme geç: Bağlı araç ya da arayüz üzerinden işlem yap.
3. Doğrula: Görsel sonucu görev hedefiyle karşılaştır.
4. Düzelt: Sonuç yanlış veya eksikse bir sonraki eylemi değiştir. 12

Bu tasarım, özellikle grafik kullanıcı arayüzü (GUI) otomasyonu ve görsel yazılım görevleri için anlam taşıyor. Örneğin model bir arayüzün mevcut durumunu inceleyip işlem seçebilir, değişen ekranı yeniden değerlendirebilir ve hedefe ulaşıp ulaşmadığına karar verebilir. Bununla birlikte model tek başına tarayıcının, araç izinlerinin veya iş akışı güvenlik sınırlarının yerine geçmez; fiilen neler yapabileceğini bu çevre sistemler belirler.

Ant Group ve ilgili haberlerde hedef kullanım alanları arasında ön yüz üretimi, GUI otomasyonu ve tıbbi rapor yorumlama sayılıyor. 12 Tıbbi rapor yorumlamayı, otonom klinik güvenilirlik ya da güvenlik kanıtı olarak değil, insan denetimli yardımcı iş akışı örneği olarak değerlendirmek gerekir.

Ağırlıklar ve sunum seçenekleri

Model ağırlıkları MIT lisansıyla yayımlandı. BF16 ve FP8 sürümlerinin mevcut olduğu bildirildi; ilk dönem haberlerinde FP4 ve INT4 derlemelerinin de planlandığı veya yakında sunulacağı belirtildi. 34

Sunum için SGLang ile Ling’e uyarlanmış bir vLLM yolu anılıyor. 34 Ancak bunlar üretim ortamı için otomatik uyumluluk garantisi değil, başlangıç noktası olarak görülmeli. Operatörlerin kullanacakları model revizyonu, nicemleme biçimi, çoklu ortam ön işleme yöntemi, bağlam uzunluğu, donanım ve çerçeve sürümünü kendi ortamlarında test etmesi gerekir.

Kıyaslama sonuçları nasıl okunmalı?

Haberlerde Artificial Analysis Intelligence Index için iki farklı değer yer alıyor:

• Erken dönem kapsamda, v4.1.1’de 42 puan ve metin odaklı Ling-3.0-flash’ın 38 puanına göre dört puanlık artış bildirildi. 4
• Daha sonraki kapsamda ise v4.3’te 25 puan verildi; modelin etkin parametre sayısına karşı yetenek eğrisinde öne çıktığı ifade edildi. 35

Endeksin sürümü değiştiği için bu sonuçlar çelişkili olmak zorunda değil. Ancak aynı ölçekte alınmış puanlarmış gibi doğrudan karşılaştırılmamalılar. Bu verilerden çıkarılabilecek daha sınırlı sonuç, modelin etkin parametre sayısına kıyasla rekabetçi bir verimlilik iddiası taşıdığıdır. Bu durum, modelin her ajan tabanlı, üretim veya klinik iş akışında güvenilir olacağını tek başına göstermez. 34

Ling-3.0-flash-VL’yi önemli kılan ne?

Önemli olan yalnızca Ling ailesine görsel ve video girdisinin eklenmiş olması değil. Ling-3.0-flash-VL, Ling serisinde görüşü yinelemeli planlama, eylem, görsel kontrol ve düzeltme döngüsüne dahil eden ilk açık model olarak sunuluyor. Seyrek MoE yapısı da bu çoklu ortamlı ajan yaklaşımını, benzer ölçekli yoğun modellere göre daha düşük hesaplama maliyetiyle mümkün kılmayı hedefliyor. 312

Geliştiriciler açısından en inandırıcı senaryo; görsel kanıtın önemli olduğu, araç eylemlerinin sınırlandığı ve her adımın doğrulanabildiği iş akışlarıdır. Örneğin oluşturulmuş bir web sayfasını tasarım referansıyla karşılaştırmak, denetimli bir arayüzde gezinmek veya belgeler arasında bilgi çıkarıp çapraz kontrol yapmak. Demo ve üretici tarafından bildirilen değerlendirmeler olumlu sinyaller veriyor; ancak güvenilir kullanım için göreve özel testler, izin denetimleri, hata yönetimi ve insan gözetimi şart olmaya devam ediyor.