Ling-3.0-flash-VL：螞蟻集團 124B 開源視覺 Agent 模型解讀

Ling-3.0-flash-VL 係 inclusionAI／螞蟻集團推出嘅開放權重視覺語言模型，建基於 Ling-3.0-flash 推理模型系列。最矚目嘅技術規格係稀疏專家混合（Mixture-of-Experts，MoE）架構：模型合共有 1,240 億個參數，但每處理一個 token，大約只會啟用 55 億個參數。目標係保留大型模型嘅容量，同時將每 token 所需運算，壓低至遠低於同樣有 1,240 億參數嘅稠密模型。 312

不過，真正令佢同一般「識睇圖」模型拉開距離嘅，係其定位為 視覺 Agent。佢唔係將圖片當成一次性輸入，答完「張相有咩」就完；而係設計成可以喺整個任務過程持續利用視覺資訊：先睇螢幕或文件、再透過外部工具採取行動、之後重新檢查畫面狀態，必要時改正下一步。螞蟻集團將呢種流程稱為「視覺回饋閉環」。 12

可以處理咩輸入？

Ling-3.0-flash-VL 支援 文字、圖像同影片輸入，輸出則為文字。官方及相關報道列出嘅上下文視窗最高為 256K token，即係理論上可保留好長嘅文件內容、多輪多模態對話，或者 Agent 任務中大量前序紀錄。 34

架構方面，報道形容佢採用混合式設計，結合 Kimi Delta Attention 同 gated multi-head latent attention 層；處理影片時會用 VideoRoPE 位置編碼，目標係保留不同影格之間嘅時間資訊。 16

呢個設計背後嘅重點係：開發團隊將視覺內容放入推理流程之中，而唔係喺純文字模型最後先加一個附屬功能。呢個亦係佢自稱「原生多模態」嘅基礎。 112

124B 總參數，唔代表每個 token 都會用盡 124B

MoE 模型入面有多組專門化參數，通常叫做「專家」。路由機制會按當前 token，揀選其中一部分專家參與運算。Ling-3.0-flash-VL 據報有 124B 總參數，但每個 token 約只啟用 5.5B 參數。 312

兩個數字可以咁理解：

• 總參數：模型儲存咗幾大嘅整體能力池。
• 啟用參數：較接近模型處理一個 token 時，實際會經過幾多運算。

呢個唔代表部署會變得輕鬆——託管大型開放權重仍然要大量記憶體同仔細嘅系統工程——但就解釋咗點解一個 124B 模型仍會被定位為「flash」級：每次推理唔需要動用全部參數。 35

最大分別：視覺回饋，而唔係一問一答睇圖

傳統視覺語言系統好適合一次性任務，例如描述相片、從收據擷取文字，或者回答圖表問題。Ling-3.0-flash-VL 想處理嘅就係較長嘅循環：

1. 觀察：睇螢幕、圖像、已渲染網頁或者文件。
2. 行動：透過連接嘅工具或介面做操作。
3. 核實：用畫面結果對照任務目標。
4. 修正：如果做錯或未完成，再調整下一步。 12

呢種做法尤其適合 GUI 自動化同視覺化軟件工作。例如模型可以先讀取目前介面狀態、選擇一個操作、再睇更新後嘅畫面，判斷有冇到達目標狀態。

當然，模型本身唔會取代瀏覽器、工具權限或者工作流程嘅安全限制；佢實際可以做到幾多，取決於外圍系統畀咗咩工具同權限。

螞蟻集團及相關報道提到嘅目標應用包括前端生成、GUI 自動化同醫療報告解讀。 12 不過，醫療報告解讀應理解為輔助工作流程，唔代表模型已被證明可自主作出可靠或安全嘅臨床判斷。

權重版本與部署選項

模型以 MIT 授權釋出開放權重；報道指已有 BF16 同 FP8 權重版本，而 FP4 及 INT4 版本則在早期消息中被列為計劃推出或即將推出。 34

部署方面，報道提及支援 SGLang，以及經 Ling 調校嘅 vLLM 路徑。 34 但對生產環境而言，呢啲資料只可以當作起步參考：營運團隊仍應按實際使用嘅模型修訂版、量化格式、多模態預處理、上下文長度、硬件同框架版本逐一測試。

點樣睇基準測試分數？

報道中出現咗兩個 Artificial Analysis Intelligence Index 分數：

• 早期報道指模型喺 v4.1.1 得 42 分，相比純文字 Ling-3.0-flash 嘅 38 分高 4 分。 4
• 較後報道則指模型喺 v4.3 得 25 分，並形容佢位於「智能表現對啟用參數量」嘅前沿位置。 35

呢兩個數字未必互相矛盾，因為指數版本已經改動；但絕對唔可以當成同一份試卷、同一條量尺去直接比較。較穩妥嘅結論係：按已報道資料，模型相對於其啟用參數量，展示出有競爭力嘅效率；但單憑呢啲指標，唔足以證明佢喺所有 Agent、生產環境或醫療流程都可靠。 34

點解 Ling-3.0-flash-VL 值得留意？

重點唔係 Ling 系列多咗圖像同影片輸入咁簡單。Ling-3.0-flash-VL 被定位為 Ling 系列首個將視覺融入反覆規劃、行動、畫面核實同修正嘅開放模型；其稀疏 MoE 設計，則希望令呢種多模態 Agent 工作方式，比同等總參數規模嘅稠密模型更節省每 token 運算。 312

對開發者嚟講，最有說服力嘅用途會係受限制、可核驗嘅工作流程：例如比對已渲染網頁同設計稿、導航一個受控介面，或者從多份文件抽取資料後交叉核對。模型示範同供應商報告嘅評測可以視為正面訊號，但真正可靠落地，仍然有賴任務專屬評估、權限控制、錯誤處理同人手監督。