蚂蚁百灵系列首个原生多模态模型 Ling-3.0-flash-VL 发布开源，引入视觉反馈闭环机制

9 月 9 日消息，蚂蚁集团今日宣布推出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（混合专家）架构拓展，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。

模型围绕“更可靠、更高效完成真实任务”的方向，引入了视觉反馈闭环机制。不同于一次性的“看图生成”，该机制将任务推进为“观察 → 行动 → 验证 → 修正”的持续闭环，使模型在医疗报告解读、前端代码生成及 GUI 自动化等场景中能够基于视觉反馈持续修正执行结果。

在训练层面，蚂蚁集团表示，通过原生多模态联合训练，视觉信息的引入对模型的文本能力带来了正向提升。在 Artificial Analysis Intelligence Index v4.1.1 评估中，Ling-3.0-flash-VL 较纯文本版本（Ling-3.0-Flash）提升了 4 分。

在实际应用测试中，该模型在图片转网页任务中可理解布局与组件关系并生成代码，且能通过渲染结果对比进行自我修正。在 Image-to-WebDev Arena 官方评测中，模型（代号 linthium）的评测得分高于 GPT-5.4。作为 GUI Agent 时，模型可识别界面结构并完成跨工具操作；在医疗报告解读场景中，模型支持跨文档数据整合与风险标识。

Ling-3.0-flash-VL 引入了任意分辨率视觉编码器与 VideoRoPE，语言主干沿用 42 层混合架构（注：交替排列 KDA 与 Gated MLA，比例 5:1），在 124B 总参数下单次推理仅激活 5.5B 参数。在实时视频对话、多轮视觉交互及长时任务中可保持低延迟响应，其 256K 上下文窗口支持长文档与长视频分析。

目前，Ling-3.0-flash-VL 已在 Ling Studio 上线并提供免费体验。模型的 BF16 和 FP8 版本已在 Hugging Face 及 ModelScope 平台开源，FP4 和 INT4 版本计划于近期发布。