Ling-3.0-flash-VL Inafanya kazi

Ling-3.0-flash-VL ni modeli kubwa ya kwanza ya asili ya multimodali iliyotolewa kama chanzo huria katika mfululizo wa Bailing wa Ant Group InclusionAI. Imeendelezwa kutoka kwa usanifu wa MoE wa Ling-3.0-flash, ikiwa na jumla ya vigezo 124B na kuwezesha 5.5B pekee kwa kila uelekezaji. Inaauni asili ingizo la picha, maandishi na video, huku dirisha la muktadha likifikia Token 256K. Ling-3.0-flash-VL huwezesha modeli kuchunguza, kuchukua hatua na kuthibitisha au kurekebisha matokeo kama binadamu, na kubadilisha kazi kutoka uzalishaji wa mara moja kuwa uwasilishaji endelevu unaotegemeka.

Mwingiliano wa kuona wa wakati halisi: Fungua kamera, zungumza huku ikiangalia, tambua mimea na wanyama, alama maarufu na aina za magari, na utafsiri alama za lugha za kigeni papo hapo.
Upangaji wa programu kwa mrejesho wa kuona: Tengeneza msimbo wa mbele kulingana na picha ya skrini ya ukurasa wa wavuti, kisha ulinganishe na matokeo ya uonyeshaji na kujirekebisha ili kuiga ukurasa.
GUI Agent: Tambua muundo wa kiolesura na hali ya uendeshaji, kisha kamilisha kazi katika zana mbalimbali, kama vile kutafuta data ya wavuti, kupanga Excel na kutengeneza chati.
Ufafanuzi wa ripoti za matibabu: Toa viashiria vya vipimo vya damu, biokemia na picha za kimatibabu kutoka ripoti mbalimbali, na uonyeshe hatari za kiafya kwa taa nyekundu, njano na kijani.
Mshirika wa kujifunza wa wakati halisi: Tambua fomula na maandishi ubaoni katika video za masomo, jibu maswali papo hapo na utengeneze mazoezi.
Uhariri wa vivutio vya video ndefu: Tekeleza “tafuta→kata→thibitisha→rekebisha” kwenye video za michezo zenye urefu wa saa kadhaa, na utengeneze mkusanyiko wa vivutio kiotomatiki.

Fuata akaunti ya WeChat na ujibu “开源” ili ujiunge na kikundi cha mawasiliano cha miradi ya AI ya chanzo huria
Usanifu wa MoE wenye ufanisi na uchache wa kompyuta: Modeli imeendelezwa kutoka Ling-3.0-flash, ikiwa na jumla ya vigezo 124B, huku kila uelekezaji ukiwezesha vigezo 5.5B pekee. Hii hupunguza kwa kiasi kikubwa gharama ya kompyuta bila kupunguza uwezo, na kuifanya ifae kama nodi ya utekelezaji wa mara kwa mara katika mtiririko wa Agent.
Mafunzo ya pamoja ya asili ya multimodali: Picha, maandishi na video huboreshwa kwa pamoja katika mafunzo yale yale, badala ya kufundisha maandishi kwanza kisha kuongeza moduli ya kuona. Uzoefu wa vitendo unaonyesha kuwa kuingizwa kwa taarifa za kuona hakupunguzi uwezo wa maandishi; badala yake, huongeza alama kwa 4 kwenye Artificial Analysis Intelligence Index.
Usimbaji wa kuona wa azimio lolote na VideoRoPE: Huunganisha kisimbaji cha kuona cha azimio lolote ili kushughulikia ingizo la picha na maandishi la ukubwa tofauti, pamoja na usimbaji wa nafasi wa VideoRoPE ili kuelewa video asilia bila kugawanya video kuwa mfululizo wa fremu za picha.
Msingi mseto wa lugha wa KDA na Gated MLA: Sehemu ya lugha hutumia usanifu mseto wa tabaka 42, ambapo utaratibu wa umakini wa mstari wa KDA na MLA yenye lango hupangwa kwa uwiano wa 5:1. Hii huunganisha ufanisi wa muktadha mrefu na usahihi wa uundaji wa modeli, na kuunga mkono dirisha la muktadha la Token 256K.
Utaratibu wa mzunguko wa mrejesho wa kuona: Modeli hutumia mzunguko wa “chunguza→chukua hatua→thibitisha→rekebisha”, na kubadilisha kazi kutoka uzalishaji wa mara moja kuwa marudio mengi. Kwanza huelewa taarifa za kuona na kuchukua hatua, kisha huchunguza matokeo na kuyalinganisha na lengo, na kurekebisha mkakati inapogundua tofauti, hivyo kuhakikisha matokeo ya uwasilishaji yanaaminika na yanaweza kuthibitishwa.

Matumizi ya mtandaoni: Fungua tovuti rasmi: tembelea tovuti rasmi ya Ling Studio https://chat.ant-ling.com/chat.
Matumizi bila malipo: Kwa sasa iko katika kipindi cha matumizi ya bila malipo; baada ya kuingia unaweza kuanza mazungumzo moja kwa moja.
Pakia nyenzo: Weka maelekezo ya maandishi, na pia unaweza kupakia picha au video kwa mwingiliano wa multimodali.
Jaribu hali mbalimbali: Unaweza kujaribu uwezo kama kuiga ukurasa kutoka picha ya skrini, kuuliza maswali kuhusu video na kutambua vitu kwa picha.
Usambazaji wa ndani: Pakua modeli: Pata uzani wa chanzo huria kutoka Hugging Face au ModelScope. Toleo la BF16 na FP8 linapatikana; matoleo ya FP4/INT4 yatatolewa hivi karibuni.
Andaa mazingira: Sanidi mazingira ya uelekezaji yanayounga mkono ukubwa huu wa vigezo.
Pakia kwa uelekezaji: Tumia mfumo maarufu wa uelekezaji kupakia modeli. Inaunga mkono asili ingizo la picha, maandishi na video, huku muktadha ukipanuliwa hadi Token 256K.
Unganisha kwenye mtiririko wa kazi: Itumie kupitia API kama nodi ya utekelezaji ya Agent wa kuona, na uiunganishe katika mtiririko wa kazi wa marudio mengi wa “chunguza→chukua hatua→thibitisha→rekebisha”.

Multimodali huimarisha maandishi: Mafunzo ya pamoja ya asili ya multimodali hayajadhoofisha uwezo wa maandishi; badala yake, yameongeza alama kwa 4 kwenye Artificial Analysis Intelligence Index ikilinganishwa na toleo la maandishi pekee.
Mzunguko wa mrejesho wa kuona: Kupitia utaratibu wa marudio wa “chunguza→chukua hatua→thibitisha→rekebisha”, kazi hubadilishwa kutoka uzalishaji wa mara moja kuwa uwasilishaji endelevu unaotegemeka na unaoweza kuthibitishwa.
Ufanisi wa juu wa uelekezaji: Kati ya jumla ya vigezo 124B, kila uelekezaji huwezesha 5.5B pekee, hivyo kupunguza kwa kiasi kikubwa gharama ya kompyuta na Token, na kufaa kwa miito mingi ya mizunguko kadhaa.
Muktadha mrefu kupita kawaida: Inaunga mkono asili Token 256K, na inaweza kushughulikia kwa urahisi uchanganuzi wa nyaraka ndefu, uchanganuzi wa video ndefu na kumbukumbu ya awali ya Agent wa hatua nyingi.
Ingizo la asili la aina zote: Kisimbaji cha kuona cha azimio lolote na VideoRoPE huruhusu uchakataji wa asili wa picha, maandishi na video bila kugawanya video kuwa fremu.
Matokeo bora ya majaribio: Katika tathmini ya Image-to-WebDev Arena, imepata alama ya juu kuliko GPT-5.4 ikiwa na ukubwa wa vigezo vilivyoamilishwa wa 5.5B.

Maktaba ya modeli ya HuggingFace: https://huggingface.co/inclusionAI/Ling-3.0-flash-VL
https://huggingface.co/inclusionAI/Ling-3.0-flash-VL-fp8

Uendelezaji wa mbele na uigaji wa kurasa za wavuti: Tengeneza msimbo wa ukurasa wa wavuti unaoweza kuendeshwa kutoka picha ya skrini ya muundo, kisha ujirekebishe kwa kuendelea kupitia ulinganishaji wa uonyeshaji.
Uendeshaji wa kiotomatiki wa GUI: Tekeleza kazi katika programu mbalimbali, kama vile kukusanya data ya wavuti, kuipanga katika Excel na kutengeneza chati kiotomatiki.
Msaada wa kufafanua ripoti za matibabu: Unganisha ripoti za damu, biokemia na picha za kimatibabu, toa viashiria visivyo vya kawaida na uonyeshe hatari za kiafya kwa viwango vya taa nyekundu, njano na kijani.
Mshirika wa kujifunza katika elimu mtandaoni: Unapotazama video za masomo, eleza fomula na maandishi ubaoni kwa kuzingatia picha, jibu maswali papo hapo na utengeneze mazoezi yanayohusiana na hoja za maarifa.
Uhariri wa vivutio vya mashindano ya michezo: Tekeleza “tafuta→kata→thibitisha→rekebisha” kwenye video ndefu za mashindano zenye urefu wa saa kadhaa, na utengeneze mkusanyiko laini wa matukio bora kiotomatiki.