Ling-3.0-flash-VL آپریشن میں

Ling-3.0-flash-VL، Ant Group کے InclusionAI بائی لنگ سلسلے کا پہلا اوپن سورس مقامی ملٹی موڈل بڑا ماڈل ہے۔ یہ Ling-3.0-flash کے MoE آرکیٹیکچر کی توسیع پر مبنی ہے، جس کے کل پیرامیٹرز 124B ہیں اور ہر推理 میں صرف 5.5B فعال ہوتے ہیں۔ یہ مقامی طور پر تصویر، متن اور ویڈیو ان پٹ کو سپورٹ کرتا ہے، جبکہ کانٹیکسٹ ونڈو 256K Token تک ہے۔ Ling-3.0-flash-VL ماڈل کو انسانوں کی طرح بیک وقت مشاہدہ، عمل اور تصدیق و اصلاح کرنے کے قابل بناتا ہے، جس سے کام ایک بار کی تخلیق سے قابلِ اعتماد مسلسل فراہمی میں بدل جاتا ہے۔

ریئل ٹائم بصری تعامل: کیمرہ کھول کر دیکھتے ہوئے گفتگو کریں، پودوں اور جانوروں، مشہور مقامات اور گاڑیوں کے ماڈلز کو شناخت کریں اور غیر ملکی علامات کا فوری ترجمہ کریں۔
بصری فیڈبیک پروگرامنگ: ویب صفحے کے اسکرین شاٹ سے فرنٹ اینڈ کوڈ تیار کریں، پھر رینڈر شدہ نتیجے سے موازنہ کرکے خود اصلاح کریں اور ویب صفحے کی نقل تیار کریں۔
GUI Agent: انٹرفیس کی ساخت اور آپریشن کی حالت کو شناخت کرکے مختلف ٹولز میں کام مکمل کریں، مثلاً ویب ڈیٹا تلاش کرنا، Excel منظم کرنا اور چارٹ بنانا۔
طبی رپورٹس کی تشریح: خون کے معمول کے ٹیسٹ، بایوکیمسٹری اور امیجنگ سمیت مختلف صفحات اور ادوار کے اشاریے اخذ کرکے صحت کے خطرات کو سرخ، پیلے اور سبز اشاروں سے دکھائیں۔
ریئل ٹائم مطالعاتی ساتھی: کورس ویڈیو میں منظر کے ساتھ فارمولوں اور تختۂ تحریر کو شناخت کریں، فوری سوالات کے جواب دیں اور مشقیں تیار کریں۔
طویل ویڈیو کے بہترین لمحات کی تدوین: گھنٹوں پر محیط کھیلوں کی ویڈیو پر ”تلاش→کٹائی→تصدیق→اصلاح“ انجام دے کر خودکار طور پر بہترین لمحات کا مجموعہ بنائیں۔

WeChat پر فالو کرکے ”اوپن سورس“ کا جواب دیں اور AI اوپن سورس پروجیکٹ گروپ میں شامل ہوں
MoE کا مؤثر sparse آرکیٹیکچر: ماڈل Ling-3.0-flash کی توسیع پر مبنی ہے۔ کل پیرامیٹرز 124B ہیں، جبکہ ہر推理 میں صرف 5.5B پیرامیٹرز فعال ہوتے ہیں۔ صلاحیت برقرار رکھتے ہوئے حسابی لاگت میں نمایاں کمی آتی ہے، اس لیے یہ Agent ورک فلو میں کثرت سے چلنے والے نوڈ کے طور پر موزوں ہے۔
مقامی ملٹی موڈل مشترکہ تربیت: تصویر، متن اور ویڈیو کو ایک ہی تربیتی عمل میں مشترکہ طور پر بہتر کیا جاتا ہے، نہ کہ پہلے متن کی تربیت کرکے بعد میں بصری ماڈیول شامل کیا جائے۔ عملی نتائج سے ثابت ہوا ہے کہ بصری معلومات شامل کرنے سے متنی صلاحیت کم نہیں ہوئی، بلکہ Artificial Analysis Intelligence Index پر 4 پوائنٹس کا اضافہ ہوا۔
من مانی ریزولوشن بصری انکوڈنگ اور VideoRoPE: مختلف سائز کے تصویری اور متنی ان پٹ کو سنبھالنے کے لیے من مانی ریزولوشن والا بصری انکوڈر متعارف کرایا گیا ہے۔ VideoRoPE پوزیشنل انکوڈنگ کے ساتھ یہ مقامی ویڈیو کو سمجھ سکتا ہے، اور ویڈیو کو فریموں میں تقسیم کرکے تصویری سلسلے میں تبدیل کرنے کی ضرورت نہیں۔
KDA اور Gated MLA کا مخلوط لسانی بنیادی ڈھانچہ: لسانی حصے میں 42 تہوں والا مخلوط آرکیٹیکچر برقرار رکھا گیا ہے، جس میں KDA لکیری توجہ کے طریقۂ کار اور gated MLA کو 5:1 کے تناسب سے باری باری ترتیب دیا گیا ہے۔ یہ طویل کانٹیکسٹ کی کارکردگی اور ماڈلنگ کی درستگی میں توازن پیدا کرتا ہے اور 256K Token کی کانٹیکسٹ ونڈو کو سپورٹ کرتا ہے۔
بصری فیڈبیک کا بند چکر: ماڈل ”مشاہدہ→عمل→تصدیق→اصلاح“ کے چکر پر مبنی عمل درآمد کا طریقہ اپناتا ہے، جس سے کام ایک بار کی تخلیق کے بجائے متعدد تکرار میں بدل جاتا ہے: پہلے بصری معلومات کو سمجھ کر عمل کیا جاتا ہے، پھر نتیجے کا مشاہدہ کرکے ہدف سے موازنہ کیا جاتا ہے، انحراف ملنے پر حکمتِ عملی درست کی جاتی ہے، تاکہ فراہم کردہ نتیجہ قابلِ اعتماد اور قابلِ تصدیق ہو۔

آن لائن آزمائش: ویب سائٹ کھولیں: Ling Studio کی ویب سائٹ https://chat.ant-ling.com/chat ملاحظہ کریں۔
مفت استعمال: فی الحال مفت آزمائش کا مرحلہ جاری ہے، لاگ اِن کے بعد براہِ راست گفتگو کی جا سکتی ہے۔
مواد اپ لوڈ کریں: متنی ہدایت درج کریں اور بیک وقت تصویر یا ویڈیو اپ لوڈ کرکے ملٹی موڈل تعامل کریں۔
مناظر آزمائیں: ویب صفحے کے اسکرین شاٹ کی نقل، ویڈیو سے سوالات اور تصویر کھینچ کر شناخت جیسی عام صلاحیتیں آزمائی جا سکتی ہیں۔
مقامی تنصیب: ماڈل ڈاؤن لوڈ کریں: Hugging Face یا ModelScope سے اوپن سورس weights حاصل کریں۔ BF16 اور FP8 ورژن دستیاب ہیں، جبکہ FP4/INT4 ورژن جلد جاری ہوں گے۔
ماحول تیار کریں: اس پیرامیٹر پیمانے کو سپورٹ کرنے والا推理 ماحول ترتیب دیں۔
推理 لوڈ کریں: معروف推理 فریم ورک سے ماڈل لوڈ کریں۔ یہ مقامی طور پر تصویر، متن اور ویڈیو ان پٹ کو سپورٹ کرتا ہے، جبکہ کانٹیکسٹ کو 256K Token تک بڑھایا جا سکتا ہے۔
ورک فلو میں شامل کریں: API کے ذریعے اسے بصری Agent کے عمل درآمد نوڈ کے طور پر استعمال کریں اور ”مشاہدہ→عمل→تصدیق→اصلاح“ کے متعدد مرحلوں والے کام کے عمل میں شامل کریں۔

ملٹی موڈل صلاحیت سے متن کو تقویت: مقامی ملٹی موڈل مشترکہ تربیت نے متنی صلاحیت کو کم نہیں کیا، بلکہ Artificial Analysis Intelligence Index پر خالص متنی ورژن کے مقابلے میں 4 پوائنٹس کا اضافہ کیا۔
بصری فیڈبیک کا بند چکر: ”مشاہدہ→عمل→تصدیق→اصلاح“ کے تکراری طریقۂ کار سے کام ایک بار کی تخلیق سے قابلِ اعتماد اور قابلِ تصدیق مسلسل فراہمی میں بدل جاتا ہے۔
انتہائی مؤثر推理: 124B کل پیرامیٹرز کے باوجود ہر推理 میں صرف 5.5B فعال ہوتے ہیں، جس سے حسابی اور Token لاگت نمایاں طور پر کم ہوتی ہے، اور یہ کثرت سے ہونے والی متعدد مرحلوں کی کالز کے لیے موزوں ہے۔
انتہائی طویل کانٹیکسٹ: مقامی طور پر 256K Token کو سپورٹ کرتا ہے، اس لیے طویل دستاویزات کے تجزیے، طویل ویڈیوز کی جانچ اور متعدد مراحل والے Agent کی سابقہ یادداشت کو باآسانی سنبھالتا ہے۔
تمام موڈلز کے لیے مقامی ان پٹ: من مانی ریزولوشن والا بصری انکوڈر اور VideoRoPE متعارف کرائے گئے ہیں، جو تصویر، متن اور ویڈیو کو مقامی طور پر پراسیس کرتے ہیں، اور فریموں میں تقسیم کرنے کی ضرورت نہیں۔
حقیقی ٹیسٹ کے نمایاں نتائج: Image-to-WebDev Arena کی جانچ میں 5.5B فعال پیرامیٹرز کے پیمانے پر GPT-5.4 سے زیادہ اسکور حاصل کیا۔

HuggingFace ماڈل لائبریری: https://huggingface.co/inclusionAI/Ling-3.0-flash-VL
https://huggingface.co/inclusionAI/Ling-3.0-flash-VL-fp8

فرنٹ اینڈ ڈویلپمنٹ اور ویب نقل: ڈیزائن کے اسکرین شاٹ سے قابلِ اجرا ویب کوڈ تیار کریں اور رینڈرنگ کے موازنے کے ذریعے مسلسل خود اصلاح کریں۔
GUI خودکار دفتری کام: مختلف سافٹ ویئرز میں کام مکمل کریں، مثلاً ویب ڈیٹا حاصل کرنا، اسے Excel میں منظم کرنا اور خودکار طور پر چارٹ بنانا۔
طبی رپورٹس کی معاون تشریح: خون کے معمول کے ٹیسٹ، بایوکیمسٹری اور امیجنگ سمیت متعدد رپورٹس کو یکجا کرکے غیر معمولی اشاریے اخذ کریں اور صحت کے خطرات کو سرخ، پیلے اور سبز اشاروں سے درجہ بند کرکے دکھائیں۔
آن لائن تعلیم کا مطالعاتی ساتھی: کورس ویڈیو دیکھتے وقت منظر کے ساتھ فارمولوں اور تختۂ تحریر کی وضاحت کریں، فوری سوالات کے جواب دیں اور نکاتِ علم کے گرد مشقیں تیار کریں۔
کھیلوں کے مقابلوں کے بہترین لمحات کی تدوین: گھنٹوں پر محیط مقابلے کی ویڈیو پر ”تلاش→کٹائی→تصدیق→اصلاح“ انجام دے کر خودکار طور پر ہموار اور شاندار بہترین لمحات کا مجموعہ بنائیں۔