Ling-3.2-flash Faoliyat yuritmoqda

Ling-3.2-flash — Ant Group’ning Ling jamoasi tomonidan ishlab chiqilgan eng yangi native multimodal katta modeli bo‘lib, MoE arxitekturasidan foydalanadi. Umumiy parametrlar soni 560B, har bir qadamda atigi taxminan 25B parametr faollashadi, kontekst oynasi 1M gacha yetadi va tasvir, matn hamda video kiritmalarini native qo‘llab-quvvatlaydi. Model murakkab vizual tushunish, multimodal uzoq muddatli Agent, 3D tushunish va o‘zaro ta’sir, shuningdek, tibbiy multimodal imkoniyatlarni kuchaytirishga e’tibor qaratadi. Rasmiy ichki testlarga ko‘ra, u uchta benchmarkda Claude Opus 5’dan ustun natija ko‘rsatgan.

Murakkab vizual tushunish: tasvir va video mazmunini chuqur tushunib, vizual xulosa chiqarish va tahlil vazifalarini qo‘llab-quvvatlaydi.
Multimodal uzoq muddatli Agent: ko‘p bosqichli vazifalarda maqsadga muvofiqlikni saqlab, vizual va matnli ma’lumotlar asosida qaror qabul qiladi va amallarni bajaradi.
3D tushunish va o‘zaro ta’sir: uch o‘lchamli sahnalar hamda fazoviy munosabatlarni tahlil qilib, 3D bilan bog‘liq interaktiv vazifalarni qo‘llab-quvvatlaydi.
Tibbiy multimodal imkoniyatlar: tibbiy tasvirlarni tushunish va hisobotlarni sharhlashni qamrab olib, professional tibbiy tahlilga yordam beradi.
1M kontekstni qayta ishlash: uzun hujjatlar va videolarni tahlil qilishni qo‘llab-quvvatlab, uzun kontekstli foydalanish holatlariga moslashadi.

MoE aralash ekspertlar arxitekturasi: Ling-3.2-flash aralash ekspertlar arxitekturasidan foydalanadi. Umumiy parametrlar soni 560B, har bir qadamda atigi taxminan 25B parametr faollashadi. Har bir token faqat eng mos ekspert quyi tarmog‘iga yo‘naltiriladi. Shu tariqa katta hajmdagi bilimlarni saqlab qolgan holda, bir qadamlik hisoblash xarajati juda kichik ulushgacha kamaytiriladi. Bu model imkoniyatlari va xulosa chiqarish xarajati o‘rtasidagi muvozanatning asosiy mexanizmidir.
Native multimodal integratsiya: tashqi vizual modulga asoslangan yechimlardan farqli ravishda, ushbu model vizual va til qobiliyatlarini arxitektura darajasida birlashtiradi. Tasvir, matn va video xulosa chiqarishning asosiy kiritmalari sifatida ishlatiladi, bu esa yanada chuqurroq multimodal tushunishni ta’minlaydi. Aynan shu jihat uni “rasmga qarab gapirish” kabi yuzaki multimodallikdan ajratib turadi.
Uzun kontekstni modellashtirish: modelning kontekst oynasi 1M gacha yetadi va Ling 3.0 seriyasida joriy etilgan KDA’dan foydalanadi. Uzoq ketma-ketliklardagi xotirani yangilash va ma’lumotni saqlash kuchaytirilgan, shuning uchun maqsadli ma’lumot kontekstning boshida, o‘rtasida yoki oxirida joylashganidan qat’i nazar, barqaror qayta chaqiriladi va uzoq masofadagi ma’lumotlar sezilarli darajada susaymaydi.
Idrok-xulosa chiqarish-bajarish yopiq sikli: model multimodal idrok, chuqur xulosa chiqarish va avtonom bajarishni chambarchas birlashtiradi. Ling-3.0-flash-VL modelidagi “kuzatish → harakat → tekshirish → tuzatish” vizual fikr-mulohaza siklini davom ettirib, ko‘p bosqichli vazifalarni bajarishda oraliq natijalar asosida yo‘nalishni muntazam tuzatishi mumkin.

Platformaga kiring: Ant Group’ning Ling rasmiy veb-saytiga tashrif buyuring va Ling-3.2-flash suhbat sahifasiga kirib, undan bevosita onlayn foydalaning.
Kalit oling: platforma konsolida API kalitini yarating va undan chaqiruv ma’lumotlari sifatida foydalaning.
Chaqiruv yuboring: API orqali birinchi so‘rovni yuboring. Model OpenAI va Anthropic protokollariga mos keladi, shuning uchun mavjud kodingizga odatdagi usulda integratsiya qilishingiz mumkin.
Bepul muddatdan foydalaning: ishga tushirilgandan keyingi dastlabki ikki hafta davomida vaqtincha bepul foydalanish mumkin. To‘lovni baholashdan oldin bepul davrda to‘liq sinovdan o‘tkazing.
Kengaytirilgan imkoniyatlarni sinang: 1M uzun kontekst, tasvir/video kiritmalari va multimodal Agent vazifalari kabi ilg‘or funksiyalarni sinab ko‘ring.

Native multimodal tushunish: vizual va til qobiliyatlarini arxitektura darajasida birlashtiradi, tashqi vizual modulga tayanmaydi.
To‘rtta asosiy qobiliyat: murakkab vizual tushunish, multimodal uzoq muddatli Agent, 3D tushunish va o‘zaro ta’sir, tibbiy multimodal imkoniyatlar kuchaytirilgan; idrok, xulosa chiqarish va bajarish chambarchas birlashtirilgan.
Sig‘im va xarajat muvozanati: 560B model sig‘imini saqlagan holda, har bir qadamdagi faollashuvni taxminan 25B bilan cheklaydi va imkoniyatlar bilan xulosa chiqarish samaradorligini muvozanatlashtiradi.
1M kontekst oynasi: uzun hujjatlar va videolarni tahlil qilishni qo‘llab-quvvatlab, uzun kontekstli foydalanish holatlariga moslashadi.

Loyiha rasmiy sayti: https://developer.ant-ling.com/zh-CN/docs/models/ling/#ling-32-flash

Murakkab vizual tushunish: Ling-3.2-flash tasvir va video mazmunini chuqur tushunib, vizual xulosa chiqarish va tahlil vazifalarini qo‘llab-quvvatlaydi.
Multimodal uzoq muddatli Agent: model ko‘p bosqichli vazifalarda maqsadga muvofiqlikni saqlab, vizual va matnli ma’lumotlar asosida qaror qabul qiladi va amallarni bajaradi.
3D tushunish va o‘zaro ta’sir: model uch o‘lchamli sahnalar hamda fazoviy munosabatlarni tushunib, 3D bilan bog‘liq turli interaktiv vazifalarni qo‘llab-quvvatlaydi.
Tibbiy multimodal imkoniyatlar: model tibbiy tasvirlarni tushunishi va hisobotlarni sharhlashi, shifokorlarga professional tibbiy tahlilni amalga oshirishda yordam berishi mumkin.
Uzun hujjatlar va videolarni tahlil qilish: 1M kontekst oynasi yordamida model juda uzun hujjatlar va videolarni qayta ishlay oladi hamda uzun kontekstli foydalanish holatlari ehtiyojlarini qondiradi.