Ling-3.2-flash Đang hoạt động

Ling-3.2-flash là mô hình ngôn ngữ đa phương thức nguyên bản mới nhất do Ant Ling phát triển, sử dụng kiến trúc MoE với tổng cộng 560B tham số, chỉ kích hoạt khoảng 25B tham số mỗi bước, hỗ trợ cửa sổ ngữ cảnh lên đến 1M và nguyên bản hỗ trợ đầu vào hình ảnh, văn bản cùng video. Mô hình tập trung tăng cường bốn năng lực chính: hiểu thị giác phức tạp, Agent đa phương thức xử lý tác vụ dài hạn, hiểu và tương tác 3D, cùng đa phương thức y tế. Theo tự đánh giá chính thức, mô hình vượt qua Claude Opus 5 trên ba bộ tiêu chuẩn.

Hiểu thị giác phức tạp: Hiểu sâu nội dung hình ảnh và video, hỗ trợ các tác vụ suy luận và phân tích thị giác.
Agent đa phương thức xử lý tác vụ dài hạn: Duy trì mục tiêu nhất quán trong các tác vụ nhiều bước, hoàn thành việc ra quyết định và thực thi dựa trên thông tin thị giác và văn bản.
Hiểu và tương tác 3D: Phân tích cảnh ba chiều và các mối quan hệ không gian, hỗ trợ các tác vụ tương tác liên quan đến 3D.
Đa phương thức y tế: Bao quát việc hiểu hình ảnh y khoa và diễn giải báo cáo, hỗ trợ phân tích y tế chuyên môn.
Xử lý ngữ cảnh 1M: Hỗ trợ phân tích tài liệu dài và video dài, đáp ứng nhu cầu của các kịch bản ngữ cảnh dài.

Kiến trúc chuyên gia hỗn hợp MoE: Ling-3.2-flash sử dụng kiến trúc chuyên gia hỗn hợp, với tổng cộng 560B tham số và chỉ kích hoạt khoảng 25B tham số mỗi bước. Mỗi token chỉ được định tuyến đến mạng con chuyên gia phù hợp nhất, nhờ đó duy trì kho tri thức lớn đồng thời giảm chi phí tính toán mỗi bước xuống tỷ lệ rất nhỏ. Đây là cơ chế cốt lõi giúp mô hình cân bằng giữa năng lực và chi phí suy luận.
Tích hợp đa phương thức nguyên bản: Khác với các giải pháp gắn thêm mô-đun thị giác, mô hình này tích hợp năng lực thị giác và ngôn ngữ ngay từ cấp độ kiến trúc, sử dụng hình ảnh, văn bản và video làm đầu vào cơ bản cho suy luận, qua đó đạt được khả năng hiểu liên phương thức sâu hơn. Đây là điểm khác biệt cốt lõi so với kiểu đa phương thức nông dạng “nhìn ảnh rồi mô tả”.
Mô hình hóa ngữ cảnh dài: Mô hình có cửa sổ ngữ cảnh lên đến 1M và tiếp tục sử dụng KDA được giới thiệu trong dòng Ling 3.0 để tăng cường việc cập nhật ký ức và lưu giữ thông tin trong chuỗi dài. Nhờ đó, thông tin mục tiêu dù nằm ở đầu, giữa hay cuối ngữ cảnh đều có thể được truy hồi ổn định, không suy giảm đáng kể theo khoảng cách.
Vòng lặp khép kín cảm nhận-suy luận-thực thi: Mô hình kết hợp chặt chẽ cảm nhận đa phương thức, suy luận chuyên sâu và thực thi tự chủ, tiếp nối tư duy vòng lặp phản hồi thị giác “quan sát → hành động → xác minh → hiệu chỉnh” của Ling-3.0-flash-VL. Khi thực hiện các tác vụ nhiều bước, mô hình có thể liên tục điều chỉnh lộ trình dựa trên kết quả trung gian.

Truy cập nền tảng: Truy cập trang web chính thức của Ant Ling và mở trang trò chuyện Ling-3.2-flash để trải nghiệm trực tuyến ngay.
Lấy khóa: Tạo khóa API trong bảng điều khiển nền tảng để sử dụng làm thông tin xác thực khi gọi API.
Thực hiện cuộc gọi: Gửi yêu cầu đầu tiên thông qua API. Mô hình tương thích với giao thức OpenAI và Anthropic, cho phép tích hợp vào mã hiện có theo cách quen thuộc.
Tận dụng ưu đãi miễn phí: Hai tuần đầu sau khi ra mắt được miễn phí trong thời gian giới hạn. Có thể kiểm thử đầy đủ trong thời gian miễn phí trước khi đánh giá việc trả phí.
Khám phá năng lực nâng cao: Thử nghiệm thêm các tính năng nâng cao như ngữ cảnh dài 1M, đầu vào hình ảnh/video và các tác vụ Agent đa phương thức.

Hiểu đa phương thức nguyên bản: Tích hợp năng lực thị giác và ngôn ngữ ngay từ cấp độ kiến trúc, không phụ thuộc vào mô-đun thị giác gắn ngoài.
Bốn năng lực cốt lõi: Tập trung tăng cường khả năng hiểu thị giác phức tạp, Agent đa phương thức xử lý tác vụ dài hạn, hiểu và tương tác 3D, cùng đa phương thức y tế, kết hợp chặt chẽ cảm nhận, suy luận và thực thi.
Cân bằng giữa dung lượng và chi phí: Duy trì dung lượng mô hình 560B đồng thời giới hạn số tham số kích hoạt mỗi bước ở khoảng 25B, cân bằng giữa năng lực và hiệu quả suy luận.
Cửa sổ ngữ cảnh 1M: Hỗ trợ phân tích tài liệu dài và video dài, đáp ứng nhu cầu của các kịch bản ngữ cảnh dài.

Trang web dự án: https://developer.ant-ling.com/zh-CN/docs/models/ling/#ling-32-flash

Hiểu thị giác phức tạp: Ling-3.2-flash có thể hiểu sâu nội dung hình ảnh và video, hỗ trợ các tác vụ suy luận và phân tích thị giác.
Agent đa phương thức xử lý tác vụ dài hạn: Mô hình có thể duy trì mục tiêu nhất quán trong các tác vụ nhiều bước, hoàn thành việc ra quyết định và thực thi dựa trên thông tin thị giác và văn bản.
Hiểu và tương tác 3D: Mô hình có thể hiểu cảnh ba chiều và các mối quan hệ không gian, hỗ trợ nhiều loại tác vụ tương tác liên quan đến 3D.
Đa phương thức y tế: Mô hình có thể hiểu hình ảnh y khoa và diễn giải báo cáo, hỗ trợ bác sĩ thực hiện phân tích y tế chuyên môn.
Phân tích tài liệu dài và video dài: Nhờ cửa sổ ngữ cảnh 1M, mô hình có thể xử lý tài liệu siêu dài và nội dung video dài, đáp ứng nhu cầu của các kịch bản ngữ cảnh dài.