蚂蚁百灵开源首个原生多模态大模型 Ling-3.0-flash-VL

大模型能推理、能编程、能规划，视觉能力也不再稀缺。但真正进入到现实世界，从”看见”到”做对”、再到”又快又对”，每一步跨越都充满挑战。模型能否在加入视觉后反哺文本、能否基于视觉反馈可靠完成专业场景交付、能否在视觉工作流中做到高效执行—— 这仍是行业共同面对的课题。

基于这一思考，我们正式发布并开源百灵系列首个原生多模态大模型 Ling-3.0-flash-VL。模型基于 Ling-3.0-flash 的 MoE 架构拓展而来，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。围绕“如何更可靠、更高效地完成真实任务”，Ling-3.0-flash-VL 重点探索了三个方向：

模型能否在引入视觉支持后反哺文本能力？ 给大模型加上视觉能力，一个普遍的担忧是它会拉低文本智能。我们的训练实践给出了相反的结论：原生多模态联合训练不仅拓展了应用边界，也拉升了文本智能。
能否基于视觉反馈可靠完成专业任务交付？ 在医疗报告解读、前端开发、GUI 自动化中等场景中真正有挑战的不是理解一张图，而是基于视觉信息持续行动。 Ling-3.0-flash-VL 引入了视觉反馈机制——观察执行结果、对比目标、发现偏差、持续修正——把任务从一次性的”生成”，变成”观察→行动→验证→修正”的闭环，让执行结果更可靠。
模型能否在视觉工作流中做到高效执行? 真实业务的视觉任务，往往不是一个”看图说话”的单次调用，而是一连串需要维持任务状态、处理异常并基于视觉反馈持续修正的多轮流程。Ling-3.0-flash-VL 继承了 Ling-3.0-flash 在 Agent 工作流中作为高效执行节点的核心优势，在视觉反馈闭环中兼顾输出质量与执行效率，以更低成本和更短时间推进完整任务。

长期以来，行业内有一个普遍担忧：给大模型加上视觉能力，会”打折”甚至”拉低”它的基础智能。在 Ling-3.0-flash-VL 的训练中，我们观察到了一个不同的现象：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; 在多模态综合评测中，模型也取得了不错的表现。这说明视觉不止是一种新的输入模态——来自图像和视频的信息，也在帮助模型建立对概念、空间、关系乃至现实世界更完整的理解。

理解视觉信息只是起点。真实任务往往要求模型根据视觉信息持续行动，并对行动结果负责。为此，Ling-3.0-flash-VL 引入了视觉反馈机制, 将任务从一次性生成，推进为”观察 → 行动 → 验证 → 修正”的持续闭环，使最终结果更接近真实可用、可验证的交付。

视觉反馈编程：从参考图到可运行网页

给定网页截图或视觉参考，Ling-3.0-flash-VL可以理解布局、配色、字体和组件关系，生成前端代码并在浏览器中运行。它还能查看渲染结果，与参考图进行对比，再继续修改代码。这使网页复刻不再是一次性的”看图生成代码”，而是一条由视觉反馈驱动的开发闭环：视觉理解-图层解耦-代码实现-渲染比对-自我矫正。

在 Image-to-WebDev Arena 官方评测中，Ling-3.0-flash-VL(代号: linthium) 以 124B 总参数、单次推理仅激活 5.5B 参数的规模，在汇集多款主流模型的“图片转网页”任务中取得了有竞争力的表现，评测得分高于 GPT-5.4。这一结果展示了模型在较小激活参数规模下实现高质量网页生成的潜力，也为视觉反馈编程的实际应用提供了更多选择。

🎬 视频演示（见公众号原文）

前端复刻功能依赖 Design Skill 提供完整体验，我们计划近期开源 Design Skill，敬请期待

GUI Agent：持续理解界面，推进跨工具任务

面对”查找网页数据、整理到 Excel、再生成图表”这类跨工具任务，Ling-3.0-flash-VL 能够识别页面结构和应用状态，拆解操作步骤，完成点击、输入、滚动和应用切换。通过”操作→观察→校准”的视觉反馈闭环，及时发现偏差并调整策略，在界面中持续推进任务。相较一次性生成全部操作指令，这种边走边看、边调整边推进的机制更接近人在真实环境中的工作方式，也为模型进入复杂软件工作流提供了基础。

🎬 视频演示（见公众号原文）

AI 健康助手：医疗报告辅助解读

医疗报告解读是蚂蚁阿福的高频应用场景。模型不仅需具备医学专业力 ，精准识别指标异常与参考区间；更需具备跨文档关联能力 ，将跨页、跨时期的血常规、生化、影像等多类数据整合为完整的健康图景。同时，借助 “提取 → 核验 → 修正” 的回溯闭环反复核销数值、排查遗漏，确保解读结果严谨可靠。

Ling-3.0-flash-VL 具备跨图文、跨文档的综合理解能力，可提取关键指标、梳理信息关联，并以”红黄绿灯”直观展示健康风险，同时支持多报告对比分析，帮助用户更清晰地阅读和整理健康信息。

（注：本能力仅供辅助参考，不能替代专业医生诊断。）

🎬 视频演示（见公众号原文）

Ling-3.0-flash-VL 继承了 Ling-3.0-flash 的极速推理与灵活部署优势。模型引入任意分辨率视觉编码器与 VideoRoPE，原生支持图文及视频多模态输入；语言主干沿用 42 层混合架构，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，极大地压缩了算力开销。

无论是实时视频对话中的连续追问，还是跨工具的多轮视觉交互，模型均能保持低延迟响应。在需要反复“观察——行动——验证——修正”的视觉 Agent 工作流中，更快的单步推理与更低的 Token 消耗，意味着明显的效率提升。Ling-3.0-flash-VL 在以下场景有较好体验：

实时视觉交互：打开摄像头边看边聊，模型随画面变化即时回应，对话节奏自然不卡顿；
视觉 Agent 工作流：从识别界面、拆解步骤、执行操作到验证结果，多轮执行紧凑流畅；
长时任务：原生支持256K Token，轻松应对长文档解析、长视频分析及多步骤 Agent 的历史记忆。

实时视觉交互：一拍即答，万物识别

借助手机摄像头，Ling-3.0-flash-VL 可以识别动植物种类、食材、建筑地标、车型，并连续描述眼前场景；面对外语标识和文字，也能够实时识别与翻译。上述能力已在灵光APP中为用户提供服务——视觉理解不再是实验室里的demo，而是装在口袋里、随时随地可用的信息服务。从”看到”到”得到答案”，一步完成。

🎬 视频演示（见公众号原文）

实时学习伙伴: 边看边问，即时解惑

Ling-3.0-flash-VL 强化了学科知识与视觉推理能力。在课程或知识视频中，模型可以结合当前画面识别公式、示意图和板书内容，给出上下文相关的解释，并围绕同一知识点继续回答追问或生成练习。视频不再是单向播放，而是一个可以随时提问、即时获得回应的高效学习场。

🎬 视频演示（见公众号原文）

长时任务：小时级长视频高光剪辑 Agent

球类比赛的高光剪辑的难点在于：进球往往夹杂在高速运动、多人遮挡与快切镜头中，起止边界天然模糊——比如前摇从何时开始、庆祝到何时收尾，单帧判读极易出错。

面对漫长的比赛视频，Ling-3.0-flash-VL 通过“定位→截取→验证→修正”的视觉反馈闭环，逐段精细微调，最终合成流畅高光集锦。得益于每一步的低 Token 开销与原生 256K 上下文窗口记忆，即便处理小时级视频，模型也能持续追踪微调，不遗漏关键线索。从精彩识别到成品交付，Ling-3.0-flash-VL 让高光剪辑更高效。

🎬 视频演示（见公众号原文）

当前在长尾场景感知推理、长链路 Agent 执行及长程全栈编码等任务中， Ling-3.0-flash-VL 与最佳模型仍有差距；模型在真实环境中的异常恢复和结果稳定性，也有提升空间。

下一步，我们将重点推进三个方向：

强化视觉感知和推理：提升复杂图表、数学关系、开放世界信息和跨图片内容的理解、推理与验证能力。
更稳定的视觉 Agent：重点提升长链路目标保持、错误恢复与端到端任务完成率，提升模型在真实工作流中的执行稳定性。
更深入的专业领域渗透：在前端开发、文档智能和医疗报告解读等方向上，持续完善相关评测、证据追溯与安全机制，推动评测方法逐步公开。

Ling-VL系列将继续沿着原生训练、视觉反馈与专业领域渗透的方向演进，让模型在更复杂的真实环境中交付可验证、可继续使用的结果。

Open Intelligence for the Real World.

Ling-3.0-flash-VL 现已在Ling Studio（https://chat.ant-ling.com/chat）上线，免费体验进行中。

下载 Ling-3.0-flash-VL

Ling-3.0-flash-VL 的 BF16 和 FP8版本现已开源，FP4 和 INT4 版本也将于近期与大家见面。

🤗 Hugging Face

BF16： https://huggingface.co/inclusionAI/Ling-3.0-flash-VL
FP8： https://huggingface.co/inclusionAI/Ling-3.0-flash-VL-fp8

🤖 ModelScope

BF16： https://www.modelscope.cn/models/inclusionAI/Ling-3.0-flash-VL
FP8： https://www.modelscope.cn/models/inclusionAI/Ling-3.0-flash-VL-fp8

欢迎开发者下载和体验 Ling-3.0-flash-VL，与我们一起探索更多多模态应用与 Agent 工作流。

点击 【阅读原文】，访问 Ling-3.0-flash-VL 的 Hugging Face 地址。