智东西9月9日报道，今日，蚂蚁百灵正式开源其首个原生多模态大模型Ling-3.0-flash-VL。Ling-3.0-flash-VL是一款1240亿总参数的MoE模型，单次推理激活5.5亿参数，原生支持图像、文本和视频输入，上下文窗口达到256K Tokens。此次蚂蚁同步开放了模型的BF16和FP8版本，开发者已经可以在Hugging Face和ModelScope下载模型权重，FP4和INT4版本也将在近期上线。▲Ling-3.0-flash-VL开源主页（图源：Hugging Face）
这款模型基于此前的Ling-3.0-flash拓展而来。相比纯文本版本，新模型加入视觉编码器，并把视觉能力进一步用于网页编程、GUI操作、长视频处理和医疗报告理解等任务。值得注意的是，Ling-3.0-flash-VL此前已经在海外提前亮相。9月5日，Ant Ling在X上公布了这款模型，并展示了视觉感知、STEM推理、文档理解、多模态Agent、前端编程等测试成绩。海外本地AI推理开源项目Atomic Chat已经放出Ling-3.0-flash-VL的运行演示，其给模型输入了一张Flappy Bird游戏截图，让模型根据图片重新创建游戏。从演示来看，模型生成速度较快，短时间内就完成了游戏页面和基础交互的复刻。对于此次开源，也有海外开发者评价称，又一家中国实验室开放模型权重，在更低精度量化版本到来前直接提供BF16和FP8，“是一次相当扎实的开放”。同时，有开发者把关注点放到了FP8版本的实际效果上，追问FP8量化究竟覆盖完整视觉编码器，还是主要集中在语言模型部分。相比文字任务，图表、UI截图等视觉场景通常也更容易暴露低精度量化造成的能力损失。从官方和第三方测试来看，Ling-3.0-flash-VL在文档理解、网页操作等视觉任务上已经取得较高成绩。在Artificial Analysis Intelligence Index v4.1.1中，新模型获得42分，比纯文本版Ling-3.0-flash高4分。在Image-to-WebDev Arena中，Ling-3.0-flash-VL以匿名代号“linthium-931h”参测，成绩为1441分，略高于GPT-5.4的1440分。https://huggingface.co/inclusionAI/Ling-3.0-flash-VLhttps://huggingface.co/inclusionAI/Ling-3.0-flash-VL-fp8https://www.modelscope.cn/models/inclusionAI/Ling-3.0-flash-VLhttps://www.modelscope.cn/models/inclusionAI/Ling-3.0-flash-VL-fp8目前，Ling-3.0-flash-VL也已经上线Ling Studio，用户可以直接免费体验模型。
Ling-3.0-flash-VL延续Ling-3.0-flash的MoE技术路线，总参数量达到1240亿，单次推理只激活55亿参数。模型语言主干采用42层混合架构，KDA与Gated MLA以5:1的比例交替排列；视觉部分加入任意分辨率视觉编码器和VideoRoPE，可以直接处理不同尺寸的图片和视频内容。上下文方面，Ling-3.0-flash-VL原生支持256K Tokens，可以覆盖长文档、长视频以及需要保留较长操作历史的Agent任务。在引入视觉能力后，Ling-3.0-flash-VL的综合能力也有所提升。在Artificial Analysis Intelligence Index v4.1.1中，其获得42分，相比纯文本版Ling-3.0-flash的38分提高4分。蚂蚁称，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。不过，从Artificial Analysis整体榜单来看，Ling-3.0-flash-VL与目前的前沿闭源模型仍有差距。Claude Fable 5.1为66分，Claude Opus 5为63分，GPT-5.6 Sol等模型也排在其前面。具体到多模态专项测试，Ling-3.0-flash-VL在CountBench视觉感知测试中取得97.33分，MMMU-Pro为79.00分，OmniDocBench1.5文档理解测试达到91.35分，WebVoyager网页操作测试达到90.83分。在医疗报告理解测试AntBench-Medical中，其两项指标分别达到0.96和0.93的高分。部分测试中，它与同类模型仍存在差距。例如MathVision测试中，Ling-3.0-flash-VL为84.87分，低于Qwen3.8-27B的87.40分；复杂图表理解CharXiv_RQ中，其81.30分也低于Qwen3.8-27B的83.70分。总体而言，从目前公布的测试结果来看，Ling-3.0-flash-VL在文档理解、网页操作和部分视觉Agent任务上的表现相对突出。
相比单纯增加“看图”能力，Ling-3.0-flash-VL此次更明显的变化，在于视觉信息进入了Agent执行过程。模型在执行任务后，可以重新读取页面或环境状态，再根据结果继续修改方案。例如在前端开发场景中，用户输入一张网页截图后，Ling-3.0-flash-VL可以识别页面布局、字体、颜色和组件关系，并生成对应的前端代码。代码运行后，模型还会查看浏览器中的实际渲染效果，把生成页面与参考图进行比较，然后继续修改代码。整个过程可以反复进行，蚂蚁称之为“视觉反馈”机制：视觉理解→代码实现→浏览器渲染→查看结果→继续修改。在第三方Image-to-WebDev Arena中，Ling-3.0-flash-VL以“linthium-931h”的匿名名称参测。该模型获得1441分，排名第34，得分略高于GPT-5.4的1440分。近期，蚂蚁还计划开放与前端复刻配套的Design Skill。类似的视觉反馈机制也被用于GUI Agent。面对“网页查找数据—整理到Excel—生成图表”这样的跨应用任务，模型可以观察当前界面，识别页面和应用状态，再执行点击、输入、滚动以及应用切换。一次操作完成后，它会重新读取页面，根据执行结果决定下一步动作。如果实际页面与预期不符，也可以重新调整操作策略。这种能力对于Computer Use类Agent尤其重要，因为真实软件环境中的弹窗、加载时间、页面结构变化，很难提前通过一套固定操作序列完全预测。
除了网页编程和GUI操作，Ling-3.0-flash-VL还把视觉能力用到了长视频和医疗报告等专业任务中。在长视频场景中，模型可以利用256K上下文持续保留视频内容以及此前的操作信息。官方案例展示了一个体育比赛高光剪辑案例。模型先在完整比赛中定位可能出现进球的时间段，再截取对应片段并检查前后画面。如果发现片段起点过晚、庆祝镜头被截断等问题，就重新调整时间范围，最终组合成完整高光视频。实时视觉能力则已经被用于灵光App。用户打开手机摄像头后，可以让模型识别动植物、食材、建筑、汽车以及外语标识，并围绕当前画面连续追问。在医疗场景中，Ling-3.0-flash-VL可以读取多页、多份医疗报告，提取指标和参考区间，并关联不同时期的血常规、生化、影像等资料。模型还会重新核对已经提取的数据，检查遗漏或数值错误，再输出结构化结果。蚂蚁强调，该功能仅用于辅助用户理解医疗信息，不能代替专业医生诊断。目前，Ling-3.0-flash-VL目前在长尾场景感知推理、长链路Agent执行以及长程全栈编程等任务上，与最佳模型仍然存在差距；真实环境下的异常恢复和结果稳定性也需要继续提高。
8月14日，阿里千问开源Qwen3.8-27B；8月31日，DeepSeek开源DeepSeek-V4-Flash-Vision-Exp。如今，蚂蚁百灵也开放了Ling-3.0-flash-VL的BF16和FP8权重，并计划继续推出FP4和INT4版本。相比单纯提供视觉理解能力，Ling-3.0-flash-VL这次还把重点放在网页编程、GUI操作、长视频处理等需要持续读取视觉反馈的任务上。随着权重正式开放，这些能力也将从官方测试和Demo进入开发者实际验证阶段。
关于科技区角：国内科技展会垂直内容策划服务商，提供从论坛内容全案策划、会展市场化IP打造到精准专业观众一站式邀约服务，以产业内容吸引高质量B端人群，打通展会从议题设计、演讲嘉宾邀约、宣传预热、精准邀观到供需对接全链路。
