Ling 3.2 Flash de Ant prueba un gran esqueleto con un interruptor pequeño
El equipo de investigación BaiLing de Ant Group ha lanzado un nuevo modelo multimodal llamado Ling-3.2-flash, y la cifra que encabeza el anuncio revela una doble personalidad: 560.000 millones de parámetros totales, pero solo 25.000 millones activados en cada paso. El diseño sigue la receta de la mezcla de expertos —un gran fondo de conocimiento aprendido, una pequeña porción disparada por token—, lo que conserva la capacidad de conocimiento de un modelo gigante mientras contiene el coste de cada pasada hacia delante.
El equipo lo presenta como un ejercicio de equilibrio más que como una carrera por el tamaño bruto. Un modelo denso de tamaño total comparable sería mucho más caro de servir; un modelo denso pequeño sería más barato pero tendría menos conocimiento. Ling-3.2-flash se sitúa en un punto intermedio, y Ant lo posiciona frente a Claude Opus 5, el asistente de vanguardia de Anthropic, como una alternativa más económica para tareas multimodales.
En el lanzamiento se destacaron cuatro capacidades. La arquitectura es nativa multimodal: maneja imágenes, texto y vídeo en lugar de añadir un adaptador de visión a un modelo de lenguaje. Está ajustada para la comprensión visual compleja, es decir, para razonar a fondo sobre imágenes y vídeo. Está concebida para tareas de agente largas y de varios pasos, en las que el modelo debe mantener un objetivo a lo largo de muchos turnos y actuar tanto sobre lo que ve como sobre lo que lee. Y maneja contenido 3D, un guiño al interés de Ant por los flujos de trabajo espaciales y de diseño.
La incorporación más práctica es un bucle de retroalimentación. Ling-3.2-flash puede tomar el resultado de sus propias acciones —una imagen renderizada, una interfaz de usuario, un mensaje de error— como nueva entrada y corregirse. Si falla una llamada a una herramienta, puede localizar el fallo y reintentar en lugar de quedarse bloqueado. Ant también describe un mecanismo de recuperación ante anomalías que permite al modelo adaptarse cuando los pasos salen mal a mitad de tarea, algo importante para agentes que operan sin supervisión.
Una ventana de contexto de un millón de tokens sustenta todo esto. Los contextos largos son lo que permite a un agente mantener a la vista el historial de una tarea, una base de código o un montón de documentos sin resumirlos constantemente, y se están convirtiendo en una afirmación estándar entre los lanzamientos de modelos chinos de esta temporada.
La arquitectura combina siete capas de una variante de atención con una sola capa de otra, un patrón híbrido pensado para reducir el coste de procesar secuencias largas. Ant no ha publicado resultados de referencia independientes, así que las comparaciones con Claude Opus 5 siguen siendo, por ahora, el encuadre de la propia empresa.
El lanzamiento llega en un momento muy concurrido para la IA china. Los Kimi Hosted Agents de Moonshot AI, Omni 1.2 Flash de Google y un modelo pequeño de código abierto del equipo MNN de Taobao llegaron en el mismo ciclo de noticias, y la familia Qwen de Alibaba ya está integrada en Siri para los usuarios chinos. Para los desarrolladores, la pregunta práctica no es tanto qué modelo encabeza una clasificación como cuál es lo bastante barato para dejarlo funcionando en tareas largas.
La propuesta de Ant va justo en esa dirección: razonamiento multimodal cercano a la vanguardia con costes de activación más propios de un modelo mediano. Que las empresas lo adopten dependerá de si la autocorrección resiste de verdad fuera de las demostraciones, y del precio que Ant aún no ha revelado.