Ling 3.2 Flash di Ant: un grande scheletro con un piccolo interruttore
Il team di ricerca BaiLing di Ant Group ha rilasciato un nuovo modello multimodale chiamato Ling-3.2-flash, e il numero di punta è una doppia personalità: 560 miliardi di parametri totali, ma solo 25 miliardi attivati a ogni singolo passo. Il design segue il manuale del mixture-of-experts — un ampio bacino di conoscenza appresa, di cui una piccola porzione viene accesa per token — che conserva la capacità di conoscenza di un modello gigante contenendo il costo di ogni forward pass.
Il team lo presenta come un esercizio di equilibrio più che come una corsa alla dimensione pura. Un modello denso di dimensioni totali comparabili sarebbe molto più costoso da servire; un piccolo modello denso sarebbe più economico ma con meno conoscenza. Ling-3.2-flash si colloca nel mezzo, e Ant lo posiziona contro Claude Opus 5, l’assistente di frontiera di Anthropic, come alternativa più economica per il lavoro multimodale.
Quattro capacità sono state enfatizzate al lancio. L’architettura è nativamente multimodale: gestisce immagini, testo e video invece di aggiungere un adattatore visivo a un modello linguistico. È ottimizzata per la comprensione visiva complessa, cioè il ragionamento profondo su immagini e video. È costruita per compiti agente lunghi e a più passi, in cui il modello deve mantenere un obiettivo attraverso molti turni e agire su ciò che vede oltre che su ciò che legge. E gestisce contenuti 3D, un cenno all’interesse di Ant per i flussi di lavoro spaziali e di design.
L’aggiunta più pratica è un ciclo di feedback. Ling-3.2-flash può prendere il risultato delle proprie azioni — un’immagine renderizzata, un’interfaccia utente, un messaggio di errore — come nuovo input e correggersi. Se una chiamata a uno strumento fallisce, può individuare il guasto e riprovare invece di bloccarsi. Ant descrive anche un meccanismo di recupero dalle anomalie che consente al modello di adattarsi quando i passi vanno storti a metà compito, cosa che conta per gli agenti che operano senza supervisione.
A sostegno di tutto ciò c’è una finestra di contesto da un milione di token. I contesti lunghi sono ciò che permette a un agente di tenere in vista la cronologia di un compito, un codebase o una pila di documenti senza continue sintesi, e stanno diventando una dichiarazione standard tra i rilasci di modelli cinesi di questa stagione.
L’architettura abbina sette strati di una variante di attenzione a un singolo strato di un’altra, uno schema ibrido pensato per ridurre il costo dell’elaborazione di sequenze lunghe. Ant non ha pubblicato risultati di benchmark indipendenti, quindi i confronti con Claude Opus 5 restano per ora l’inquadramento dell’azienda.
Il rilascio arriva in un periodo affollato per l’AI cinese. Kimi Hosted Agents di Moonshot AI, Omni 1.2 Flash di Google e un piccolo modello open source del team MNN di Taobao sono tutti arrivati nello stesso ciclo di notizie, e la famiglia Qwen di Alibaba è già integrata in Siri per gli utenti cinesi. Per gli sviluppatori, la domanda pratica è meno quale modello svetta in una classifica e più quale sia abbastanza economico da restare in funzione su compiti lunghi.
La proposta di Ant è esattamente su questo asse: ragionamento multimodale vicino alla frontiera con costi di attivazione più simili a quelli di un modello di medie dimensioni. Se le imprese lo adotteranno dipenderà dalla tenuta dell’autocorrezione fuori dalle demo — e da prezzi che Ant non ha ancora reso noti.