Ling 3.2 Flash da Ant testa um grande esqueleto com um pequeno interruptor
A equipe de pesquisa BaiLing do Ant Group lançou um novo modelo multimodal chamado Ling-3.2-flash, e o número que abre o anúncio revela uma dupla personalidade: 560 bilhões de parâmetros totais, mas apenas 25 bilhões ativados a cada passo. O design segue a receita da mistura de especialistas — um grande acervo de conhecimento aprendido, do qual uma pequena fração é acionada por token —, o que preserva a capacidade de conhecimento de um modelo gigante enquanto segura o custo de cada passagem para frente.
A equipe apresenta isso como um exercício de equilíbrio, não como uma corrida pelo tamanho bruto. Um modelo denso de tamanho total comparável seria muito mais caro de servir; um modelo denso pequeno seria mais barato, mas mais pobre em conhecimento. O Ling-3.2-flash fica no meio, e a Ant o posiciona diante do Claude Opus 5, o assistente de ponta da Anthropic, como uma alternativa mais barata para tarefas multimodais.
Quatro capacidades foram destacadas no lançamento. A arquitetura é nativamente multimodal: lida com imagens, texto e vídeo em vez de acoplar um adaptador de visão a um modelo de linguagem. É ajustada para compreensão visual complexa, ou seja, raciocínio aprofundado sobre imagens e vídeos. É construída para tarefas de agente longas e de várias etapas, nas quais o modelo precisa manter um objetivo ao longo de muitos turnos e agir tanto sobre o que vê quanto sobre o que lê. E lida com conteúdo 3D, uma referência ao interesse da Ant por fluxos de trabalho espaciais e de design.
O acréscimo mais prático é um ciclo de retroalimentação. O Ling-3.2-flash pode pegar o resultado das próprias ações — uma imagem renderizada, uma interface de usuário, uma mensagem de erro — como nova entrada e se corrigir. Se uma chamada de ferramenta falha, ele consegue localizar a falha e tentar de novo em vez de travar. A Ant também descreve um mecanismo de recuperação de anomalias que permite ao modelo se adaptar quando etapas dão errado no meio da tarefa, algo importante para agentes que rodam sem supervisão.
Uma janela de contexto de um milhão de tokens sustenta tudo isso. Contextos longos são o que permite a um agente manter à vista o histórico de uma tarefa, uma base de código ou uma pilha de documentos sem resumir o tempo todo, e estão se tornando uma alegação padrão entre os lançamentos de modelos chineses nesta temporada.
A arquitetura combina sete camadas de uma variante de atenção com uma única camada de outra, um padrão híbrido pensado para reduzir o custo de processar sequências longas. A Ant não publicou resultados de benchmark independentes, então as comparações com o Claude Opus 5 continuam sendo, por enquanto, o enquadramento da própria empresa.
O lançamento chega num período concorrido para a IA chinesa. Os Kimi Hosted Agents da Moonshot AI, o Omni 1.2 Flash do Google e um modelo pequeno de código aberto da equipe MNN do Taobao chegaram no mesmo ciclo de notícias, e a família Qwen, da Alibaba, já está integrada à Siri para usuários chineses. Para os desenvolvedores, a pergunta prática não é tanto qual modelo lidera um ranking, mas qual é barato o bastante para ficar rodando em tarefas longas.
A proposta da Ant mira exatamente nesse eixo: raciocínio multimodal próximo da fronteira com custos de ativação mais parecidos com os de um modelo de porte médio. Se as empresas vão adotar depende de a autocorreção realmente se sustentar fora das demonstrações — e do preço que a Ant ainda não divulgou.