Ling 3.2 Flash от Ant: большой скелет с маленьким переключателем
Исследовательская команда BaiLing, принадлежащая Ant Group, выпустила новую мультимодальную модель Ling-3.2-flash, и главная цифра здесь с раздвоением личности: 560 млрд общих параметров, но лишь 25 млрд включаются на каждом отдельном шаге. Дизайн следует схеме mixture-of-experts — большой пул выученных знаний, малая доля которых срабатывает на каждый токен, — что сохраняет ёмкость знаний гигантской модели, сдерживая стоимость каждого прямого прохода.
Команда подаёт это как балансировку, а не как гонку за абсолютным размером. Плотная модель сопоставимого общего размера стоила бы при обслуживании гораздо дороже; маленькая плотная модель была бы дешевле, но беднее знаниями. Ling-3.2-flash находится между ними, и Ant позиционирует её против Claude Opus 5, фронтирного ассистента от Anthropic, как более дешёвую альтернативу для мультимодальной работы.
На запуске были подчёркнуты четыре возможности. Архитектура нативно мультимодальна: она обрабатывает изображения, текст и видео, а не прикручивает визуальный адаптер к языковой модели. Она настроена на сложное визуальное понимание, то есть на глубокие рассуждения по изображениям и видео. Она создана для длинных многошаговых агентных задач, где модель должна удерживать цель на протяжении многих ходов и действовать исходя из того, что видит, а не только из того, что читает. И она работает с 3D-контентом — кивок в сторону интереса Ant к пространственным и дизайнерским рабочим процессам.
Самое практичное дополнение — петля обратной связи. Ling-3.2-flash может принимать результат собственных действий — отрендеренное изображение, пользовательский интерфейс, сообщение об ошибке — как новый вход и исправлять себя. Если вызов инструмента не удался, она может локализовать сбой и повторить попытку, а не зависнуть. Ant также описывает механизм восстановления после аномалий, позволяющий модели адаптироваться, когда шаги идут не так посреди задачи, что важно для агентов, работающих без присмотра.
В основе этого лежит контекстное окно в миллион токенов. Именно длинные контексты позволяют агенту держать в поле зрения историю задачи, кодовую базу или стопку документов без постоянного суммирования, и они становятся стандартным заявлением среди китайских релизов моделей в этом сезоне.
Архитектура сочетает семь слоёв одного варианта внимания с одним слоем другого — гибридная схема, призванная снизить стоимость обработки длинных последовательностей. Ant не опубликовала независимых результатов бенчмарков, так что сравнения с Claude Opus 5 пока остаются собственной подачей компании.
Релиз выходит в насыщенный период для китайского ИИ. Kimi Hosted Agents от Moonshot AI, Omni 1.2 Flash от Google и открытая малая модель от команды MNN при Taobao появились в одном новостном цикле, а семейство Qwen от Alibaba уже встроено в Siri для китайских пользователей. Для разработчиков практический вопрос не столько в том, какая модель возглавляет лидерборд, сколько в том, какая достаточно дешева, чтобы оставить её работать на длинных задачах.
Заявка Ant лежит прямо на этой оси: мультимодальные рассуждения, близкие к фронтиру, при затратах на активацию ближе к модели среднего размера. Купят ли это предприятия, будет зависеть от того, выдержит ли самокоррекция за пределами демо, — и от цен, которые Ant пока не раскрыла.