IT之家9月9日消息，蚂蚁集团今日宣布推出并开源百灵系列首个原生多模态大模型Ling-3.0-flash-VL。

该模型基于Ling-3.0-flash的MoE（混合专家）架构拓展，总参数量为124B，单次推理激活5.5B参数，原生支持图像、文本与视频输入，上下文窗口达到256K Token。

模型围绕「更可靠、更高效完成真实任务」的方向，引入了视觉反馈闭环机制。不同于一次性的「看图生成」，该机制将任务推进为「观察→行动→验证→修正」的持续闭环，使模型在医疗报告解读、前端代码生成及GUI自动化等场景中能够基于视觉反馈持续修正执行结果。

在训练层面，蚂蚁集团表示，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。在Artificial Analysis Intelligence Index v4.1.1评估中，Ling-3.0-flash-VL较纯文本版本（Ling-3.0-Flash）提升了4分。

在实际应用测试中，该模型在图片转网页任务中可理解布局与组件关系并生成代码，且能通过渲染结果对比进行自我修正。在Image-to-WebDev Arena官方评测中，模型（代号linthium）的评测得分高于GPT-5.4。作为GUI Agent时，模型可识别界面结构并完成跨工具操作；在医疗报告解读场景中，模型支持跨文档数据整合与风险标识。

Ling-3.0-flash-VL引入了任意分辨率视觉编码器与VideoRoPE，语言主干沿用42层混合架构（IT之家注：交替排列KDA与Gated MLA，比例5:1），在124B总参数下单次推理仅激活5.5B参数。在实时视频对话、多轮视觉交互及长时任务中可保持低延迟响应，其256K上下文窗口支持长文档与长视频分析。

目前，Ling-3.0-flash-VL已在Ling Studio上线并提供免费体验。模型的BF16和FP8版本已在Hugging Face及ModelScope平台开源，FP4和INT4版本计划于近期发布。