国产多模态大模型开源：5.5B激活参数，免费可用

智东西9月9日报道，蚂蚁百灵正式开源其首个原生多模态大模型Ling-3.0-flash-VL。该模型为1240亿总参数的MoE模型，单次推理激活5.5亿参数，原生支持图像、文本和视频输入，上下文窗口达256K Tokens。蚂蚁同步开放BF16和FP8版本，开发者可在Hugging Face和ModelScope下载权重，FP4和INT4版本也将在近期上线。

该模型基于Ling-3.0-flash拓展而来，加入视觉编码器，并将视觉能力用于网页编程、GUI操作、长视频处理和医疗报告理解等任务。9月5日，Ant Ling已在X上公布该模型，展示视觉感知、STEM推理、文档理解、多模态Agent、前端编程等测试成绩。海外本地AI推理开源项目Atomic Chat已放出运行演示，输入Flappy Bird游戏截图后，模型短时间内完成游戏页面和基础交互的复刻。有海外开发者评价称，又一家中国实验室开放模型权重，直接提供BF16和FP8，“是一次相当扎实的开放”。也有开发者追问FP8量化是否覆盖完整视觉编码器。

测试方面，在Artificial Analysis Intelligence Index v4.1.1中，新模型获42分，比纯文本版Ling-3.0-flash高4分。在Image-to-WebDev Arena中，以匿名代号“linthium-931h”参测，成绩1441分，略高于GPT-5.4的1440分。不过，与前沿闭源模型仍有差距，Claude Fable 5.1为66分，Claude Opus 5为63分。多模态专项测试中，CountBench视觉感知97.33分，MMMU-Pro 79.00分，OmniDocBench1.5文档理解91.35分，WebVoyager网页操作90.83分，医疗报告理解测试AntBench-Medical两项指标分别为0.96和0.93。MathVision测试为84.87分，低于Qwen3.8-27B的87.40分；CharXiv_RQ为81.30分，也低于Qwen3.8-27B的83.70分。

Ling-3.0-flash-VL延续MoE技术路线，语言主干采用42层混合架构，KDA与Gated MLA以5:1比例交替排列；视觉部分加入任意分辨率视觉编码器和VideoRoPE。模型引入“视觉反馈”机制：视觉理解→代码实现→浏览器渲染→查看结果→继续修改。在前端开发场景中，用户输入网页截图后，模型可识别布局、字体、颜色和组件关系并生成代码，运行后查看渲染效果并与参考图比较，反复修改。该机制也用于GUI Agent，执行点击、输入、滚动等操作后重新读取页面，根据结果决定下一步动作。蚂蚁还计划开放与前端复刻配套的Design Skill。

长视频场景中，模型可利用256K上下文保留视频内容及操作信息，官方案例展示了体育比赛高光剪辑。实时视觉能力已用于灵光App，用户打开摄像头后可识别动植物、食材、建筑、汽车及外语标识并连续追问。医疗场景中，模型可读取多页多份报告，提取指标和参考区间，关联不同时期资料，重新核对数据后输出结构化结果。蚂蚁强调，该功能仅用于辅助理解医疗信息，不能代替专业医生诊断。

目前，Ling-3.0-flash-VL在长尾场景感知推理、长链路Agent执行及长程全栈编程等任务上与最佳模型仍有差距，真实环境下的异常恢复和结果稳定性也需继续提高。近一个月，国产大模型厂商接连开放多模态模型权重：8月14日阿里千问开源Qwen3.8-27B；8月31日DeepSeek开源DeepSeek-V4-Flash-Vision-Exp。随着权重开放，这些能力将从官方测试和Demo进入开发者实际验证阶段。