蚂蚁集团发布Ming-flash-omni 2.0 ：100B MoE 多模态全能模型，支持视觉百科、沉浸式语音、高动态图像生成与编辑

蚂蚁集团 inclusionAI 团队正式推出 Ming-flash-omni 2.0，搭载全新 Ling-2.0 混合专家（MoE）架构，以总参数 100B、激活参数 6B 的高效配置，在开源全能型多模态大模型（omni-MLLM）领域实现代际跃升，拿下全新 SOTA 水准。

• GitHub：https://github.com/inclusionAI/Ming
• Hugging Face：https://huggingface.co/inclusionAI/Ming-flash-omni-2.0
• 魔塔：https://www.modelscope.cn/models/inclusionAI/Ming-flash-omni-2.0

模型深度融合通用能力与专业领域知识，在视觉百科理解、沉浸式语音合成、高动态图像生成与编辑三大方向实现突破性体验。

模型信息总览

核心架构：Ling-2.0 MoE 高效架构

• 架构：Ling-2.0 混合专家 MoE 框架
• 总参数量：100B
• 激活参数量：6B
• 定位：轻量激活、超强推理、全能多模态

相比前代，在性能、精度、多模态统一生成能力上实现全面跃升。

三大核心能力升级

1. 专家级多模态认知

Ming-flash-omni 2.0 具备接近专业级的视觉理解能力：

• 精准识别动植物、菜品、地标、文物
• 深度解析文化背景、历史年代、形制工艺
• 高分辨率视觉感知 + 大规模知识图谱融合
• 实现“看到 → 识别 → 理解 → 知识输出”的完整链路

2. 沉浸式统一声学合成

业内领先的端到端统一声学生成体系：

• 单通道统一生成：语音、音效、音乐
• 连续自回归机制 + 扩散 Transformer（DiT）
• 支持零样本语音克隆
• 细粒度可控：情感、音色、语气、氛围、环境感
• 从传统 TTS 升级为高沉浸、强情感、拟人化听觉体验

3. 高动态可控图像生成与编辑

原生多任务统一架构，真正实现生成/编辑/分割一体化：

• 复杂时空语义解耦
• 高动态创作：氛围重建、无缝场景合成
• 智能对象移除、上下文保持
• 超强一致性：纹理一致、空间深度一致
• 在复杂图像编辑任务中达到业界领先精度