蚂蚁百灵发布原生多模态模型 Ling-3.2-flash ，支持 1M 上下文与 MoE 架构

蚂蚁百灵官方团队今日正式发布原生多模态模型 Ling-3.2-flash。该模型具备 560B 总参数与 25B 激活参数，并支持 1M（100万）上下文窗口。

原生多模态架构与四大能力扩展

Ling-3.2-flash 从底层架构层面将视觉与语言能力进行融合，支持图像、文本与视频等多种输入格式。这种原生设计使其在处理多模态任务时，能够直接进行联合计算，减少了对复杂拼接流程的依赖。

在能力侧重上，该模型针对四个具体场景进行了工程优化：

• 复杂视觉理解：针对图像与视频内容进行深度的推理与分析。
• 多模态长程 Agent：在执行多步骤任务时，模型能够基于视觉与文本信息保持目标一致，完成连续的决策与执行。
• 3D 理解与交互：侧重于解析三维场景与空间关系。
• 医疗多模态：覆盖医学影像理解与专业报告解读，辅助医疗分析。

多项基准测试成绩与前端生成表现

根据蚂蚁官方公布的评测数据，Ling-3.2-flash 在多项基准测试中取得了具体分数。在文档理解方面，其 OmniDocBench1.5 得分为 92.21，高于 Anthropic Claude Opus 5（max）的 90.56；在 ZEROBench（Sub）测试中得分为 43.71，对比后者为 39.52；在 Vision2Web 评测中得分为 85.86，对比后者为 80.20。

此外，在 DesignArena 图像转前端代码竞技场中，该模型获得 1238 的 Elo 分数，进入榜单前十，与 Meta、DeepSeek 及 Anthropic 等机构的模型处于同一梯队。

MoE 架构的成本控制与 API 定价

560B 的总参数与约 25B 的激活参数，是 Ling-3.2-flash 在模型能力与推理开销之间做出的工程权衡。这种参数规模通常对应混合专家（MoE）架构。在实际运行中，模型在每次前向计算时仅调用部分参数（即 25B 激活参数），从而在保留大容量知识存储的同时，有效控制单步计算的成本。

在商业化定价方面，Ling-3.2-flash 的 API 输入价格为每百万词元 0.30 美元（约合 2 元人民币），输出价格为每百万词元 0.90 美元（约合 6 元人民币）。DesignArena 榜单数据显示，这是同性能级别模型中较低的费率。

目前，该模型的 API 已通过蚂蚁百灵平台上线。用户可通过对话页在线体验，API 兼容 OpenAI 及 Anthropic 协议。此外，平台提供上线前 2 周的限时免费体验。