Ling 3.2 Flash: Ein multimodales 560B-Flaggschiff, das jeweils 30 Sekunden lang zuschaut

Ling 3.2 Flash ist ein Mixture-of-Experts-Modell mit 560 Milliarden Parametern von Ant Ling, mit 25 Milliarden pro Token aktiven Parametern, einem Kontextfenster von 1 Mio. Token und – dem eigentlichen Grund für seine Existenz – nativer Bild- und Videoeingabe statt eines an ein Textmodell angeschraubten Vision-Encoders. Es wurde am 5. November 2026 in die API von Ant aufgenommen. Neun Tage später lautet die interessante Frage nicht mehr, was es ist, denn das Datenblatt ist öffentlich und kurz. Sie lautet, was das Datenblatt auslässt, und das Erste, was es auslässt, ist die Tatsache, dass das Videoverständnis, auf das alle gespannt sind, bei dreißig Sekunden endet, einem Clip pro Anfrage und zweiunddreißig abgetasteten Frames.

Das ist keine Fußnote. Ant Lings eigener multimodaler Leitfaden – die Seite, die dokumentiert, wie man Ling 3.2 Flash aufruft – setzt die Obergrenze für Videos auf eine Dauer von dreißig Sekunden oder weniger, ein einzelnes Video pro Anfrage, eine feste Sampling-Rate von 2 fps mit maximal 32 Frames und eine Obergrenze von 32 MiB für den Base64-String. Derselbe Limitblock gilt für Ling-3.0-flash-VL, daher ist ein Teil davon übernommene Infrastruktur und keine eigens für dieses Modell getroffene Entscheidung – aber genau das bekommt ein Aufrufer. Wenn Ihr Pitch für ein natives multimodales Modell „Long-Horizon-Agent, der visuellen Kontext über viele Tool-Aufrufe hinweg aufrechterhält“ lautet, dann ist ein dreißigsekündiger Clip mit einem Video pro Anfrage die Größe, die die Architektur einschränkt, nicht die Benchmark-Tabelle.

Was das Modell ist – in Zahlen, die sich überprüfen lassen

Die Parameter und das Kontextfenster erscheinen an zwei Stellen auf Ants Entwickler-Website: in der Ling-Modellauswahltabelle, wo Ling 3.2 Flash über Ling-3.1-flash steht, mit der identischen Zeile 560B / 25B / 1M und einer anderen Positionierungszeile, sowie in der Zeitleiste „Ling's Evolution“, die die 3.2-Serie unter 2026.11 einordnet. Die Positionierungszeile ist das eigentliche Delta: 3.1 wird als hybrides Reasoning-Modell für Büroarbeit, langfristige Softwareentwicklung und Agentenaufgaben beschrieben; 3.2 als natives multimodales Modell mit Fokus auf komplexes visuelles Verständnis, multimodale langfristige Agenten, 3D-Verständnis und -Interaktion sowie medizinische multimodale Arbeit. Gleiches Gerüst, ein neuer Sinn.

• Gesamtparameter — {{1}}560B{{/1}} für {{2}}Ling 3.2 Flash{{/2}}, nur erreicht von seinem reinen Text-Schwestermodell {{3}}Ling-3.1-flash{{/3}} mit {{4}}560B{{/4}}; der Vision-Vorgänger {{5}}Ling-3.0-flash-VL{{/5}} lag bei {{6}}124B{{/6}}.

• Aktive Parameter pro Token — 25B, gegenüber 5,5B bei Ling-3.0-flash-VL und 25B bei Ling-3.1-flash.

• Kontextfenster — 1 Mio. Token, viermal so viel wie die 256K, die Ling-3.0-flash-VL und Ling-3.0-flash bieten.

• Modalitäten — Text-, Bild- und Videoeingabe, Textausgabe, wobei Vision und Sprache in der Architektur selbst kombiniert werden, statt über ein externes Modul geleitet zu werden.

• Endpoint-Formen – OpenAI-kompatible chat/completions und Anthropic-kompatible messages, beide unter api.ant-ling.com.

Die praktische Konsequenz der Endpoint-Formen ist, dass eine bestehende Integration mit einer Änderung der Base-URL und einem Modell-String umzieht. Ant liefert dieselben zwei Formate für jedes Ling-Modell, und der Multimodal-Leitfaden zeigt image_url-Inhaltsblöcke für Standbilder und video_url-Blöcke für Video, beide ausschließlich auf Base64-Basis – für keines von beiden ist ein URL-Abrufpfad dokumentiert, was die zweite Einschränkung ist, auf die eine Produktionsintegration stößt, bevor sie auf einen Benchmark stößt.

Der Preis ist noch nicht angegeben, und auf dem Zähler stehen noch fünf Tage.

Das ist der Teil, den man prüfen sollte, bevor man irgendetwas baut. Ants Preisseite – zuletzt aktualisiert am 5. November 2026, dem Tag des Launches – enthält Zeilen für Ling-3.1-flash, Ling-3.0-flash-VL, Ling-3.0-flash und zwei Ming-Bildmodelle. Eine Zeile für Ling 3.2 Flash fehlt. Das Modell erscheint auf dieser Seite genau einmal, in einer Werbezeile: in den ersten zwei Wochen nach dem Launch kostenlos.

Vom 5. November an gerechnet schließt sich dieses Zeitfenster etwa am 19. November. Heute sind davon noch ungefähr fünf Tage übrig. Wenn es endet, heißt es auf der Seite, die Originalpreise würden wieder gelten, und man wird gebeten, sein Guthaben im Auge zu behalten – was die gesamte Preisoffenlegung für ein 560B-Flaggschiff darstellt.

Was Sie tun können, ist, die Zahl anhand der Zeile darüber einzugrenzen. Ling-3.1-flash ist mit ¥2,00 pro Million Eingabe-Tokens und ¥6,00 pro Million Ausgabe-Tokens gelistet, mit 75 % Rabatt auf ¥0,50 und ¥1,50, wobei Cache-Lesevorgänge bei ¥0,40 liegen und auf ¥0,10 fallen. Die Umrechnung des Listenpreises ergibt für ein reines Text-Flaggschiff von Ling ungefähr 0,28 $ Eingabe und 0,85 $ Ausgabe pro Million; der rabattierte Preis liegt bei etwa 0,07 $ und 0,21 $. Wenn Ling 3.2 Flash wie sein Geschwister bepreist wird, ist das die Größenordnung. Es ist eine Schlussfolgerung aus einer benachbarten Zeile, keine veröffentlichte Rate, und ein multimodales Modell führt Bild- und Video-Tokens mit sich, deren Preisgestaltung Ant überhaupt nicht beschrieben hat — ein dreißigsekündiger Clip bei 2 fps sind 32 Frames, und keine Seite sagt Ihnen, was diese 32 Frames kosten.

Diese Lücke hat eine konkrete Folge für alle, die ein Budget planen: Für Ling 3.2 Flash lässt sich die Frage „Was kostet diese Aufgabe?“ nicht so beantworten wie bei einem Modell mit einer Preisliste. Sie lässt sich nach dem 19. November beantworten, oder Sie können sie jetzt beantworten, indem Sie die Evaluierung ausführen, solange der Zähler aus ist – was die vernünftige Auslegung eines vierzehntägigen kostenlosen Zeitfensters für ein Modell ohne veröffentlichten Preis ist.

Drei Benchmark-Zahlen, alle von Ant.

Ants Ankündigung vergleicht Ling 3.2 Flash mit Opus 5, das mit maximalem Reasoning-Aufwand auf drei Evaluierungen läuft. Alle drei sind vom Anbieter berichtet, stammen aus Ants eigener Release-Pipeline, und keine wurde außerhalb davon reproduziert. Mit diesem Etikett versehen:

• OmniDocBench1.5 — 92,21 für Ling 3.2 Flash gegenüber 90,56 für Opus 5 (max), ein Unterschied von 1,65 Punkten beim Dokumentverständnis.

• ZEROBench(Sub) — 43,71 gegenüber 39,52, die größte relative Lücke mit rund 10,6 %, bei einem 3D-Szenen-Benchmark.

• Vision2Web — 85,86 gegenüber 80,20, eine Evaluation der Umsetzung von Vision zu Web.

Liest man das Set, sagt es etwas Engeres als „schlägt Opus 5“. Alle drei Benchmarks sind visuell. Ant wählte die drei Evaluierungen aus, bei denen ein nativ multimodales Modell mit 25B aktiven Parametern plausibel ein geschlossenes Frontier-Modell schlagen konnte, und veröffentlichte keinen rein textbasierten Vergleich – keine Reasoning-Suite, keine Coding-Suite, keine agentische Terminal-Aufgabe, und genau dort liegt die Positionierung von Ling-3.1-flash desselben Labors. Zwei der drei, ZEROBench und Vision2Web, sind keine Instrumente mit breiter Beteiligung Dritter, sodass ein Leser sie nicht an anderen Modellen gegenprüfen kann. Und „Opus 5 (max)“ ist eine Konfiguration eines Wettbewerbers, wobei für keine der beiden Seiten Harness, Prompt-Set oder Anzahl der Versuche angegeben sind.

Es gibt auch keine unabhängige Bewertung für dieses Modell, die man danebenstellen könnte. Artificial Analysis, der übliche neutrale Schiedsrichter, hat Stand 14. November keine Seite für Ling 3.2 Flash – die URL liefert einen 404 –, und das Nächstliegende, was die Familie zu bieten hat, ist ihr reines Text-Geschwistermodell. Ling 3.1 Flash 1019 erzielt 29,6 auf dem aktuellen v5.0.1 Intelligence Index bei $0,30 Input und $0,90 Output pro Million. Das ist eine echte unabhängige Zahl, und sie gehört zum vorherigen Modell, nicht zu diesem.

Die Eingabegrenzen sind die eigentliche Produktspezifikation.

Ant dokumentiert vier Fähigkeitsbereiche für Ling 3.2 Flash, und diese sind enger gefasst als die übliche Launch-Liste: komplexes visuelles Verständnis (Dokumente mit Gleichungen und Diagrammen, nicht Bildbeschreibung), multimodale Long-Horizon-Agenten, die einen visuellen Kontext über Tool-Aufrufe hinweg lebendig halten, 3D-Verständnis und -Interaktion sowie medizinische multimodale Arbeit. Die Demos passen dazu – headless Renderings von Materialkugeln lesen und die Rauheit vergleichen, um die eigenen Skripte zu verfeinern, technische Zeichnungen in 3D-Webmodelle umwandeln, Spezialisten-Agenten über einen gemeinsamen visuellen Kontext koordinieren, um aus denselben Q2-Daten einen Bericht, eine Präsentation und ein Highlight-Video zu erstellen.

Dann liest man die Grenzwerte, und die Demos beginnen so auszusehen, als wären sie innerhalb der Beschränkungen gebaut worden statt um sie herum. Eine visuelle Rückkopplungsschleife, die ihre eigenen Renders überprüft, ist sparsam in Frames: ein Bild pro Zug, bis zu vierzig Bilder pro Anfrage, jedes unter 16384 mal 784 Pixeln. Ein Long-Horizon-Agent, der eine Besprechungsaufnahme im Kontext hält, ist das nicht, weil die Aufnahme auf dreißig Sekunden und zweiunddreißig Frames begrenzt ist. Die beiden Grenzwerte zusammen beschreiben ein Modell, das für viele kleine Blicke auf die Welt gebaut ist, nicht für einen einzigen langen.

Rate-Limits verschärfen das. Ants eigene Rate-Limit-Seite legt eine globale Obergrenze von zwei Anfragen pro Sekunde fest, mit 429ern darüber und einem 90-Sekunden-Timeout bei synchronen Aufrufen, wobei Streaming empfohlen wird. Für ein Chat-Produkt ist das in Ordnung. Für die mehrstufigen Agent-Schleifen, für die das Modell ausdrücklich positioniert wird – Dutzende Aufrufe pro Aufgabe, jeder mit einem Frame –, sind zwei QPS eine Planungsgröße, und sie werden die Architektur stärker prägen als jede Benchmark-Lücke.

Wo es passt – und was es Sie kostet, es zu versuchen.

Die ehrliche Einschätzung zur Verfügbarkeit: Ling 3.2 Flash ist heute nicht im OrcaRouter-Katalog. Die Live-Modellliste liefert 215 Kennungen, und keine davon ist ein Ling-Modell – die „ling“-Treffer sind Kling-Videomodelle, die von einem völlig anderen chinesischen Labor stammen. Hier ist also nichts mit einem einzigen Aufruf erreichbar, und auf unserer Seite gibt es dafür keinen Failover-Pfad. Was wir routen, ist die Vergleichsklasse, an der es gemessen wird: MiniMax M3.1 Flash, ein natives multimodales 428B/23B-MoE mit demselben 1M-Kontextfenster, Videoeingabe und offenen Gewichten, zu $0,15 pro Million Eingabetokens und $0,60 pro Million Ausgabetokens mit 90 % Cache-Rabatt – Anbieter-Listenpreis ohne Aufschlag durchgereicht, mit automatischem Failover über Anbieter hinweg hinter einem einzigen Schlüssel.

Das ist die sinnvolle Form der Entscheidung, solange Ling 3.2 Flash keine Preisliste hat. Führen Sie die kostenlose Evaluierung auf der eigenen API von Ant durch, denn fünf Tage kostenlose Inferenz auf einem multimodalen 560B-Modell sind den Einrichtungsaufwand einer Änderung der Base-URL wert. Setzen Sie es nicht hinter einen Produktionspfad, den Sie nicht bepreisen, für den Sie kein Failover einrichten und den Sie nicht auf höchstens zwei Anfragen pro Sekunde begrenzen können. Wenn es bei der Workload um Dokument- oder Frame-Verständnis geht und Sie heute eine Zahl brauchen, sind die Modelle, gegen die Sie tatsächlich budgetieren können, diejenigen auf einer Preisliste — und es gibt über 200 davon mit einem einzigen Schlüssel, was den Vergleich zumindest zu einer einzigen Integration statt zu einer pro Anbieter macht.

Worauf vor dem Schließen des Fensters zu achten ist

Drei Dinge entscheiden darüber, ob Ling 3.2 Flash ein Modell wird, das du verwendest, oder eines, das du nur evaluiert hast. Das erste ist die Preisliste: ob Ant vor dem 19. November Preise pro Million veröffentlicht – einschließlich der Frage, wie Bild- und Video-Tokens abgerechnet werden – oder ob das kostenlose Zeitfenster einfach in einen nicht aufgeführten Tarif übergeht. Das zweite sind die Gewichte. Ant ist ein Labor, dessen Ruf für 2026 auf MIT-lizenzierten 560B-Checkpoints beruht; Ling-3.1-flash-1019 wurde am 27. Oktober mit 573,8 GB unter MIT veröffentlicht, und in der Hugging-Face-Organisation inclusionAI gibt es Stand dieser Woche kein 3.2-Repository. Ein geschlossenes Flaggschiff aus diesem Labor ist eine Haltungsänderung, keine Formalität. Das dritte ist der erste unabhängige Benchmark, denn solange keiner existiert, ist jede multimodale Aussage in diesem Artikel Ants Wort gegen Ants Aufgabenauswahl.

Nichts davon macht das Modell uninteressant. Ein natives multimodales 560B-MoE mit 25B aktiven Parametern, einem 1M-Fenster und beiden API-Dialekten ist ein ernstzunehmendes Stück Ingenieurskunst, und die drei Benchmark-Lücken gegenüber Opus 5 — vom Anbieter gemeldet, nicht veröffentlichtes Testverfahren — sind groß genug, um sie selbst zu testen, statt sie abzutun. Die richtige Haltung nach neun Tagen ist die, für die das kostenlose Zeitfenster gemacht ist: jetzt messen, bepreisen, sobald die Preisliste erscheint, und ein zweiwöchiges Werbeangebot nicht mit einer Produktzusage verwechseln.