Ling-3.2-flash: el buque insignia multimodal nativo de Ant Ling se rige por un ciclo de dos semanas

El hecho más trascendente sobre Ling-3.2-flash es uno relacionado con la facturación, y tiene fecha de caducidad. Ant Ling incorporó el modelo a su API el 5 de noviembre de 2026 y lo dejó gratuito durante los primeros catorce días; cuando esa ventana se cierre, se reanudarán los «precios originales», unos precios que el proveedor aún no ha publicado. Así que cada afirmación arquitectónica que aparece a continuación tiene una vida útil corta y una pregunta de largo recorrido asociada: ¿cuánto cuesta esto el día quince? Ling-3.2-flash es un modelo de mezcla de expertos de 560 mil millones de parámetros, con 25 mil millones de parámetros activos por token, un contexto de 1 millón de tokens y —la verdadera noticia— entrada nativa de imagen, texto y vídeo, lo que lo convierte en el primer modelo insignia de Ling que ve en lugar de solo leer. Su predecesor, Ling-3.1-flash, era solo de texto. Ling-3.0-flash-VL, el modelo de visión anterior, era una rama lateral de 124 mil millones. Esta es la primera vez que la cima de la línea Ling y la capacidad multimodal están en los mismos pesos.

La propia entrada del changelog de Ant (versión 2.0.6, fechada el 5 de noviembre) es el documento de lanzamiento, y consta de una sola frase. El anuncio en X de esa misma noche añade tres cifras de benchmark y cinco vídeos de demostración. No hay informe técnico, ni model card, ni pesos, ni lista de precios. Es un rastro documental más escaso que el que tuvo Ling-3.1-flash en septiembre, y vale la pena decirlo sin rodeos antes de dar por establecida cualquier cifra.

Qué se lanzó realmente y qué no ha dicho Ant

Hoy hay cuatro cosas documentadas y verificables. El número de parámetros, el recuento de activos y la ventana de contexto aparecen en dos lugares del sitio para desarrolladores de Ant: la tabla de selección de modelos de Ling y la cronología «Ling's Evolution», que clasifica la serie 3.2 en 2026.11. El soporte de modalidades aparece en la referencia de la API: una solicitud a Ling-3.2-flash «acepta de forma nativa texto, imágenes y vídeos», con bloques de contenido image_url para imágenes fijas y bloques video_url para vídeo. Las formas de los endpoints son las dos que Ant ya ejecuta en todas partes: chat/completions compatible con OpenAI y messages compatible con Anthropic, ambos en api.ant-ling.com/v1.

Cuatro cosas no están documentadas. No hay ningún precio publicado por millón de tokens para Ling-3.2-flash en ninguna parte de la página de precios: la tabla enumera Ling-3.1-flash, Ling-3.0-flash-VL, Ling-3.0-flash y dos modelos de imagen Ming, y Ling-3.2-flash aparece solo en la línea promocional. No hay pesos abiertos: la organización inclusionAI en Hugging Face contiene Ling-3.1-flash, Ling-3.1-flash-1019 y un checkpoint base de Ling-3.1-flash, y ningún repositorio de 3.2. No hay ningún benchmark independiente. Y no se indica ningún límite de tokens de salida, lo cual, para un modelo orientado a la generación de entregables largos, es una omisión real y no una nota a pie de página.

La cuestión de los pesos tiene un rastro social visible. La única respuesta que merece la pena leer bajo el anuncio de Ant es la de un usuario que pregunta, en esencia, si será de código abierto. Ant no ha respondido. Para un laboratorio cuya reputación entera en 2026 se sustenta en checkpoints de 560B con licencia MIT —Ling-3.1-flash-1019 se publicó con 573.8 GB bajo licencia MIT el 27 de octubre—, cerrar el modelo insignia es un cambio de postura, no una formalidad.

Los tres números, y cuánto valen.

El anuncio de Ant compara Ling-3.2-flash con Opus 5 ejecutándose con el máximo esfuerzo de razonamiento en tres evaluaciones. Las tres son reportadas por el proveedor, las tres proceden del propio proceso de publicación de Ant y ninguna se ha reproducido fuera de él. Con esa etiqueta bien pegada:

• OmniDocBench1.5 — 92,21 para Ling-3.2-flash frente a 90,56 para Opus 5 (max). Una prueba de referencia de comprensión de documentos; una diferencia de 1,65 puntos.

• ZEROBench(Sub) — 43,71 frente a 39,52. Esta es la mayor brecha relativa de las tres, aproximadamente un 10,6 %, en un benchmark de escenas 3D.

• Vision2Web — 85.86 frente a 80.20. Una evaluación de visión a implementación web, y la que se corresponde más directamente con las demos de frontend que Ant publicó junto a ella.

Lee el conjunto con detenimiento y dice algo más limitado que «supera a Opus 5». Primero, los tres benchmarks son visuales. Ant eligió las tres evaluaciones en las que un modelo multimodal nativo con 25B de parámetros activos podría plausiblemente superar a un modelo cerrado de frontera, y no publicó ni una sola comparación solo de texto: ninguna suite de razonamiento, ninguna suite de programación, ninguna tarea agéntica de terminal. Segundo, dos de los tres (ZEROBench y Vision2Web) no son instrumentos estándar de leaderboard con amplia participación de terceros; un lector no puede verificarlos fácilmente frente a otros modelos. Tercero, «Opus 5 (max)» es una configuración específica de un competidor específico, y el anuncio no indica el arnés, el conjunto de prompts ni el número de intentos de ninguna de las partes.

Eso no hace que las cifras sean incorrectas. Las convierte en la afirmación de un proveedor sobre un conjunto de tareas elegido por el proveedor, algo normal en un lanzamiento y anómalo de repetir como un hecho. El resumen honesto es que Ant cree que Ling-3.2-flash es el modelo chino más potente disponible en tareas de documentos, 3D y visión a código, y ha publicado exactamente las pruebas que respaldan esa creencia y ninguna de las pruebas que la pondrían a prueba.

Donde se supone que la multimodalidad debe dar sus frutos

Ant nombra cuatro áreas de capacidad, y son más específicas que la lista habitual de lanzamiento. La primera es la comprensión visual compleja: documentos con ecuaciones y diagramas, no descripción de imágenes. La segunda es «Agente multimodal de horizonte largo», que en el marco de Ant significa un modelo que mantiene vivo un contexto visual a lo largo de muchas llamadas a herramientas. La tercera es la comprensión e interacción en 3D, y la cuarta es el trabajo multimodal médico.

Las demos son la parte interesante porque muestran la forma de uso prevista. En una, Ling-3.2-flash coordina agentes especialistas sobre un contexto compartido para convertir datos financieros del segundo trimestre en un informe de análisis, una presentación de seis diapositivas para el consejo y un vídeo de aspectos destacados, y luego revisa los tres según los comentarios. En otra, controla Blender mediante acciones de interfaz de usuario y cambios de parámetros, y convierte planos de ingeniería en modelos 3D para la web. Una tercera muestra cómo lee renderizados sin interfaz de esferas de materiales y compara rugosidad, mapas de normales y detalle de relieve para perfeccionar sus propios scripts: un bucle de retroalimentación visual, el mismo patrón de «observar, actuar, verificar, corregir» que Ant incorporó en Ling-3.0-flash-VL. Una cuarta lee PDF de investigación con ecuaciones e implementa los algoritmos en código. Una quinta convierte fotos de comidas en un diario semanal de alimentación con estimaciones de porciones y totales de nutrientes.

Dos de esos cinco merecen tomarse en serio como afirmaciones de producto y no como marketing: el bucle de inspección del renderizado y la conversión de dibujos a 3D exigen que el modelo observe su propia salida y cambie de rumbo, que es la única capacidad que separa el entrenamiento multimodal nativo de acoplar un codificador de visión a un modelo de texto. Si funciona con la calidad que Ant afirma es justo lo que ningún test independiente ha establecido todavía.

La historia del acceso es la parte que tiene mordiente.

Ling-3.2-flash se puede usar hoy de tres maneras: el producto de chat Ling Studio, el endpoint de chat compatible con OpenAI y el endpoint de mensajes compatible con Anthropic. El objeto thinking está documentado como compatible en las series 3.0, 3.1 y 3.2, con enabled como valor predeterminado y disabled disponible para trabajos sensibles a la latencia. Los SDK existentes funcionan con un cambio de URL base.

Luego está la realidad operativa que {{1}}Ant documenta en su propia página de límites de velocidad{{/1}}: dos consultas por segundo, de forma global, con errores 429 por encima de eso, y un tiempo de espera de 90 segundos en llamadas síncronas, con recomendación de usar streaming. Para un producto de chat, eso está bien. Para las cargas de trabajo de agentes de horizonte largo para las que el modelo está posicionado explícitamente {{2}}—bucles de varios pasos, cadenas de herramientas, agentes que llaman al modelo decenas de veces por tarea—{{/2}}, dos QPS son un techo inflexible que moldeará la arquitectura más de lo que lo hará cualquier cifra de benchmark. Cualquiera que planee ejecutar Ling-3.2-flash como columna vertebral de agentes debería leer esa página antes que la página de precios.

Por nuestra parte, la posición honesta: Ling-3.2-flash no está hoy en el catálogo de OrcaRouter. Volvimos a leer la lista de modelos en vivo el 6 de noviembre y devuelve 215 identificadores, ninguno de ellos Ling, inclusionAI, Ring o ERNIE — las únicas coincidencias con «ling» son modelos de vídeo Kling. Así que aquí nada está a una sola llamada de distancia. Lo que sí está a una llamada, si contabas con la ventana gratuita de dos semanas, son modelos con precios publicados sobre los que puedes presupuestar de verdad: Qwen3.8-Flash a 0,15 $ por millón de tokens de entrada y 0,47 $ por millón de salida, GLM-5.3-Flash a 0,15 $ y 0,50 $, y DeepSeek V4.1 Flash a 0,15 $ y 0,60 $. Son precios de lista del proveedor trasladados con cero margen, así que cuando un proveedor baja una tarifa, llega a nuestro lado el mismo día en lugar de tras un ciclo de reajuste de precios.

Cómo se ve el día quince

La página de precios de Ant dice que los precios originales se reanudan después del periodo promocional y te pide que "no pierdas de vista el saldo de tu cuenta". Esa es toda la información sobre precios para un modelo insignia de 560B. Comparemos con los modelos vecinos de la misma página: Ling-3.1-flash aparece a ¥2,00 de entrada y ¥6,00 de salida por millón de tokens, con un 75 % de descuento, a ¥0,50 y ¥1,50; Ling-3.0-flash-VL a ¥0,50 y ¥1,50, con un 72 % de descuento, a ¥0,14 y ¥0,42. Si Ling-3.2-flash se acerca en algo a su hermano de solo texto, eso supone aproximadamente $0,30 por millón de entrada y $0,90 por millón de salida a precio de lista, antes de descuentos; pero eso es una inferencia a partir de una fila vecina, no una tarifa publicada, y un modelo multimodal conlleva tokens de imagen y video cuyo precio Ant no ha descrito en absoluto.

Así que la decisión del lector se divide claramente según el plazo. Si tienes que ejecutar esta semana una evaluación con muchos documentos o centrada en visión, Ling-3.2-flash es gratuito, capaz sobre el papel y merece el coste de configuración de cambiar la URL base. Si estás eligiendo la columna vertebral de producción para el próximo trimestre, estás eligiendo un modelo sin precio publicado, sin puntuación independiente, sin pesos, con un límite de dos solicitudes por segundo y sin ruta de respaldo; y lo responsable es ejecutar la evaluación ahora, mientras no cuesta nada, y aplazar la decisión de arquitectura hasta que lleguen la lista de precios y las primeras puntuaciones de terceros.

Lo que hay que vigilar no es la tabla de clasificación. Es si Ant publica una tarjeta de tarifas y una ficha de modelo antes de que se cierre la ventana gratuita, y si inclusionAI consigue un repositorio 3.2 tal como consiguió uno 3.1. Un laboratorio que hace tres semanas publicó 574 GB de pesos con licencia MIT y ahora lanza un modelo insignia cerrado te está diciendo algo sobre dónde está el margen. El plazo de dos semanas es la fecha límite para decidir si te lo crees.