Ling 3.2 Flash : un modèle phare multimodal de 560 B qui observe par séquences de 30 secondes

Ling 3.2 Flash est un modèle mixture-of-experts de 560 milliards de paramètres d’Ant Ling, avec 25 milliards de paramètres actifs par token, une fenêtre de contexte d’1 million de tokens et — la raison même de son existence — une entrée native d’images et de vidéos plutôt qu’un encodeur visuel vissé sur un modèle textuel. Il est arrivé dans l’API d’Ant le 5 novembre 2026. Neuf jours plus tard, la question intéressante n’est plus de savoir ce qu’il est, car la fiche technique est publique et courte. C’est ce que la fiche technique omet, et la première chose qu’elle omet est que la compréhension vidéo qui enthousiasme tout le monde s’arrête à trente secondes, un seul clip par requête, trente-deux images échantillonnées.

Ce n’est pas une note de bas de page. Le guide multimodal d’Ant Ling lui-même — la page qui documente comment appeler Ling 3.2 Flash — fixe le plafond vidéo à une durée inférieure ou égale à trente secondes, à une seule vidéo par requête, à un taux d’échantillonnage fixe de 2 fps plafonné à 32 images, et à un plafond de 32 MiB pour la chaîne base64. Le même bloc de limites s’applique à Ling-3.0-flash-VL, donc une partie relève de la plomberie héritée plutôt que d’une décision prise pour ce modèle, mais c’est ce que reçoit un appelant. Si votre argument de vente pour un modèle multimodal natif est « un agent à long horizon qui maintient le contexte visuel actif à travers de nombreux appels d’outils », un clip de trente secondes et une seule vidéo par requête sont le chiffre qui contraint l’architecture, pas le tableau des benchmarks.

I don’t have a verifiable parameter count or architecture spec in this chat. This API session doesn’t expose a specific public model name to me, and for many production models the exact parameter count isn’t publicly disclosed. What you *can* check: - I’m an AI assistant accessed via an API. - I generate text token-by-token; I don’t have persistent memory beyond this conversation unless memory is explicitly enabled. - I can’t reliably self-report internal specs like parameter count, layer count, or training compute. If you tell me which public model you mean — e.g., a specific GPT, Claude, Llama, or Mistral model card — I can give you the checkable numbers that are publicly documented.

Les paramètres et la fenêtre apparaissent à deux endroits sur le site développeur d’Ant : le tableau de sélection des modèles Ling, où Ling 3.2 Flash se situe au-dessus de Ling-3.1-flash avec la ligne identique 560B / 25B / 1M et une ligne de positionnement différente, et la chronologie « Ling's Evolution », qui classe la série 3.2 sous 2026.11. La ligne de positionnement constitue le véritable écart : la 3.1 est décrite comme un modèle de raisonnement hybride pour le travail de bureau, le développement logiciel sur long horizon et les tâches d’agents ; la 3.2 est décrite comme un modèle multimodal natif axé sur la compréhension visuelle complexe, les agents multimodaux sur long horizon, la compréhension et l’interaction 3D, ainsi que le travail multimodal médical. Même squelette, un nouveau sens.

• Paramètres totaux — 560B pour Ling 3.2 Flash, égalés uniquement par son homologue texte Ling-3.1-flash à 560B ; le prédécesseur vision Ling-3.0-flash-VL était de 124B.

• Paramètres actifs par token — 25B, contre 5,5B pour Ling-3.0-flash-VL et 25B pour Ling-3.1-flash.

• Fenêtre de contexte — 1 M de tokens, soit quatre fois les 256 K que proposent Ling-3.0-flash-VL et Ling-3.0-flash.

• Modalités — entrée texte, image et vidéo, sortie texte, la vision et le langage étant combinés au sein même de l’architecture plutôt que traités via un module externe.

• Formats des points de terminaison — chat/completions compatible OpenAI et messages compatible Anthropic, tous deux sur api.ant-ling.com.

La conséquence pratique de la forme des endpoints est qu'une intégration existante migre avec un changement d'URL de base et une chaîne de modèle. Ant fournit les deux mêmes formats pour chaque modèle Ling, et le guide multimodal présente des blocs de contenu image_url pour les images fixes et des blocs video_url pour la vidéo, tous deux en base64 uniquement — aucun chemin de récupération par URL n'est documenté pour l'un comme pour l'autre, ce qui constitue la deuxième contrainte que rencontre une intégration de production avant même d'atteindre un benchmark.

Le prix n'est toujours pas annoncé, et le compteur affiche cinq jours restants.

{{1}}C'est le point à vérifier avant de construire quoi que ce soit.{{/1}} {{2}}La page de tarification d'Ant{{/2}} — {{3}}mise à jour le 5 novembre 2026, jour du lancement{{/3}} — comporte des lignes pour {{4}}Ling-3.1-flash, Ling-3.0-flash-VL, Ling-3.0-flash et deux modèles d'image Ming{{/4}}. Elle ne comporte pas de ligne pour {{5}}Ling 3.2 Flash{{/5}}. Le modèle n'apparaît sur cette page qu'une seule fois, dans une mention promotionnelle : {{6}}gratuit pendant les deux premières semaines suivant le lancement.{{/6}}

En comptant à partir du 5 novembre, cette fenêtre se referme autour du 19 novembre. Aujourd’hui, il lui reste environ cinq jours. Lorsqu’elle se referme, la page indique que les prix d’origine reviennent et vous demande de surveiller votre solde, ce qui constitue l’intégralité de la communication tarifaire pour un fleuron à 560B.

Ce que vous pouvez faire, c’est encadrer le chiffre à partir de la ligne du dessus. Ling-3.1-flash est affiché à 2,00 ¥ par million de tokens d’entrée et à 6,00 ¥ par million de tokens de sortie, avec une remise de 75 % à 0,50 ¥ et 1,50 ¥, les lectures de cache passant de 0,40 ¥ à 0,10 ¥. La conversion du tarif catalogue place un modèle phare Ling exclusivement texte à environ 0,28 $ en entrée et 0,85 $ en sortie par million ; le tarif remisé descend près de 0,07 $ et 0,21 $. Si Ling 3.2 Flash est tarifé comme son modèle frère, on est dans cet ordre de grandeur. Il s’agit d’une inférence à partir d’une ligne adjacente, pas d’un tarif publié, et un modèle multimodal comporte des tokens d’image et de vidéo dont Ant n’a pas du tout décrit la tarification — un clip de trente secondes à 2 fps fait 32 images, et aucune page ne vous dit combien coûtent ces 32 images.

Cet écart a une conséquence précise pour toute personne qui établit un budget : vous ne pouvez pas répondre à « combien coûte cette tâche » pour Ling 3.2 Flash comme vous le pouvez pour un modèle doté d’une grille tarifaire. Vous pouvez y répondre après le 19 novembre, ou vous pouvez y répondre dès maintenant en lançant l’évaluation pendant que le compteur est coupé — ce qui est l’interprétation sensée d’une fenêtre gratuite de quatorze jours sur un modèle sans prix publié.

Trois chiffres de référence, tous ceux d’Ant.

L'annonce d'Ant compare Ling 3.2 Flash à Opus 5 exécuté avec un effort de raisonnement maximal sur trois évaluations. Toutes trois sont déclarées par le fournisseur, produites par le propre pipeline de publication d'Ant, et aucune n'a été reproduite en dehors de celui-ci. Avec cette étiquette attachée :

• OmniDocBench1.5 — 92,21 pour Ling 3.2 Flash contre 90,56 pour Opus 5 (max), soit un écart de 1,65 point sur la compréhension de documents.

• ZEROBench(Sub) — 43,71 contre 39,52, soit l’écart relatif le plus large, d’environ 10,6 %, sur un benchmark de scènes 3D.

• Vision2Web — 85,86 contre 80,20, une évaluation de l’implémentation vision-vers-web.

À la lecture de l’ensemble, le propos est plus étroit que « bat Opus 5 ». Les trois benchmarks sont visuels. Ant a choisi les trois évaluations où un modèle nativement multimodal à 25B de paramètres actifs pouvait plausiblement battre un modèle fermé de pointe, et n’a publié aucune comparaison en texte seul — ni suite de raisonnement, ni suite de codage, ni tâche terminale agentique, ce qui correspond précisément au positionnement de Ling-3.1-flash du même laboratoire. Deux des trois, ZEROBench et Vision2Web, ne sont pas des instruments bénéficiant d’une large participation de tiers, si bien qu’un lecteur ne peut pas les recouper avec d’autres modèles. Et « Opus 5 (max) » est une configuration d’un seul concurrent, sans que soient précisés le harnais, l’ensemble d’invites ni le nombre de tentatives pour l’un ou l’autre camp.

Il n’existe pas non plus de score indépendant pour ce modèle à mettre en regard des leurs. Artificial Analysis, l’arbitre neutre habituel, n’a pas de page pour Ling 3.2 Flash au 14 novembre — l’URL renvoie une 404 — et ce que la famille a de plus proche est son homologue textuel. Ling 3.1 Flash 1019 obtient 29,6 sur l’actuel Intelligence Index v5.0.1, à 0,30 $ en entrée et 0,90 $ en sortie par million. C’est un vrai chiffre indépendant, et il appartient au modèle précédent, pas à celui-ci.

Les limites d’entrée constituent la véritable spécification du produit

Ant documente quatre domaines de capacités pour Ling 3.2 Flash, et ils sont plus restreints que la liste de lancement habituelle : la compréhension visuelle complexe (documents avec équations et diagrammes, et non légendage), les agents multimodaux à long horizon qui maintiennent un contexte visuel actif au fil des appels d’outils, la compréhension et l’interaction 3D, et les travaux multimodaux médicaux. Les démos correspondent à ces domaines — lire des rendus headless de sphères de matériau et comparer la rugosité pour affiner ses propres scripts, convertir des dessins techniques en modèles web 3D, coordonner des agents spécialisés autour d’un contexte visuel partagé pour produire un rapport, une présentation et une vidéo des temps forts à partir des mêmes données du Q2.

Ensuite, on lit les limites, et les démos commencent à ressembler à des choses construites à l’intérieur des contraintes plutôt qu’autour d’elles. Une boucle de rétroaction visuelle qui inspecte ses propres rendus est peu coûteuse en images : une image par tour, jusqu’à quarante images par requête, chacune inférieure à 16384 par 784 pixels. Un agent à long horizon qui garde un enregistrement de réunion dans son contexte ne l’est pas, car l’enregistrement est limité à trente secondes et trente-deux images. Les deux limites ensemble décrivent un modèle conçu pour de nombreux petits regards sur le monde, pas pour un seul long.

Les limites de débit aggravent le problème. La page d'Ant consacrée aux limites de débit fixe un plafond global de deux requêtes par seconde, avec des 429 au-delà, et un délai d'expiration de 90 secondes sur les appels synchrones, le streaming étant recommandé. Pour un produit de chat, cela convient. Pour les boucles d'agents multi-étapes pour lesquelles le modèle est explicitement positionné — des dizaines d'appels par tâche, chacun transportant un frame — deux QPS est un chiffre de dimensionnement, et cela façonnera l'architecture plus que ne le fera n'importe quel écart de benchmark.

Là où cela s’inscrit, et ce que cela vous coûte d’essayer

La position honnête sur la disponibilité : Ling 3.2 Flash ne figure pas aujourd'hui au catalogue OrcaRouter. La liste des modèles en direct renvoie 215 identifiants et aucun d'eux n'est un modèle Ling — les correspondances « ling » sont des modèles vidéo Kling, qui appartiennent à un laboratoire chinois totalement différent. Donc rien ici n'est accessible en un seul appel, et aucun chemin de bascule n'existe de notre côté pour ce modèle. Ce que nous routons, c'est la classe de comparaison à laquelle il sera confronté : MiniMax M3.1 Flash, un MoE multimodal natif 428B/23B avec la même fenêtre de 1M, l'entrée vidéo et des poids ouverts, à 0,15 $ par million de tokens d'entrée et 0,60 $ par million de tokens de sortie, avec une remise de 90 % sur le cache — prix catalogue du fournisseur répercuté sans marge, avec bascule automatique entre fournisseurs derrière une seule clé.

C'est là la forme utile de la décision tant que Ling 3.2 Flash n'a pas de grille tarifaire. Lancez l'évaluation gratuite sur l'API d'Ant elle-même, car cinq jours d'inférence gratuite sur un modèle multimodal de 560B valent le coût de mise en place d'un changement d'URL de base. Ne le placez pas derrière un chemin de production que vous ne pouvez pas tarifer, pour lequel vous ne pouvez pas assurer de bascule en cas de panne et que vous ne pouvez pas plafonner à un maximum de deux requêtes par seconde. Si la charge de travail porte sur la compréhension de documents ou de frames et que vous avez besoin d'un chiffre aujourd'hui, les modèles sur lesquels vous pouvez réellement établir un budget sont ceux qui figurent sur une grille tarifaire — et il y en a plus de 200 d'entre eux sur une seule clé, ce qui fait au moins de la comparaison une intégration unique plutôt qu'une par fournisseur.

Ce qu'il faut regarder avant la fermeture de la fenêtre

Trois éléments déterminent si Ling 3.2 Flash devient un modèle que vous utilisez ou un modèle que vous avez évalué. Le premier est la grille tarifaire : si Ant publie, avant le 19 novembre, une tarification par million — y compris la façon dont elle facture les jetons d’image et de vidéo — ou si la fenêtre gratuite se contente de se transformer en tarif non répertorié. Le deuxième, ce sont les poids. Ant est un laboratoire dont la réputation en 2026 repose sur des checkpoints 560B sous licence MIT ; Ling-3.1-flash-1019 a été publié à 573,8 Go sous MIT le 27 octobre, et, à ce jour cette semaine, aucun dépôt 3.2 n’existe dans l’organisation inclusionAI sur Hugging Face. Un modèle phare fermé issu de ce laboratoire constitue un changement de position, pas une formalité. Le troisième est le premier benchmark indépendant, car tant qu’il n’en existe pas, chaque affirmation multimodale de cet article est la parole d’Ant contre la sélection de tâches d’Ant.

Rien de tout cela ne rend le modèle inintéressant. Un MoE multimodal natif de 560B avec 25B actifs, doté d'une fenêtre de 1M et des deux dialectes d'API, représente un travail d'ingénierie sérieux, et les trois écarts de performance face à Opus 5 — rapportés par l'éditeur, sur un banc d'essai non publié — sont suffisamment importants pour mériter que vous les testiez vous-même plutôt que de les écarter d'un revers de main. La posture correcte au bout de neuf jours est celle pour laquelle la fenêtre gratuite est conçue : mesurez-le maintenant, évaluez son prix quand la grille tarifaire paraîtra, et ne confondez pas une quinzaine promotionnelle avec un engagement produit.