Ling 3.2 Flash: un flagship multimodale da 560B che osserva 30 secondi alla volta

Ling 3.2 Flash è un modello mixture-of-experts da 560 miliardi di parametri di Ant Ling, con 25 miliardi di parametri attivi per token, una finestra di contesto da 1 milione di token e — il motivo per cui esiste — input nativo di immagini e video invece di un encoder visivo aggiunto a posteriori a un modello testuale. È entrato nell'API di Ant il 5 novembre 2026. Nove giorni dopo, la domanda interessante non è più cosa sia, perché la scheda tecnica è pubblica e breve. È ciò che la scheda tecnica omette, e la prima cosa che omette è che la comprensione video che entusiasma tutti si ferma a trenta secondi, una clip per richiesta, trentadue frame campionati.

Non è una nota a piè di pagina. La guida multimodale di Ant Ling stesso — la pagina che documenta come chiamare Ling 3.2 Flash — fissa il limite massimo per i video a una durata pari o inferiore a trenta secondi, un solo video per richiesta, una frequenza di campionamento fissa di 2fps con un limite massimo di 32 frame e un tetto di 32 MiB per la stringa base64. Lo stesso blocco di limiti vale per Ling-3.0-flash-VL, quindi una parte è infrastruttura ereditata anziché una decisione presa per questo modello, ma è ciò che ottiene chi effettua la chiamata. Se la tua proposta per un modello multimodale nativo è «un agente a lungo orizzonte che mantiene vivo il contesto visivo attraverso molte chiamate agli strumenti», una clip di trenta secondi e un solo video per richiesta sono il numero che vincola l'architettura, non la tabella dei benchmark.

Che cos'è il modello, in numeri che puoi verificare

I parametri e la finestra compaiono in due punti sul sito per sviluppatori di Ant: la tabella di selezione del modello Ling, dove Ling 3.2 Flash si trova sopra Ling-3.1-flash con la riga identica 560B / 25B / 1M e una linea di posizionamento diversa, e la timeline «Ling's Evolution», che colloca la serie 3.2 sotto 2026.11. La linea di posizionamento è il vero delta: 3.1 è descritto come un modello di ragionamento ibrido per lavoro d'ufficio, sviluppo software a lungo orizzonte e attività agentiche; 3.2 è descritto come un modello multimodale nativo incentrato su comprensione visiva complessa, agenti multimodali a lungo orizzonte, comprensione e interazione 3D e lavoro multimodale in ambito medico. Stesso scheletro, un nuovo senso.

• Parametri totali — 560B per Ling 3.2 Flash, eguagliato solo dal suo omologo solo testo Ling-3.1-flash a 560B; il predecessore per la visione Ling-3.0-flash-VL era 124B.

Parametri attivi per token — 25B, contro 5,5B per Ling-3.0-flash-VL e 25B per Ling-3.1-flash.

• Finestra di contesto — 1M token, quattro volte i 256K offerti da Ling-3.0-flash-VL e Ling-3.0-flash.

• Modalità — input di testo, immagini e video, output di testo, con visione e linguaggio combinati nell'architettura stessa anziché instradati attraverso un modulo esterno.

• Forme degli endpoint — chat/completions compatibili con OpenAI e messages compatibili con Anthropic, entrambi su api.ant-ling.com.

La conseguenza pratica delle forme degli endpoint è che un'integrazione esistente si sposta con un cambio di base-URL e una stringa di modello. Ant fornisce gli stessi due formati per ogni modello Ling, e la guida multimodale mostra blocchi di contenuto image_url per le immagini fisse e blocchi video_url per il video, entrambi solo base64 — non è documentato alcun percorso di recupero tramite URL per nessuno dei due, che è il secondo vincolo che un'integrazione di produzione incontra prima di incontrare un benchmark.

Il prezzo non è ancora indicato, e al contatore mancano cinque giorni.

Questa è la parte che vale la pena verificare prima di sviluppare qualsiasi cosa. La pagina dei prezzi di Ant — aggiornata l'ultima volta il 5 novembre 2026, il giorno del lancio — contiene righe per Ling-3.1-flash, Ling-3.0-flash-VL, Ling-3.0-flash e due modelli di immagini Ming. Non contiene una riga per Ling 3.2 Flash. Il modello compare su quella pagina esattamente una volta, in una riga promozionale: gratuito per le prime due settimane dopo il lancio.

A partire dal 5 novembre, quella finestra si chiude intorno al 19 novembre. Oggi restano circa cinque giorni. Quando si chiude, la pagina dice che i prezzi originali tornano in vigore e ti chiede di tenere d'occhio il tuo saldo, che è l'intera informativa sui prezzi per un flagship da 560B.

Quello che puoi fare è delimitare il numero partendo dalla riga precedente. Ling-3.1-flash ha un prezzo di listino di ¥2,00 per milione di token di input e ¥6,00 per milione di output, scontato del 75% a ¥0,50 e ¥1,50, con le letture dalla cache che passano da ¥0,40 a ¥0,10. Convertendo la cifra di listino, un flagship Ling solo testo si attesta su circa $0,28 di input e $0,85 di output per milione; la tariffa scontata si avvicina a $0,07 e $0,21. Se Ling 3.2 Flash avrà un prezzo simile a quello del suo fratello, ci aggiriamo in quella fascia. Si tratta di un'inferenza da una riga adiacente, non di una tariffa pubblicata, e un modello multimodale porta con sé token di immagini e video il cui prezzo Ant non ha descritto affatto — una clip di trenta secondi a 2fps è composta da 32 frame, e nessuna pagina ti dice quanto costano quei 32 frame.

Quel vuoto ha una conseguenza specifica per chiunque debba fare un budget: non puoi rispondere alla domanda «quanto costa questo compito» per Ling 3.2 Flash come puoi fare per un modello con un listino prezzi. Puoi rispondere dopo il 19 novembre, oppure puoi rispondere già ora eseguendo la valutazione mentre il contatore è spento — che è l'interpretazione sensata di una finestra gratuita di quattordici giorni su un modello senza prezzo pubblicato.

Tre numeri di benchmark, tutti quanti di Ant

L'annuncio di Ant confronta Ling 3.2 Flash con Opus 5 eseguito al massimo sforzo di ragionamento su tre valutazioni. Tutte e tre sono riportate dal fornitore, prodotte dalla pipeline di rilascio di Ant stessa, e nessuna è stata riprodotta al di fuori di essa. Con questa etichetta apposta:

• OmniDocBench1.5 — 92,21 per Ling 3.2 Flash contro 90,56 per Opus 5 (max), un divario di 1,65 punti nella comprensione dei documenti.

• ZEROBench(Sub) — 43,71 contro 39,52, il divario relativo più ampio, pari a circa il 10,6%, su un benchmark di scene 3D.

• Vision2Web — 85,86 contro 80,20, una valutazione di implementazione da visione a web.

Leggi il set e dice qualcosa di più limitato di «batte Opus 5». Tutti e tre i benchmark sono visivi. Ant ha scelto le tre valutazioni in cui un modello nativamente multimodale con 25B parametri attivi poteva plausibilmente battere un modello chiuso di frontiera, e non ha pubblicato alcun confronto solo testo — nessuna suite di ragionamento, nessuna suite di coding, nessun compito agentico da terminale, che è esattamente dove si colloca il posizionamento di Ling-3.1-flash dello stesso laboratorio. Due dei tre, ZEROBench e Vision2Web, non sono strumenti con un'ampia partecipazione di terze parti, quindi un lettore non può verificarli in modo attendibile rispetto ad altri modelli. E «Opus 5 (max)» è una configurazione di un solo concorrente, senza harness, set di prompt o numero di tentativi dichiarati per nessuna delle due parti.

Non esiste inoltre alcun punteggio indipendente per questo modello da affiancare ad essi. Artificial Analysis, il consueto arbitro neutrale, non ha una pagina per Ling 3.2 Flash al 14 novembre — l'URL restituisce un 404 — e la soluzione più vicina offerta dalla famiglia è il suo modello gemello solo testuale. Ling 3.1 Flash 1019 ottiene 29,6 sull'attuale Intelligence Index v5.0.1 con 0,30 $ per l'input e 0,90 $ per l'output per milione. Questo è un vero numero indipendente, e appartiene al modello precedente, non a questo.

I limiti di input sono la vera specifica di prodotto

Ant documenta quattro aree di capacità per Ling 3.2 Flash, e sono più ristrette del consueto elenco di lancio: comprensione visiva complessa (documenti con equazioni e diagrammi, non didascalizzazione), agenti multimodali con orizzonte lungo che mantengono vivo un contesto visivo attraverso le chiamate agli strumenti, comprensione e interazione 3D, e attività multimodale in ambito medico. Le demo corrispondono a queste aree — leggere rendering headless di sfere di materiale e confrontare la rugosità per affinare i propri script, convertire disegni tecnici in modelli web 3D, coordinare agenti specializzati su un contesto visivo condiviso per produrre un report, una presentazione e un video di highlights dagli stessi dati del Q2.

Poi leggi i limiti, e le demo iniziano a sembrare costruite dentro i vincoli anziché attorno ad essi. Un ciclo di feedback visivo che ispeziona i propri render è economico in termini di frame: un'immagine per turno, fino a quaranta immagini per richiesta, ciascuna sotto 16384 x 784 pixel. Un agente con orizzonte lungo che mantiene una registrazione di una riunione nel contesto non lo è, perché la registrazione è limitata a trenta secondi e trentadue frame. Insieme, i due limiti descrivono un modello costruito per molti piccoli sguardi sul mondo, non per uno solo lungo.

I rate limit lo aggravano. La pagina dei rate limit di Ant stabilisce un tetto globale di due richieste al secondo, con 429 oltre tale soglia, e un timeout di 90 secondi sulle chiamate sincrone, con streaming consigliato. Per un prodotto di chat va bene. Per i cicli degli agenti multi-step per cui il modello è esplicitamente posizionato — dozzine di chiamate per attività, ciascuna con un frame — due QPS sono un numero da pianificazione, e plasmeranno l'architettura più di qualsiasi divario nei benchmark.

Dove si inserisce e quanto ti costa provare

La posizione onesta sulla disponibilità: Ling 3.2 Flash non è oggi nel catalogo OrcaRouter. L'elenco live dei modelli restituisce 215 identificatori e nessuno di essi è un modello Ling — le corrispondenze "ling" sono modelli video Kling, che appartengono a un laboratorio cinese completamente diverso. Quindi qui nulla è a portata di una singola chiamata, e non esiste alcun percorso di failover dalla nostra parte per questo. Ciò che instradiamo è la classe di confronto con cui sarà valutato: MiniMax M3.1 Flash, un MoE multimodale nativo da 428B/23B con la stessa finestra da 1M, input video e pesi aperti, a $0,15 per milione di token in input e $0,60 per milione di token in output con uno sconto cache del 90% — prezzo di listino del provider passato senza ricarico, con failover automatico tra provider dietro un'unica chiave.

Questa è la forma utile della decisione finché Ling 3.2 Flash non ha un tariffario. Esegui la valutazione gratuita sull'API di Ant stessa, perché cinque giorni di inferenza gratuita su un modello multimodale da 560B valgono il costo di configurazione di un cambio di base-URL. Non metterlo dietro un percorso di produzione che non puoi tariffare, per cui non puoi eseguire il failover e che non puoi limitare a più di due richieste al secondo. Se il carico di lavoro riguarda la comprensione di documenti o fotogrammi e ti serve un numero oggi, i modelli su cui puoi effettivamente basare il budget sono quelli con un tariffario — e ce ne sono oltre 200 su un'unica chiave, il che almeno rende il confronto un'unica integrazione anziché una per fornitore.

Cosa guardare prima che la finestra si chiuda

Tre cose decidono se Ling 3.2 Flash diventa un modello che usi o un modello che hai valutato. La prima è il listino prezzi: se Ant pubblica i prezzi per milione — incluso come fattura i token di immagini e video — prima del 19 novembre, o se la finestra gratuita semplicemente scade in una tariffa non elencata. La seconda sono i pesi. Ant è un laboratorio la cui reputazione nel 2026 si basa su checkpoint da 560B con licenza MIT; Ling-3.1-flash-1019 è stato rilasciato a 573.8 GB sotto MIT il 27 ottobre, e non esiste alcun repository 3.2 nell'organizzazione inclusionAI su Hugging Face a partire da questa settimana. Un flagship chiuso da quel laboratorio è un cambio di posizione, non una formalità. La terza è il primo benchmark indipendente, perché finché non ne esiste uno ogni affermazione multimodale in questo articolo è la parola di Ant contro la selezione dei task di Ant.

Niente di tutto ciò rende il modello poco interessante. Un MoE multimodale nativo da 560B con 25B attivi, con una finestra da 1M ed entrambi i dialetti API, è un serio pezzo di ingegneria, e i tre divari nei benchmark rispetto a Opus 5 — riportati dal fornitore, harness non pubblicato — sono abbastanza ampi da valere la pena di verificarli di persona anziché liquidarli. L'atteggiamento corretto dopo nove giorni è quello per cui è costruita la finestra gratuita: misuralo ora, calcolane il prezzo quando compare il tariffario, e non scambiare due settimane promozionali per un impegno di prodotto.