Ling-3.0-flash-VL：Ant、高速Lingシリーズのマルチモーダルモデルを公開

2026年9月4日、Ant GroupのinclusionAIラボは、Ling-3.0-flash-VLのMITライセンスの重みをHugging Face上で公開し、同日、Ant Lingプラットフォームの開発者向けドキュメントもそれに合わせて更新した。Ling-3.0-flash-VLは、Ling-3.0-flashファミリーで初めて視覚に対応したチェックポイントである。テキストのみのLing-3.0-flashを晩夏に最も話題となった低コスト推論モデルのひとつに押し上げた、約1240億パラメータのスパース混合エキスパート（MoE）バックボーンを備えながら、今度はテキストに加えて画像や短い動画クリップも読み取る。FP8量子化は、この記事を執筆している9月8日の朝に続けて行われた。こうして4日足らずのうちに、このリリースは読者がアクションを起こせる3つの面を獲得した。すなわち、オープンな重み、Ant Lingプラットフォーム上の公式API、そしてArtificial Analysis Intelligence Indexプロトコルバージョン4.1.1におけるベンダー報告のスコア42である。これはテキスト版の兄弟モデルが独立に測定された38より4ポイント高い。まだ獲得していないのは正式な発表だ。Hugging Faceのカードと開発者向けチュートリアルがローンチのすべてであり、だからこそこの記事はベンダーが述べることと外部者が検証できることを区別している。

このリリースが重要なのは、Antのプロダクトマップをどう変えるかにある。2026年半ばまで、Antのモデルポートフォリオにおけるマルチモーダル関連の成果物は、別系統のMingラインに置かれていた。一方、Ling-3.0-flashは——このブログのテキストモデルに関する解説でもそうだったが——エージェント、コーディング、深層リサーチ向けの、高速でテキストとツールを扱う層として位置づけられていた。Ling-3.0-flash-VLはその境界を崩す。それは、非常に小さな活性化パラメータ規模と長時間のエージェント実行を軸に設計された推論モデルへ視覚情報を持ち込み、その結果を開発者へ同時に3つの形で提供する。このため、これは従来のドメイン特化型バリアント（Ling-3.0-flash-Fin、Ling-3.0-flash-Sante）とは本質的に異なる決断である。従来版は重み非公開の無料APIとしてリリースされた。今回のモデルはオープンであり、Antの有料プラットフォーム上で動作する。また、登場から間もないため、ベンダー外部で独立した実行結果を公開した者はまだ誰もいない。この最後の点が本稿で最も重要である。

何がリリースされたのか、そしていつか

以下のすべての日付は、リポジトリとドキュメントから確認可能であり、そのいずれも存在しないプレスリリースに依拠するものではありません。

• 9月4日 — Hugging FaceリポジトリinclusionAI/Ling-3.0-flash-VLが15:24 UTCに作成され、64個のbf16重みシャードと完全なカスタムコードスタック（bailing_moe_v3_vlアーキテクチャ用）、デフォルトで思考が有効なチャットテンプレート、およびMITライセンスを備えている。執筆時点でのダウンロード数は数十件で、これはリポジトリウォッチャーだけが初日に気づくようなドロップである。

• 9月4日 — AntのLing-platform開発者ポータルに、公式API上のモデルを解説するマルチモーダル理解チュートリアルが追加された（ページ自体の「最終更新日」は2026年9月4日）。中国の開発者メディアは翌日、この機能を画像とショート動画の理解によるビジュアル質問応答・コンテンツ分析として報じた。

• 9月5日以降、サービングとデプロイメントのサポートが急速に登場しました。モデル向けのSGLangデプロイメントクックブック、inclusionAI組織がメンテナンスするカスタムvLLMフォーク、そして既製のchat-completionsエンドポイントを備えたbring-your-own-weightsデプロイメントライブラリの一覧です。これらは発表ではなく、ランタイムとインフラですが、このモデルは公開されるだけでなく、実際にサービスとして提供されることを目的に作られたことを示しています。

{{1}}• 9月8日 — FP8量子化版のinclusionAI/Ling-3.0-flash-VL-fp8が公開されました（64シャード、約126GB）。ビジョンタワーは意図的に高精度のまま残され、MoEの重みのみFP8 E4M3に圧縮されています。少ない台数・小型のGPUでセルフホスティングする場合、実際に多くの人がダウンロードするのはこのチェックポイントでしょう。{{/1}}

上記のカードは、今回のリリースでローンチ投稿に最も近いものです。モデル説明、アーキテクチャ、SGLangとvLLMのレシピへのリンクが含まれており、他のどこにもアナウンスは見つかりません。最初に指摘しておく価値のある不一致に注意してください。モデルカードには「トークンあたりアクティブ化されるパラメータはわずか5.5B」とあり、一方、同じリリース頃に書かれたSGLangクックブックでは「5.1Bアクティブ」モデルと説明されています。真新しいチェックポイントでは、その違いはおそらく2つの異なるモデルではなく、ビジョンタワーの計上方法によるものでしょう。しかし、これはまさに、曖昧にされるのではなく「未確定」とラベル付けされるべき種類の詳細です。

5.5Bをアクティブにする124Bモデル — 今や視覚も備えて

Ling-3.0-flash-VLは、テキストの兄弟モデルを定義したハイブリッドsparse-MoEレシピを受け継いでいます。カードの説明では、42層のバックボーンはKimi-Delta-Attention層とGated-MLA層を5:1の比率で交互に配置しており、これはLing-3.0-flashと同じ構造リズムです。総パラメータ数は約1248億で、トークンごとに活性化されるのはごく一部です。新しいのは知覚スタックです。ViTビジュアルエンコーダが2層のMLPプロジェクタを介して言語バックボーンに接続し、さらにVideoRoPEが空間位置と時間位置の両方をエンコードするため、ビデオフレームはモデルが推論できる順序で到着します。入力はテキスト・画像・ビデオで、出力はテキストです。

• パラメータ — 合計124B、ベンダーカードによるとトークンごとに約5.5Bが活性化（上記の会計上の注意点を参照）。

• コンテキスト — 最大1Mトークンと謳われているが、現在存在するデプロイメント・レシピはYaRNロープスケーリングにより256Kを実行している。誰かが検証済みのより長いランを公開するまでは、その256Kが計画の基準として妥当で実用的な数字である。

• Thinking — 推論はチャットテンプレートを通じてデフォルトで有効になっており、公式APIの例とサービングレシピの両方に、レイテンシーに敏感な呼び出し向けのリクエストごとのenable_thinking: falseスイッチが示されています。

• ライセンス — MIT、両方の精度フォーマット、追加条項なし。これは、テキストモデルが8月にオープンソース化された際に注目されたのと同じクリーンなライセンスであり、セルフホスティングがグレーゾーンではなく現実的な選択肢となる理由のすべてです。

設計意図は仕様書と同じくらい重要である。AntはLing-3.0-flash-VLを、「視覚情報を理解・推論・行動・検証の完全なプロセスに取り込む」モデルとして位置づけている——これは画像キャプションではなく、エージェント型ワークロードの言語だ。30秒の画面録画を視聴し、長いツール呼び出しセッションをコンテキスト内に保持し、活性化コストを約5Bパラメータに抑えられるモデルは、コンピュータ操作エージェントとショート動画に基づくエージェントを真っ向から狙ったものである。これは、単一画像の質問応答向けに最適化された視覚言語モデルとは異なる製品であり、以下のすべてのベンチマークはこの枠組みに照らして解釈すべきである。

公式APIが実際に受け付けるもの

Ant Lingプラットフォームのチュートリアルは、Ling-3.0-flash-VL を2つのAPI形式で説明しています: OpenAI互換エンドポイントは api.ant-ling.com/v1/chat/completions、Anthropic互換エンドポイントは api.ant-ling.com/anthropic/v1/messages。これに基づいて開発する前に知っておくべき制約があります:

• 画像 — JPEGおよびPNG、base64のみ、1リクエストあたり最大40画像、各画像は最大16,384 × 784ピクセル、および各base64文字列は最大32 MB。OpenAI互換のimage_url.detailパラメータは無視され、エンジンは内部で解像度を決定します。

• 動画 — MP4、MOV、またはWMV。リクエストごとに1クリップ、上限30秒。毎秒2フレームの固定レートでサンプリングされ、最大32フレームまで。base64で最大32MB。動画はOpenAI互換エンドポイントでのみサポートされています。Anthropic互換エンドポイントはテキストと画像を受け付けますが、動画は受け付けません。

• モデル識別子 — チュートリアルのcurl例ではモデルを Ling-3.0-flash-VL-rc1 と呼んでおり、Ling-3.0-flash-VL ではありません。その -rc1 という接尾辞はリリース候補マーカーであり、真の未解決問題です。ドキュメントには、プラットフォームがどの重みを提供しているのか、APIチェックポイントが9月4日のオープンウェイトビルドと一致するのかについて何も書かれていません。APIをオープンウェイトと比較評価する場合、それは前提とするのではなく、最初にテストすべきことです。

上記のページには、入力制約（画像・動画フォーマット、リクエストごとの上限、2つのエンドポイント形式）が定義されています。また、このページでは、モデルがドキュメントのみのスタブではなく、実際に稼働している商用API提供であることを確認できます。

数字 — そして誰がそれを報告したのか

カードに記載された主要な数値は、Artificial Analysis Intelligence Index プロトコル バージョン 4.1.1 における 42 である。Ant はこれが、テキストのみの Ling-3.0-flash のスコア 38 より 4 ポイント高いと述べている。この文における区別は、議論の要である。38 は Artificial Analysis の測定値であり、独立に実行され、同社のリーダーボードに掲載され、テキストモデルに関する業界報道全体で好意的に引用されている。42 は Ant 自身のモデルカード上の主張であり、AA インデックスプロトコルに基づいて記載されているが、Artificial Analysis にはまだ掲載されていない。実際、本稿執筆時点では、Artificial Analysis に Ling-3.0-flash-VL のページは存在しない。Ant 以外の誰もこのチェックポイントをまだ実行していない。42 は、テキストモデルの本物の 38 を生み出したのと同じ系列によるベンダー数値として扱うべきである。つまり、注目する理由にはなるが、確立された数値として引用するものではない。

このリリースの他の内容はすべて、定性的または方法論的なものです。モデルカードは「理解・推論・行動」の能力チャートを通じてモデルを説明し、AAスタイルのプロトコルで実施されたエージェント型Terminal-Bench評価に言及していますが、ここで再現できる数値的なテキスト結果は公開されていません。デプロイメントクックブックには、特定のサービング構成に紐づく精度セル（MMMU-Pro、GSM8K）が列挙されており、読む価値はありますが、これらはインフラに隣接する測定であり、独立した評価ではありません。正直な要約は短いものです。すなわち、もっともらしく、低コストで提供でき、視覚対応の推論モデルであるが、公開された独立したスコアボードはまだない、ということです。

費用はいくらか、そして家族歴が示唆すること

AntのマルチモーダルチュートリアルにはLing-3.0-flash-VLのトークン単価が記載されていないため、ここでの記述はすべて推測であり、その旨を明記している。参考になるアンカーは、同じプラットフォーム上にあるテキスト版の姉妹モデルだ。Ling-3.0-flashの公式リスト価格は、入力100万トークンあたり約$0.075、出力100万トークンあたり$0.22で、キャッシュリードは約80%安い。さらに中国コンソールでは人民元建て（入力100万トークンあたり¥0.40 / 出力100万トークンあたり¥1.20）で、8月31日に終了した早期75%オフキャンペーン後の価格となる。124B-A5.5Bのマルチモーダルモデルは、124B-A5.1Bのテキストモデルよりもサービス提供コストがかかる。ビジョンタワーはデンスで、すべての画像トークンに対して動作するためだ。したがって、この帯域と同等か、それをやや上回る価格が妥当な事前想定となる。ファミリーの歴史も逆方向に働く。FinおよびSanteのドメインバリアントは無料APIとしてローンチされ、Antは市場に投入したいLingバリアントの採用を促進するためにゼロ価格を用いる姿勢を示してきた。VLが有料テキストモデルの価格帯に従うのか、無料バリアントのパターンに従うのかは、単にまだ公開されていないだけだ。

セルフホストのルートでは、ファイルが公開されているため数値は具体的です。bf16リリースは64シャードにわたって約250GBのダウンロードであり、最大規模の単一ノード以外ではマルチGPUが必要です。一方、FP8リリース（約126GB、ビジョンタワーはbf16のまま）は、8×80GBクラスのアクセラレータを搭載したノードに余裕で収まり、ほとんどのチームが実際に実行するバージョンです。スループットの主張はサービングクックブックに存在しますが、ベンダー寄りです。実際のトークン/秒はハードウェアとバッチに依存するという、よくある注意点を想定してください。

ルーティング層が当てはまる場所 — 正直なところ

本稿の公開時点で、当方で確認した主要なサードパーティ製モデルゲートウェイはいずれもLing-3.0-flash-VLをリストしておらず、このブログが所属するルーティングプラットフォームOrcaRouterも提供していません。本稿のどこにも、あたかも提供されているかのように読める記述はありません。これは公開から4日しか経っていないモデルの正直な現状であり、はっきり述べる価値があります。というのも、読者が今日実際に選べる選択肢は、Antの公式APIを呼び出すか、MITライセンスのウェイトをセルフホストするかの、正確に2つしかないからです。ルーティングの話は、その次に来るものです。このようなモデルがサードパーティの提供に到達した時点で、パススルールーターの経済性こそが評価において好まれる理由になります。プロバイダーの定価を0%マークアップで転送するため、ベンダーの値下げ（またはFinやSanteのローンチのような無料枠の実験）は発表当日に反映され、自動フェイルオーバーによって、単一ベンダーの稼働時間や単一チェックポイントの挙動にスタックを賭けることなく、公開から間もないオープンモデルに実際のワークロードを向けられます。一度だけ値下げを実施し、6週間で4つのバリアントに分裂したモデルファミリーにとって、これは仮定の話ではありません。Antが動くたびに手動で再テストし続けるのか、1つのAPI経由で一度だけ再テストするのか、という違いです。

何を見るべきか

このリリースは出たばかりなので、有用なシグナルは、ほぼ誰でも実行できるチェック項目だけです。まず、Artificial Analysis（またはほかの独立したラボ）が Ling-3.0-flash-VL を掲載し、42という数値を確認するのか訂正するのか。その1つのデータポイントが「ファミリーの最良モデル」と「別のベンダーの数字」を分けます。第二に、-rc1という公式APIの識別子が9月4日のオープンウェイトに対応しているかどうか。もし対応していなければ、APIとセルフホストのパスは別のモデルであり、あなたが読むすべての比較はどちらを使ったかを明記する必要があります。第三に、価格設定：Lingプラットフォーム上で公開されているVLレート、そしてそれがテキストモデルの有料枠に従うのか、それともFin/Santeの無料APIプレイブックに従うのか。第四に、FP8チェックポイントが実際のサービングでカードの精度を維持しているかどうか。ビジョンタワーがbf16のままなのは良い兆候ですが、量子化されたビジョンに関する主張は、設定ではなく実行で確かめる必要があります。そして第五に、プロダクトマップの問題：ビジョンが高速のLingラインに組み込まれた今、AntがMingを別個のマルチモーダルブランドとして残すのか、それとも2つを収束させるのかに注目してください。

開発者にとって、短期的な答えは簡潔だ。今日これをベースに構築したいなら、公式APIはゼロインフラの道であり、FP8ウェイトはセルフホストの道であり、その両方が今週時点で実在する。42という数字の上に構築したいなら、Antの外部の誰かがそれを再現するのを待つべきだ。Ling-3.0-flash-VLについて本当に有用なすべて — MITウェイト、妥当なアーキテクチャ、攻撃的な価格対アクティベーション設計、そして真剣に受け止める価値のあるベンダースコア — は整っている。それを安全なデフォルトにするためのすべては、依然として未解決のままである。