Ling 3.2 Flash：30秒単位で動画を視聴する560Bマルチモーダル旗艦モデル

Ling 3.2 FlashはAnt Lingによる5600億パラメータの専門家混合（MoE）モデルで、トークンあたり250億パラメータが有効、1Mトークンのコンテキストウィンドウを持ち、そして何より存在理由は、テキストモデルに後付けした視覚エンコーダーではなく、ネイティブな画像・動画入力にある。2026年11月5日にAntのAPIで提供開始された。9日経った今、興味深い問いはもはやそれが何かではない。仕様表は公開されていて短いからだ。問いは仕様表が省いている点であり、まず省かれているのは、誰もが期待する動画理解が30秒、1リクエストにつき1クリップ、サンプリングフレーム32枚で止まるということだ。

それは脚注ではない。Ant Ling 自身のマルチモーダルガイド——Ling 3.2 Flash の呼び出し方法を記したページ——では、動画の上限を30秒以下、1リクエストにつき動画1本、固定2fpsのサンプリングレートで最大32フレーム、base64文字列で32 MiBまでと定めている。同じ制限群が Ling-3.0-flash-VL にも適用されるため、その一部はこのモデル向けに決められたものではなく継承された共通基盤だが、呼び出し側が得るのはそれだ。ネイティブなマルチモーダルモデルの売り込みが「多数のツール呼び出しをまたいで視覚コンテキストを維持し続ける、長い時間軸で動作するエージェント」だというなら、アーキテクチャを制約するのはベンチマーク表ではなく、30秒のクリップと1リクエスト1本というこの数字だ。

モデルとは何か——検証できる数字で

パラメータとコンテキストウィンドウは、Antの開発者サイトの2か所に登場する。Lingのモデル選択表では、Ling 3.2 FlashがLing-3.1-flashの上に位置し、560B / 25B / 1Mという同一の行を持ちながら、位置づけを示す一文が異なっている。もう一つは「Ling's Evolution」タイムラインで、こちらは3.2シリーズを2026.11の下に分類している。実際の差分は位置づけを示すその一行だ。3.1はオフィス業務、長期にわたるソフトウェア開発、エージェントタスク向けのハイブリッド推論モデルと説明されている。3.2は複雑な視覚理解、マルチモーダルな長期的エージェント、3D理解とインタラクション、医療マルチモーダル業務に焦点を当てたネイティブマルチモーダルモデルと説明されている。同じ骨格に、新たな感覚が一つ加わったのだ。

• 総パラメータ数 — Ling 3.2 Flashは560B。これに並ぶのはテキスト専用の兄弟モデルLing-3.1-flashの560Bのみ。ビジョン向けの前身モデルLing-3.0-flash-VLは124Bでした。

• トークンあたりのアクティブパラメータ数 — 25B（Ling-3.0-flash-VL は 5.5B、Ling-3.1-flash は 25B）

• コンテキストウィンドウ — 1Mトークン、Ling-3.0-flash-VL と Ling-3.0-flash が提供する256Kの4倍です。

• モダリティ — テキスト、画像、動画の入力、テキスト出力。視覚と言語は外部モジュールを経由するのではなく、アーキテクチャ自体で統合されています。

• エンドポイントの形式 — OpenAI 互換の chat/completions と Anthropic 互換の messages。どちらも api.ant-ling.com で提供されます。

エンドポイントの形状が実務にもたらす帰結は、既存の統合がベースURLの変更とモデル文字列だけで移行できるということだ。Ant はすべての Ling モデルに対して同じ2つの形式を提供しており、マルチモーダルガイドでは静止画用の image_url コンテンツブロックと動画用の video_url ブロックが示されている。どちらも base64 のみで、いずれについても URL フェッチの経路は文書化されていない。これは、本番統合がベンチマークに到達する前に直面する2つ目の制約である。

価格はまだ非公開で、メーターには残り5日あります。

何かを作る前に確認する価値があるのは、この部分です。Antの料金ページは、ローンチ当日である2026年11月5日に最終更新されたもので、Ling-3.1-flash、Ling-3.0-flash-VL、Ling-3.0-flash、およびMingの画像モデル2つの行を掲載しています。しかし、Ling 3.2 Flashの行はありません。このモデルがそのページに登場するのはちょうど1回だけで、販促用の一文「ローンチ後最初の2週間は無料」の中にあります。

11月5日から数えると、その期間は11月19日頃に終了します。今日で残りはおよそ5日です。期間が終了すると、ページには元の価格に戻ると記載され、残高に注意するよう求められます。これが、560Bフラッグシップに関する価格開示のすべてです。

できるのは、上の行から数値の上限を見積もることだ。Ling-3.1-flashは100万入力トークンあたり¥2.00、100万出力トークンあたり¥6.00で、75%割引で¥0.50と¥1.50、キャッシュ読み取りは¥0.40から¥0.10に下がる。リスト価格を換算すると、テキスト専用のLingフラッグシップは100万トークンあたり入力約$0.28、出力約$0.85になり、割引価格では約$0.07と$0.21になる。Ling 3.2 Flashが兄弟モデルと同じ価格設定なら、そのあたりだ。これは隣接する行からの推測であり、公表された料金ではない。またマルチモーダルモデルは画像と動画のトークンを伴うが、Antはその価格をまったく説明していない——2fpsの30秒クリップは32フレームであり、その32フレームにいくらかかるかを教えてくれるページはない。

その空白は、予算を立てる人にとって具体的な意味を持つ。料金表のあるモデルなら答えられる「このタスクのコストはいくらか」という問いに、Ling 3.2 Flash では答えられないのだ。11月19日以降なら答えられるし、メーターが止まっている間に評価を回せば今すぐにでも答えられる——価格が公表されていないモデルにおける14日間の無料期間については、これが妥当な解釈だ。

3つのベンチマーク数値、いずれもAntのものです

Antの発表では、Ling 3.2 Flashを、3つの評価において最大推論エフォートで実行したOpus 5と比較している。3つともベンダーによる報告であり、Ant自身のリリースパイプラインによって作成されたもので、その外部で再現されたものはない。そのレッテルを貼った上で：

• OmniDocBench1.5 — Ling 3.2 Flash の 92.21 に対し Opus 5（max）は 90.56 で、文書理解において 1.65 ポイントの差。

• ZEROBench(Sub) — 3Dシーンベンチマークにおいて、43.71 対 39.52、相対差は約10.6%で最大。

• Vision2Web — ビジョンからWeb実装への評価で85.86 対 80.20。

そのセットを読むと、書かれているのは「Opus 5を上回る」よりも狭い内容だ。3つのベンチマークはすべて視覚系である。Antは、25Bアクティブパラメータのネイティブ・マルチモーダルモデルがフロンティアのクローズドモデルを上回る可能性が現実的にある3つの評価を選び、テキストのみの比較は一切公開しなかった——推論スイートも、コーディングスイートも、エージェント型ターミナルタスクもない。そして、まさにそこが同じラボのLing-3.1-flashのポジショニングがある領域だ。3つのうち2つ、ZEROBenchとVision2Webは、幅広い第三者が参加する計測器ではない。したがって読者は、それらを他のモデルと照らして妥当性を確認できない。さらに「Opus 5 (max)」は1つの競合モデルの1つの構成にすぎず、どちらの側についてもハーネス、プロンプトセット、試行回数が明記されていない。

このモデルにも、それらと並べて比較できる独立したスコアは存在しない。通常の中立な審判役であるArtificial Analysisには、11月14日時点でLing 3.2 Flashのページがなく、URLは404を返す。このファミリーで最も近い存在は、テキスト専用の兄弟モデルだ。Ling 3.1 Flash 1019は、現在のv5.0.1 Intelligence Indexで29.6を記録し、価格は100万トークンあたり入力0.30ドル、出力0.90ドルである。これは実際の独立した数値だが、このモデルではなく前のモデルに属する。

入力制限こそが本当の製品仕様です。

AntはLing 3.2 Flashについて4つの能力領域を文書化しており、それらは通常のローンチリストより狭い範囲です。複雑な視覚理解（数式や図を含む文書であり、キャプション生成ではない）、ツール呼び出しをまたいで視覚コンテキストを維持するマルチモーダルな長期的エージェント、3D理解とインタラクション、医療マルチモーダル作業です。デモはそれらに対応しています — マテリアル球のヘッドレスレンダーを読み取り、粗さを比較して自身のスクリプトを改良すること、エンジニアリング図面を3D Webモデルに変換すること、共有視覚コンテキスト上で専門エージェントを調整し、同じQ2データからレポート、デッキ、ハイライト動画を生成することです。

では、制限を読むと、デモは制約の周りではなく制約の内側で作られたように見え始める。自身のレンダリングを検査する視覚的フィードバックループは、フレーム数の面ではコストが低い。1ターンにつき1画像、1リクエストあたり最大40画像で、各画像は16384×784ピクセル未満だ。会議の録音をコンテキストに保持する長い時間軸のエージェントはそうではない。録音は30秒、32フレームに制限されているからだ。この2つの制限を合わせると、世界を一度長く見るのではなく、何度も小さく見るために作られたモデルを表している。

レート制限が事態をさらに複雑にします。Ant自身のレート制限ページでは、グローバルな上限を毎秒2リクエストと定めており、それを超えると429が返され、同期呼び出しには90秒のタイムアウトが設定され、ストリーミングが推奨されています。チャット製品であればそれで問題ありません。しかし、このモデルが明確に想定しているマルチステップのエージェントループ——タスクごとに数十回の呼び出しがあり、それぞれがフレームを運ぶ——にとって、2 QPSは計画上の数値であり、どのベンチマークの差よりもアーキテクチャを大きく左右することになります。

どこに適しているか、そして試すのにどれだけのコストがかかるか

可用性に関する率直な状況：Ling 3.2 Flash は本日時点で OrcaRouter のカタログにありません。ライブのモデル一覧は 215 個の識別子を返しますが、そのいずれも Ling モデルではありません — 「ling」に一致するものは Kling の動画モデルで、まったく別の中国のラボのものです。したがって、ここでは何も 1 回の呼び出しですぐ使えるわけではなく、こちら側にそれ用のフェイルオーバー経路も存在しません。私たちがルーティングするのは、それが比較評価される対象クラスです：MiniMax M3.1 Flash、同じ 1M ウィンドウ、動画入力、オープンウェイトを備えた 428B/23B のネイティブ・マルチモーダル MoE、入力 100 万トークンあたり $0.15、出力 100 万トークンあたり $0.60、90% のキャッシュ割引付き — プロバイダーの定価をゼロマークアップでそのまま適用し、1 つのキーの背後でプロバイダー間の自動フェイルオーバーを提供します。

Ling 3.2 Flash に料金表がない状況では、これが意思決定の有用な形です。Ant 自身の API で無料評価を実行してください。560B マルチモーダルモデルを5日間無料で推論できるなら、ベース URL の変更というセットアップコストに見合います。価格を付けられず、フェイルオーバーできず、毎秒2リクエスト超に上限を設定できない本番経路の背後に置いてはいけません。ワークロードが文書またはフレームの理解で、今日数値が必要なら、実際に予算を立てられるのは料金表に載っているモデルです。そして1つのキーで200以上をカバーでき、少なくとも比較はベンダーごとに1つずつ統合するのではなく、単一の統合で済みます。

窓が閉じる前に見ておくべきもの

Ling 3.2 Flash が、あなたが使うモデルになるか、評価しただけで終わるモデルになるかを決める三つの要素がある。第一は料金表だ。Ant が、画像トークンと動画トークンの課金方法を含む100万トークンあたりの価格を11月19日より前に公表するのか、それとも無料期間がそのまま終了して非公開の料金に移行するのか。第二は重みだ。Ant は2026年の評判をMITライセンスの560Bチェックポイントに依存しているラボであり、Ling-3.1-flash-1019 は10月27日にMITライセンスのもと573.8 GBで公開されたが、今週時点で inclusionAI Hugging Face organisation に3.2のリポジトリはない。そのラボのクローズドなフラッグシップは、形式上の変更ではなく姿勢の変化だ。第三は最初の独立したベンチマークだ。それが存在するまで、この記事のあらゆるマルチモーダル主張は、Ant 自身の言葉と Ant 自身のタスク選択を突き合わせたものにすぎない。

そうした点はどれも、このモデルを面白くないものにはしない。25Bアクティブの560Bネイティブ・マルチモーダルMoEで、1Mウィンドウと両方のAPI方言を備えるのは本格的なエンジニアリングであり、Opus 5に対する3つのベンチマーク差——ベンダー報告で、ハーネスは未公開——は、切り捨てるのではなく自分で試す価値があるほど大きい。開始9日目の正しい姿勢は、無料ウィンドウがまさに想定しているものだ。今測り、料金表が出たら価格を評価し、プロモーションの2週間を製品へのコミットメントと取り違えないこと。