Ling-3.2-flash: rodzimy multimodalny flagowiec Ant Ling działa w dwutygodniowym rytmie

Najistotniejszy fakt dotyczący Ling-3.2-flash wiąże się z rozliczeniami — i ma on termin ważności. Ant Ling udostępnił model w swoim API 5 listopada 2026 r. i uczynił go bezpłatnym na pierwsze czternaście dni; gdy to okno się zamknie, wracają „ceny pierwotne” — ceny, których dostawca jeszcze nie opublikował. Tak więc każde poniższe twierdzenie architektoniczne ma krótki okres ważności i towarzyszy mu jedno długotrwałe pytanie: ile to będzie kosztować piętnastego dnia? Ling-3.2-flash to model typu mixture-of-experts z 560 miliardami parametrów, z 25 miliardami parametrów aktywnych na token, kontekstem 1 mln tokenów oraz — co jest prawdziwą nowością — natywnym wejściem obrazu, tekstu i wideo, co czyni go pierwszym flagowym modelem Ling, który widzi, a nie tylko czyta. Jego poprzednik, Ling-3.1-flash, obsługiwał wyłącznie tekst. Ling-3.0-flash-VL, wcześniejszy model wizyjny, był boczną gałęzią o 124 mld parametrów. Po raz pierwszy szczyt linii Ling i możliwości multimodalne znajdują się w tych samych wagach.

Wpis w changelogu samego Anta (wersja 2.0.6, z 5 listopada) to dokument wydania i ma długość jednego zdania. Ogłoszenie na X tego samego wieczoru dodaje trzy liczby benchmarków i pięć filmów demonstracyjnych. Nie ma raportu technicznego, karty modelu, wag ani cennika. To cieńszy ślad dokumentacyjny niż ten, który Ling-3.1-flash otrzymał we wrześniu, i warto powiedzieć to wprost, zanim uznamy jakąkolwiek liczbę za ustaloną.

Co faktycznie zostało wydane, a czego Ant nie powiedział

Cztery rzeczy są dziś udokumentowane i możliwe do sprawdzenia. Liczba parametrów, liczba parametrów aktywnych i okno kontekstu pojawiają się w dwóch miejscach na stronie deweloperskiej Ant — w tabeli wyboru modelu Ling i na osi czasu „Ling's Evolution”, która przypisuje serię 3.2 do 2026.11. Obsługa modalności pojawia się w dokumentacji API: żądanie do Ling-3.2-flash „natywnie przyjmuje tekst, obrazy i wideo”, z blokami zawartości image_url dla obrazów statycznych i blokami video_url dla wideo. Formaty punktów końcowych to dwa, które Ant już wszędzie obsługuje — chat/completions zgodne z OpenAI i messages zgodne z Anthropic, oba pod api.ant-ling.com/v1.

Cztery rzeczy nie są udokumentowane. Nigdzie na stronie cennika nie ma opublikowanej ceny za milion tokenów dla Ling-3.2-flash — tabela wymienia Ling-3.1-flash, Ling-3.0-flash-VL, Ling-3.0-flash oraz dwa modele obrazów Ming, a Ling-3.2-flash pojawia się tylko w wierszu promocyjnym. Nie ma otwartych wag: organizacja inclusionAI na Hugging Face ma Ling-3.1-flash, Ling-3.1-flash-1019 i bazowy checkpoint Ling-3.1-flash, a nie ma repozytorium 3.2. Nie ma niezależnego benchmarku. I nie podano limitu tokenów wyjściowych, co w przypadku modelu reklamowanego do generowania długich materiałów końcowych jest prawdziwym przeoczeniem, a nie przypisem.

Pytanie o wagi ma widoczny ślad w mediach społecznościowych. Jedyna odpowiedź pod ogłoszeniem Anta, którą warto przeczytać, pochodzi od użytkownika pytającego w istocie, czy będzie to open source. Ant nie odpowiedział. Dla laboratorium, którego cała reputacja w 2026 r. opiera się na checkpointach 560B na licencji MIT — Ling-3.1-flash-1019 udostępniono w 573,8 GB na licencji MIT 27 października — zamknięcie flagowego modelu to zmiana stanowiska, a nie formalność.

Trzy liczby i ile są warte

Ogłoszenie Ant porównuje Ling-3.2-flash z Opus 5 działającym przy maksymalnym wysiłku rozumowania w trzech ewaluacjach. Wszystkie trzy są raportowane przez dostawcę, wszystkie trzy pochodzą z własnego procesu wydawniczego Ant i żadna nie została odtworzona poza nim. Z mocno przypiętą etykietą:

• OmniDocBench1.5 — 92,21 dla Ling-3.2-flash w porównaniu z 90,56 dla Opus 5 (max). Benchmark rozumienia dokumentów; różnica 1,65 punktu.

• ZEROBench(Sub) — 43,71 wobec 39,52. To największa względna różnica spośród trzech, około 10,6%, w benchmarku scen 3D.

• Vision2Web — 85.86 wobec 80.20. Ewaluacja przekształcania wizji w implementację webową, a zarazem ta, która najbezpośredniej przekłada się na dema frontendu opublikowane przez Ant wraz z nią.

Przeczytaj ten zestaw uważnie, a mówi on coś węższego niż „pokonuje Opus 5”. Po pierwsze, wszystkie trzy benchmarki są wizualne. Ant wybrał trzy ewaluacje, w których natywny model multimodalny o 25 mld aktywnych parametrów mógł wiarygodnie pokonać czołowy zamknięty model, i nie opublikował ani jednego porównania wyłącznie tekstowego — żadnego zestawu rozumowania, żadnego zestawu programistycznego, żadnego zadania agentowego w terminalu. Po drugie, dwa z trzech (ZEROBench i Vision2Web) nie są standardowymi narzędziami rankingowymi z szerokim udziałem stron trzecich; czytelnik nie może ich łatwo zweryfikować względem innych modeli. Po trzecie, „Opus 5 (max)” to konkretna konfiguracja konkretnego konkurenta, a ogłoszenie nie podaje używanego harnessu, zestawu promptów ani liczby prób po żadnej ze stron.

To nie sprawia, że liczby są błędne. Czyni je to twierdzeniem dostawcy o wybranym przez dostawcę zestawie zadań, co jest normalne w przypadku premiery, a nienormalne, gdy powtarza się je jako fakt. Uczciwe podsumowanie jest takie, że Ant uważa, iż Ling-3.2-flash to najsilniejszy dostępny chiński model w zadaniach dokumentowych, 3D i przekształcania obrazu w kod, i opublikował dokładnie te dowody, które wspierają to przekonanie, a żadnych dowodów, które by je weryfikowały.

Gdzie multimodalność ma przynieść korzyści

Ant wymienia cztery obszary możliwości, które są bardziej szczegółowe niż typowa lista premier. Pierwszy to złożone rozumienie wizualne — dokumenty z równaniami i diagramami, a nie opisywanie obrazków. Drugi to „multimodalny długoterminowy Agent”, co w ujęciu Ant oznacza model, który utrzymuje kontekst wizualny przez wiele wywołań narzędzi. Trzeci to rozumienie i interakcja w 3D, a czwarty — multimodalne zastosowania medyczne.

Dema są najciekawszym elementem, ponieważ pokazują zamierzony sposób użycia. W jednym z nich Ling-3.2-flash koordynuje wyspecjalizowanych agentów na wspólnym kontekście, aby przekształcić dane finansowe Q2 w raport analityczny, sześcioslajdową prezentację dla zarządu i film z najważniejszymi punktami, a następnie koryguje wszystkie trzy na podstawie informacji zwrotnej. W kolejnym steruje Blenderem poprzez działania w interfejsie i zmiany parametrów oraz przekształca rysunki techniczne w modele 3D do webu. Trzeci pokazuje, jak odczytuje rendery w trybie headless sfer materiałowych i porównuje chropowatość, mapy normalnych oraz szczegóły wypukłości, aby udoskonalić własne skrypty — to wizualna pętla sprzężenia zwrotnego, ten sam wzorzec „obserwuj, działaj, weryfikuj, koryguj”, który Ant wbudował w Ling-3.0-flash-VL. Czwarty odczytuje badawcze PDF-y z równaniami i implementuje algorytmy w kodzie. Piąty zamienia zdjęcia posiłków w tygodniowy dziennik żywieniowy z szacunkami porcji i sumami składników odżywczych.

Dwa z tych pięciu warto traktować poważnie jako twierdzenia produktowe, a nie marketing: pętla kontroli renderowania i konwersja rysunku na 3D wymagają od modelu spojrzenia na własne wyniki i zmiany kursu, co jest jedyną zdolnością odróżniającą natywne trenowanie multimodalne od doczepienia enkodera wizyjnego do modelu tekstowego. To, czy działa to w deklarowanej przez Ant jakości, jest dokładnie tym, czego żaden niezależny test jeszcze nie ustalił.

Historia dostępu to ta część, która ma zęby.

Ling-3.2-flash jest dziś dostępny na trzy sposoby: produkt czatu Ling Studio, endpoint czatu zgodny z OpenAI oraz endpoint messages zgodny z Anthropic. Obiekt thinking jest udokumentowany jako obsługiwany w serii 3.0, 3.1 i 3.2, przy czym enabled jest wartością domyślną, a disabled jest dostępny dla zadań wrażliwych na opóźnienia. Istniejące SDK działają po zmianie base URL.

Poza tym jest jeszcze rzeczywistość operacyjna, którą Ant opisuje na swojej własnej stronie dotyczącej limitów zapytań: dwa zapytania na sekundę, globalnie, z błędami 429 powyżej tego progu i 90-sekundowym limitem czasu dla wywołań synchronicznych, przy zalecanym streamingu. W przypadku produktu czatowego to w porządku. W przypadku długoterminowych obciążeń agentowych, na które model jest wyraźnie pozycjonowany — wieloetapowe pętle, łańcuchy narzędzi, agenci wywołujący model dziesiątki razy na zadanie — dwa QPS to twardy sufit, który ukształtuje architekturę bardziej niż jakakolwiek liczba z benchmarku. Każdy, kto planuje używać Ling-3.2-flash jako szkieletu agenta, powinien przeczytać tę stronę przed stroną cennika.

Po naszej stronie, uczciwie: Ling-3.2-flash nie figuruje dziś w katalogu OrcaRouter. Ponownie odczytaliśmy aktualną listę modeli 6 listopada — zwraca ona 215 identyfikatorów, z których żaden nie to Ling, inclusionAI, Ring ani ERNIE; jedyne dopasowania „ling” to modele wideo Kling. Nic tutaj nie jest więc dostępne jednym wywołaniem. To, co jest dostępne jednym wywołaniem, jeśli liczyliście na dwutygodniowe darmowe okno, to modele z opublikowanymi cenami, według których można faktycznie planować budżet: Qwen3.8-Flash po 0,15 USD za milion tokenów wejściowych i 0,47 USD za milion tokenów wyjściowych, GLM-5.3-Flash po 0,15 i 0,50 oraz DeepSeek V4.1 Flash po 0,15 i 0,60. To cenniki dostawców przekazywane z zerową marżą, więc gdy dostawca obniża stawkę, zmiana trafia na naszą stronę tego samego dnia, a nie po cyklu ponownego ustalania cen.

Jak wygląda dzień piętnasty

Strona cennika Ant mówi, że po okresie promocyjnym wracają ceny pierwotne, i zachęca, aby „mieć oko na saldo konta”. To całość informacji o cenach dla flagowego modelu 560B. Porównaj sąsiednie pozycje na tej samej stronie: Ling-3.1-flash ma podaną cenę ¥2.00 za wejście i ¥6.00 za wyjście za milion tokenów, z 75% zniżką do ¥0.50 i ¥1.50; Ling-3.0-flash-VL — ¥0.50 i ¥1.50, z 72% zniżką do ¥0.14 i ¥0.42. Jeśli Ling-3.2-flash znajdzie się gdziekolwiek blisko swojego tekstowego odpowiednika, to około $0.30 za milion tokenów wejściowych i $0.90 za milion tokenów wyjściowych w cenie katalogowej, przed zniżkami — ale to wnioskowanie z sąsiedniego wiersza, a nie publikowana stawka, a model multimodalny obejmuje tokeny obrazów i wideo, których cen Ant w ogóle nie opisał.

Decyzja czytelnika wyraźnie dzieli się według harmonogramu. Jeśli w tym tygodniu masz do przeprowadzenia ocenę mocno opartą na dokumentach lub na wizji, Ling-3.2-flash jest darmowy, na papierze wygląda obiecująco i jest wart kosztu konfiguracji związanego ze zmianą base-URL. Jeśli wybierasz produkcyjny fundament na przyszły kwartał, wybierasz model bez publikowanej ceny, bez niezależnego wyniku, bez wag, z limitem dwóch żądań na sekundę i bez ścieżki awaryjnej — a odpowiedzialnym krokiem jest przeprowadzenie oceny teraz, gdy nic nie kosztuje, i odłożenie decyzji architektonicznej do czasu, gdy pojawią się cennik i pierwsze wyniki od podmiotów trzecich.

Nie na tabelę liderów trzeba uważać. Chodzi o to, czy Ant opublikuje cennik i kartę modelu, zanim zamknie się okno darmowego dostępu, oraz czy inclusionAI dostanie repozytorium 3.2 tak, jak dostało 3.1. Laboratorium, które trzy tygodnie temu wypuściło 574 GB wag na licencji MIT, a teraz wypuszcza zamknięty flagowy model, mówi ci coś o tym, gdzie jest marża. Dwutygodniowe odliczanie to termin na podjęcie decyzji, czy w to wierzysz.