Ling 3.2 Flash: 560B multimodalny flagowiec, który obserwuje po 30 sekund naraz

Ling 3.2 Flash to model typu mixture-of-experts o 560 miliardach parametrów od Ant Ling, z 25 miliardami parametrów aktywnych na token, oknem kontekstowym o długości 1 mln tokenów oraz — powodem, dla którego w ogóle istnieje — natywnym wejściem obrazu i wideo, a nie enkoderem wizyjnym doklejonym do modelu tekstowego. Trafił do API Ant 5 listopada 2026 r. Dziewięć dni później interesującym pytaniem nie jest już to, czym jest, ponieważ karta specyfikacji jest publiczna i krótka. Jest nim to, co karta specyfikacji pomija, a pierwszą rzeczą, którą pomija, jest fakt, że rozumienie wideo, którym wszyscy się ekscytują, kończy się na trzydziestu sekundach, jednym klipie na żądanie i trzydziestu dwóch próbkowanych klatkach.

To nie jest przypis. Własny przewodnik multimodalny Ant Ling — strona dokumentująca sposób wywoływania Ling 3.2 Flash — ustala górny limit wideo na trzydzieści sekund lub mniej, jedno wideo na żądanie, stałą częstotliwość próbkowania 2 fps z limitem 32 klatek oraz limit 32 MiB dla ciągu base64. Ten sam blok limitów obowiązuje Ling-3.0-flash-VL, więc część z tego to odziedziczona infrastruktura, a nie decyzja podjęta dla tego modelu, ale to właśnie dostaje wywołujący. Jeśli twoja propozycja natywnego modelu multimodalnego brzmi: „agent o długim horyzoncie, który utrzymuje kontekst wizualny przez wiele wywołań narzędzi”, to trzydziestosekundowy klip i jedno wideo na żądanie to liczba, która ogranicza architekturę, a nie tabela benchmarków.

Czym jest model — w liczbach, które możesz sprawdzić

Parametry i okno pojawiają się w dwóch miejscach na developerskiej stronie Ant: w tabeli wyboru modelu Ling, gdzie Ling 3.2 Flash znajduje się nad Ling-3.1-flash z identycznym wierszem 560B / 25B / 1M i inną linią pozycjonowania, oraz na osi czasu „Ling's Evolution”, która umieszcza serię 3.2 pod 2026.11. Rzeczywistą deltą jest linia pozycjonowania: 3.1 opisano jako hybrydowy model rozumowania do pracy biurowej, długoterminowego rozwoju oprogramowania i zadań agentowych; 3.2 opisano jako natywny model multimodalny skoncentrowany na złożonym rozumieniu wizualnym, multimodalnych agentach długoterminowych, rozumieniu i interakcji 3D oraz multimodalnej pracy medycznej. Ten sam szkielet, jeden nowy zmysł.

• Łączna liczba parametrów — 560B w Ling 3.2 Flash, któremu dorównuje wyłącznie jego tekstowy odpowiednik Ling-3.1-flash z 560B; poprzednik obsługujący wizję, Ling-3.0-flash-VL, miał 124B.

• Aktywne parametry na token — 25B, wobec 5.5B dla Ling-3.0-flash-VL i 25B dla Ling-3.1-flash.

• Okno kontekstu — 1 mln tokenów, cztery razy więcej niż 256K oferowane przez Ling-3.0-flash-VL i Ling-3.0-flash.

• Modalności — dane wejściowe w postaci tekstu, obrazu i wideo, wyjście tekstowe, przy czym wizja i język są połączone w samej architekturze, a nie kierowane przez zewnętrzny moduł.

• Warianty endpointów — zgodne z OpenAI chat/completions oraz zgodne z Anthropic messages, oba pod api.ant-ling.com.

Praktyczną konsekwencją kształtu punktów końcowych jest to, że istniejącą integrację przenosi się, zmieniając bazowy adres URL i ciąg modelu. Ant dostarcza te same dwa formaty dla każdego modelu Ling, a przewodnik po multimodalności pokazuje bloki zawartości image_url dla obrazów statycznych i bloki video_url dla wideo — oba wyłącznie w base64; dla żadnego z nich nie udokumentowano ścieżki pobierania z URL, co jest drugim ograniczeniem, z którym spotyka się integracja produkcyjna, zanim spotka się z benchmarkiem.

Cena wciąż nie została podana, a na liczniku zostało pięć dni.

To jest ta część, którą warto sprawdzić, zanim cokolwiek zbudujesz. Strona cennika Ant — ostatnio aktualizowana 5 listopada 2026 r., w dniu premiery — zawiera wiersze dla Ling-3.1-flash, Ling-3.0-flash-VL, Ling-3.0-flash oraz dwóch modeli obrazowych Ming. Nie zawiera wiersza dla Ling 3.2 Flash. Model pojawia się na tej stronie dokładnie raz, w linii promocyjnej: bezpłatnie przez pierwsze dwa tygodnie po premierze.

Licząc od 5 listopada, to okno zamyka się około 19 listopada. Dziś zostało mu około pięciu dni. Po jego zamknięciu strona podaje, że wracają ceny pierwotne, i prosi o pilnowanie salda, co stanowi całość ujawnienia cen dla flagowego modelu 560B.

Można ograniczyć tę liczbę na podstawie wiersza powyżej. Ling-3.1-flash ma cennik na poziomie ¥2,00 za milion tokenów wejściowych i ¥6,00 za milion tokenów wyjściowych, po 75% zniżki do ¥0,50 i ¥1,50, przy czym odczyty z pamięci podręcznej kosztują ¥0,40 i spadają do ¥0,10. Przeliczenie stawki cennikowej daje tekstowemu flagowcowi Ling około $0,28 za wejście i $0,85 za wyjście za milion; stawka po zniżce wynosi blisko $0,07 i $0,21. Jeśli Ling 3.2 Flash zostanie wyceniony jak jego bliźniak, to mniej więcej ten przedział. To wnioskowanie z sąsiedniego wiersza, a nie opublikowana stawka, a model multimodalny zawiera tokeny obrazu i wideo, których wyceny Ant w ogóle nie opisał — trzydziestosekundowy klip przy 2 kl./s to 32 klatki i żadna strona nie mówi, ile kosztują te 32 klatki.

Ta luka ma konkretną konsekwencję dla każdego, kto planuje budżet: nie można odpowiedzieć na pytanie „ile kosztuje to zadanie” w przypadku Ling 3.2 Flash tak, jak można to zrobić dla modelu z cennikiem. Można odpowiedzieć na nie po 19 listopada albo teraz, uruchamiając ewaluację, gdy licznik jest wyłączony — co jest rozsądną interpretacją czternastodniowego darmowego okna dla modelu bez opublikowanej ceny.

Trzy liczby benchmarkowe, wszystkie należące do Ant

Ogłoszenie Anta porównuje Ling 3.2 Flash z Opus 5 działającym przy maksymalnym wysiłku rozumowania w trzech ewaluacjach. Wszystkie trzy są raportowane przez dostawcę, wygenerowane przez własny potok wydawniczy Anta i żadna nie została odtworzona poza nim. Z tą etykietą:

• OmniDocBench1.5 — 92,21 dla Ling 3.2 Flash wobec 90,56 dla Opus 5 (maks.), różnica 1,65 punktu w rozumieniu dokumentów.

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

• Vision2Web — 85.86 w porównaniu z 80.20, ocena implementacji od wizji do strony internetowej.

Po lekturze zestawu widać, że mówi on coś węższego niż „przewyższa Opus 5”. Wszystkie trzy benchmarki są wizualne. Ant wybrał trzy oceny, w których natywnie multimodalny model z 25 mld aktywnych parametrów mógł prawdopodobnie pokonać czołowy zamknięty model, i nie opublikował żadnego porównania wyłącznie tekstowego — żadnego zestawu testów rozumowania, żadnego zestawu testów programistycznych, żadnego agentowego zadania terminalowego, czyli dokładnie tam, gdzie lokuje się pozycjonowanie Ling-3.1-flash z tego samego laboratorium. Dwa z trzech, ZEROBench i Vision2Web, nie są narzędziami z szerokim udziałem stron trzecich, więc czytelnik nie może zweryfikować ich względem innych modeli. A „Opus 5 (max)” to jedna konfiguracja jednego konkurenta, bez podanego środowiska testowego, zestawu promptów ani liczby prób dla żadnej ze stron.

Dla tego modelu nie ma też niezależnego wyniku, który można by postawić obok tamtych. Artificial Analysis, zwykle neutralny arbiter, na dzień 14 listopada nie ma strony dla Ling 3.2 Flash — adres URL zwraca 404 — a najbliższym, co ma ta rodzina, jest jej tekstowy odpowiednik. Ling 3.1 Flash 1019 uzyskuje 29,6 w obecnym Intelligence Index v5.0.1 przy 0,30 USD za wejście i 0,90 USD za wyjście za milion tokenów. To prawdziwa, niezależna liczba, ale należy do poprzedniego modelu, nie do tego.

Limity danych wejściowych to prawdziwa specyfikacja produktu

Ant dokumentuje cztery obszary możliwości Ling 3.2 Flash i są one węższe niż typowa lista premierowa: złożone rozumienie wizualne (dokumenty z równaniami i diagramami, a nie opisywanie obrazów), multimodalni agenci długiego horyzontu, którzy podtrzymują kontekst wizualny między wywołaniami narzędzi, rozumienie i interakcja w 3D oraz multimodalne zastosowania medyczne. Demonstracje odpowiadają tym obszarom — odczytywanie renderów bezinterfejsowych sfer materiałowych i porównywanie chropowatości w celu dopracowania własnych skryptów, konwertowanie rysunków inżynierskich na modele 3D do sieci, koordynowanie wyspecjalizowanych agentów w oparciu o wspólny kontekst wizualny w celu wygenerowania raportu, prezentacji i filmu z najważniejszymi momentami z tych samych danych Q2.

Dopiero gdy czytasz limity, dema zaczynają wyglądać, jakby zbudowano je wewnątrz ograniczeń, a nie wokół nich. Pętla sprzężenia zwrotnego wizualnego, która analizuje własne rendery, jest tania pod względem klatek: jeden obraz na turę, do czterdziestu obrazów na żądanie, każdy poniżej 16384 na 784 piksele. Agent długiego horyzontu, który trzyma nagranie ze spotkania w kontekście, już nie, ponieważ nagranie jest ograniczone do trzydziestu sekund i trzydziestu dwóch klatek. Te dwa limity razem opisują model zbudowany do wielu krótkich spojrzeń na świat, a nie jednego długiego.

Limity szybkości dodatkowo to pogarszają. Własna strona Ant poświęcona limitom szybkości ustala globalny pułap dwóch żądań na sekundę, z kodami 429 powyżej niego, oraz 90-sekundowy limit czasu dla wywołań synchronicznych, przy zalecanym streamingu. W przypadku produktu czatowego to w porządku. W przypadku wieloetapowych pętli agentowych, na które model jest wyraźnie pozycjonowany — dziesiątki wywołań na zadanie, z których każde przenosi ramkę — dwa QPS to wartość, którą trzeba uwzględnić w planowaniu, i będzie kształtować architekturę bardziej niż jakakolwiek luka benchmarkowa.

Gdzie to pasuje i ile kosztuje cię próba

Uczciwe stanowisko w sprawie dostępności: Ling 3.2 Flash nie znajduje się dziś w katalogu OrcaRouter. Lista aktywnych modeli zwraca 215 identyfikatorów i żaden z nich nie jest modelem Ling — dopasowania „ling” to modele wideo Kling, które pochodzą z zupełnie innego chińskiego laboratorium. Tak więc nic tutaj nie jest dostępne na jedno wywołanie, a po naszej stronie nie istnieje dla niego ścieżka przełączenia awaryjnego. To, co obsługujemy w routingu, to klasa porównawcza, względem której będzie oceniany: MiniMax M3.1 Flash, natywny multimodalny MoE 428B/23B z tym samym oknem 1M, wejściem wideo i otwartymi wagami, w cenie 0,15 USD za milion tokenów wejściowych i 0,60 USD za milion tokenów wyjściowych z 90-procentową zniżką na cache — cena katalogowa dostawcy przekazywana dalej bez marży, z automatycznym przełączaniem awaryjnym między dostawcami za jednym kluczem.

Taki jest użyteczny kształt tej decyzji, dopóki Ling 3.2 Flash nie ma cennika. Przeprowadź bezpłatną ocenę na własnym API Ant, ponieważ pięć dni darmowego wnioskowania na multimodalnym modelu 560B jest warte kosztu konfiguracji związanego ze zmianą bazowego adresu URL. Nie umieszczaj go za ścieżką produkcyjną, której nie potrafisz wycenić, dla której nie potrafisz zapewnić przejścia awaryjnego i której nie potrafisz ograniczyć do więcej niż dwóch żądań na sekundę. Jeśli obciążenie dotyczy rozumienia dokumentów lub klatek i potrzebujesz liczby już dziś, modelami, względem których możesz faktycznie planować budżet, są te z cennika — a jest ich ponad 200 na jednym kluczu, co przynajmniej sprawia, że porównanie to jedna integracja, a nie po jednej na dostawcę.

Na co uważać przed zamknięciem okna

Trzy rzeczy decydują o tym, czy Ling 3.2 Flash stanie się modelem, którego używasz, czy modelem, który oceniłeś. Pierwsza to cennik: czy Ant publikuje ceny za milion — w tym sposób rozliczania tokenów obrazów i wideo — przed 19 listopada, czy też darmowe okno po prostu wygaśnie i zamieni się w nieujawnioną stawkę. Druga to wagi. Ant to laboratorium, którego reputacja w 2026 r. opiera się na checkpointach 560B na licencji MIT; Ling-3.1-flash-1019 został wydany 27 października jako 573.8 GB na licencji MIT, a na organizacji inclusionAI Hugging Face nie ma w tym tygodniu repozytorium 3.2. Zamknięty flagowy model od tego laboratorium to zmiana nastawienia, a nie formalność. Trzecia to pierwszy niezależny benchmark, ponieważ dopóki taki nie istnieje, każde twierdzenie o multimodalności w tym artykule to słowo Ant przeciwko doborowi zadań przez Ant.

Nic z tego nie czyni modelu nieciekawym. Rodzimy multimodalny MoE o 560B przy 25B aktywnych, z oknem 1M i oboma dialektami API, to poważny kawałek inżynierii, a trzy luki benchmarkowe wobec Opus 5 — raportowane przez dostawcę, na niepublikowanym harnessie — są wystarczająco duże, by warto było sprawdzić je samemu, zamiast z góry odrzucać. Właściwa postawa po dziewięciu dniach to ta, dla której zbudowano darmowe okno: zmierz to teraz, wyceń, gdy pojawi się cennik, i nie bierz promocyjnych dwóch tygodni za zobowiązanie produktowe.