Ling-3.2-flash: o modelo multimodal nativo carro-chefe da Ant Ling funciona em um ciclo de duas semanas

O fato mais decisivo sobre o Ling-3.2-flash é uma questão de cobrança — e ela tem prazo de validade. A Ant Ling colocou o modelo em sua API em 5 de novembro de 2026 e o tornou gratuito pelos primeiros 14 dias; quando essa janela se fechar, os "preços originais" voltam a valer — preços que o fornecedor ainda não publicou. Assim, toda afirmação arquitetural abaixo tem prazo de validade curto e uma pergunta duradoura atrelada: quanto isso vai custar no décimo quinto dia? O Ling-3.2-flash é um modelo de mistura de especialistas com 560 bilhões de parâmetros, com 25 bilhões de parâmetros ativos por token, contexto de 1 milhão de tokens e — a notícia de fato — entrada nativa de imagem, texto e vídeo, o que o torna o primeiro modelo principal da linha Ling que enxerga em vez de apenas ler. Seu antecessor, o Ling-3.1-flash, era somente texto. O Ling-3.0-flash-VL, o modelo de visão anterior, era um ramo lateral de 124B. É a primeira vez que o topo da linha Ling e a capacidade multimodal ficam nos mesmos pesos.

A entrada de changelog da própria Ant (versão 2.0.6, datada de 5 de novembro) é o documento de lançamento, e tem apenas uma frase. O anúncio no X na mesma noite acrescenta três números de benchmark e cinco vídeos de demonstração. Não há relatório técnico, nem model card, nem pesos, nem lista de preços. Essa é uma trilha documental mais escassa do que a que o Ling-3.1-flash recebeu em setembro, e vale dizer isso claramente antes de tratarmos qualquer número como estabelecido.

O que realmente foi lançado, e o que a Ant não disse

Quatro coisas estão documentadas e verificáveis hoje. A contagem de parâmetros, a contagem de ativos e a janela de contexto aparecem em dois lugares no site de desenvolvedores da Ant — a tabela de seleção de modelos Ling e a linha do tempo "Ling's Evolution", que classifica a série 3.2 em 2026.11. O suporte a modalidades aparece na referência da API: uma requisição para Ling-3.2-flash "aceita nativamente texto, imagens e vídeos", com blocos de conteúdo image_url para imagens estáticas e blocos video_url para vídeo. Os formatos dos endpoints são os dois que a Ant já executa em todos os lugares — chat/completions compatível com OpenAI e messages compatível com Anthropic, ambos em api.ant-ling.com/v1.

Quatro coisas não estão documentadas. Não há nenhum preço publicado por milhão de tokens para o Ling-3.2-flash em lugar algum da página de preços — a tabela lista Ling-3.1-flash, Ling-3.0-flash-VL, Ling-3.0-flash e dois modelos de imagem Ming, e o Ling-3.2-flash aparece apenas na linha promocional. Não há pesos abertos: a organização inclusionAI no Hugging Face contém Ling-3.1-flash, Ling-3.1-flash-1019 e um checkpoint base do Ling-3.1-flash, e nenhum repositório 3.2. Não há benchmark independente. E não há limite declarado de tokens de saída, o que, para um modelo voltado à geração de entregáveis longos, é uma omissão real, e não uma nota de rodapé.

A questão dos pesos tem um rastro social visível. A única resposta que vale a pena ler sob o anúncio da Ant é a de um usuário perguntando, na prática, se será de código aberto. A Ant não respondeu. Para um laboratório cuja reputação inteira em 2026 repousa sobre checkpoints de 560B licenciados sob MIT — Ling-3.1-flash-1019 lançado com 573,8 GB sob MIT em 27 de outubro — fechar o carro-chefe é uma mudança de postura, não uma formalidade.

Os três números, e quanto eles valem

O anúncio da Ant compara o Ling-3.2-flash ao Opus 5 executado com esforço máximo de raciocínio em três avaliações. Todas as três são informadas pelo fornecedor, todas as três vêm do próprio pipeline de lançamento da Ant, e nenhuma foi reproduzida fora dele. Com esse rótulo firmemente anexado:

• OmniDocBench1.5 — 92,21 para o Ling-3.2-flash, contra 90,56 do Opus 5 (max). Um benchmark de compreensão de documentos; uma diferença de 1,65 ponto.

• ZEROBench(Sub) — 43,71 contra 39,52. Esta é a maior diferença relativa entre os três, cerca de 10,6%, em um benchmark de cenas 3D.

• Vision2Web — 85,86 contra 80,20. Uma avaliação de implementação de visão para web, e a que se relaciona mais diretamente com as demos de frontend que a Ant publicou junto.

Leia o conjunto com atenção e ele diz algo mais restrito do que "supera o Opus 5". Primeiro, todos os três benchmarks são visuais. A Ant escolheu as três avaliações em que um modelo multimodal nativo com 25B de parâmetros ativos poderia, plausivelmente, superar um modelo fechado de fronteira, e não publicou uma única comparação somente de texto — nenhum conjunto de raciocínio, nenhum conjunto de programação, nenhuma tarefa de terminal agêntica. Segundo, dois dos três (ZEROBench e Vision2Web) não são instrumentos padrão de ranking com ampla participação de terceiros; o leitor não consegue verificá-los facilmente contra outros modelos. Terceiro, "Opus 5 (max)" é uma configuração específica de um concorrente específico, e o anúncio não informa a estrutura de teste, o conjunto de prompts nem o número de tentativas de nenhum dos lados.

Isso não torna os números errados. Torna-os uma alegação de um fornecedor sobre um conjunto de tarefas escolhido pelo fornecedor, o que é algo normal para um lançamento e algo anormal de se repetir como fato. O resumo honesto é que a Ant acredita que o Ling-3.2-flash é o modelo chinês mais forte disponível em tarefas de documentos, 3D e visão para código, e publicou exatamente as evidências que sustentam essa crença e nenhuma das evidências que a testariam.

Onde a multimodalidade deve compensar

A Ant nomeia quatro áreas de capacidade, e elas são mais específicas do que a habitual lista de lançamentos. A primeira é a compreensão visual complexa — documentos com equações e diagramas, não geração de legendas. A segunda é o “Agente multimodal de horizonte longo”, que, na formulação da Ant, significa um modelo que mantém um contexto visual ativo ao longo de muitas chamadas de ferramentas. A terceira é a compreensão e interação 3D, e a quarta é o trabalho multimodal médico.

As demonstrações são a parte interessante porque mostram o formato de uso pretendido. Em uma delas, o Ling-3.2-flash coordena agentes especialistas sobre contexto compartilhado para converter dados financeiros do Q2 em um relatório de análise, uma apresentação de seis slides para o conselho e um vídeo de destaques, e depois revisa os três com base no feedback. Em outra, ele controla o Blender por meio de ações na interface e alterações de parâmetros e transforma desenhos de engenharia em modelos 3D para web. Uma terceira mostra ele lendo renders headless de esferas de material e comparando rugosidade, mapas normais e detalhes de bump para refinar seus próprios scripts — um ciclo de feedback visual, o mesmo padrão "observar, agir, verificar, corrigir" que a Ant incorporou ao Ling-3.0-flash-VL. Uma quarta lê PDFs de pesquisa com equações e implementa os algoritmos em código. Uma quinta transforma fotos de refeições em um diário alimentar semanal com estimativas de porções e totais de nutrientes.

Dois desses cinco merecem ser levados a sério como alegações de produto, e não como marketing: o ciclo de inspeção de renderização e a conversão de desenho para 3D exigem ambos que o modelo olhe para sua própria saída e mude de rumo, que é a única capacidade que separa o treinamento multimodal nativo de simplesmente acoplar um codificador de visão a um modelo de texto. Se funciona na qualidade alegada pela Ant é exatamente o que nenhum teste independente estabeleceu até agora.

A história do acesso é a parte com dentes.

O Ling-3.2-flash pode ser acessado de três maneiras hoje: o produto de chat Ling Studio, o endpoint de chat compatível com OpenAI e o endpoint de mensagens compatível com Anthropic. O objeto thinking está documentado como compatível em toda a série 3.0, 3.1 e 3.2, com enabled como padrão e disabled disponível para trabalhos sensíveis à latência. Os SDKs existentes funcionam com uma alteração na base-URL.

Depois, há a realidade operacional que a Ant documenta em sua própria página de limites de taxa: duas consultas por segundo, globalmente, com 429s acima disso, e um timeout de 90 segundos em chamadas síncronas, com streaming recomendado. Para um produto de chat, isso é aceitável. Para as cargas de trabalho de agentes de longo horizonte para as quais o modelo é explicitamente posicionado — loops de múltiplas etapas, cadeias de ferramentas, agentes que chamam o modelo dezenas de vezes por tarefa —, dois QPS são um teto rígido que moldará a arquitetura mais do que qualquer número de benchmark. Qualquer pessoa que planeje executar o Ling-3.2-flash como espinha dorsal de agentes deve ler essa página antes da página de preços.

Do nosso lado, a posição honesta: o Ling-3.2-flash não está no catálogo do OrcaRouter hoje. Reli a lista de modelos ativa em 6 de novembro e ela retorna 215 identificadores, nenhum deles Ling, inclusionAI, Ring ou ERNIE — as únicas correspondências para "ling" são modelos de vídeo Kling. Portanto, nada aqui está a uma chamada de distância. O que está a uma chamada de distância, se você contava com a janela gratuita de duas semanas, são modelos com preços publicados contra os quais você pode realmente orçar: Qwen3.8-Flash a US$ 0,15 por milhão de entrada e US$ 0,47 por milhão de saída, GLM-5.3-Flash a US$ 0,15 e US$ 0,50, e DeepSeek V4.1 Flash a US$ 0,15 e US$ 0,60. Esses são preços de tabela dos provedores repassados com markup zero, então quando um fornecedor reduz uma tarifa, ela chega ao nosso lado no mesmo dia, e não depois de um ciclo de reprecificação.

Como é o décimo quinto dia

A página de preços da Ant diz que os preços originais voltam após o período promocional e pede para você "fique de olho no saldo da sua conta". Essa é toda a divulgação de preços de um modelo principal de 560B. Compare os vizinhos na mesma página: Ling-3.1-flash está listado a ¥2,00 de entrada e ¥6,00 de saída por milhão de tokens, com desconto de 75% para ¥0,50 e ¥1,50; Ling-3.0-flash-VL a ¥0,50 e ¥1,50, com desconto de 72% para ¥0,14 e ¥0,42. Se o Ling-3.2-flash chegar perto do seu equivalente apenas de texto, isso é aproximadamente US$ 0,30 por milhão de entrada e US$ 0,90 por milhão de saída na tabela, antes dos descontos — mas isso é uma inferência a partir de uma linha vizinha, não uma tarifa publicada, e um modelo multimodal envolve tokens de imagem e vídeo cujos preços a Ant não descreveu de forma alguma.

Então, a decisão do leitor se divide claramente conforme o prazo. Se você tem uma avaliação com muitos documentos ou com forte componente visual para executar esta semana, o Ling-3.2-flash é gratuito, capaz no papel e vale o custo de configuração de uma mudança de base-URL. Se você está escolhendo uma base de produção para o próximo trimestre, está escolhendo um modelo sem preço publicado, sem pontuação independente, sem pesos, com um teto de duas requisições por segundo e sem caminho de contingência — e a atitude responsável é executar a avaliação agora, enquanto ela não custa nada, e adiar a decisão de arquitetura até que a lista de preços e as primeiras pontuações de terceiros sejam divulgadas.

O que observar não é o ranking. É se a Ant publica uma tabela de preços e uma ficha do modelo antes de a janela gratuita fechar, e se a inclusionAI consegue um repositório 3.2 como conseguiu um 3.1. Um laboratório que entregou 574 GB de pesos MIT há três semanas e agora entrega um carro-chefe fechado está dizendo algo sobre onde está a margem. O relógio de duas semanas é o prazo para decidir se você acredita nisso.