Ling 3.2 Flash: мультимодальный флагман на 560 млрд параметров, который смотрит по 30 секунд за раз

Ling 3.2 Flash — это модель mixture-of-experts с 560 млрд параметров от Ant Ling, 25 млрд активных параметров на токен, контекстное окно на 1 млн токенов и — собственно причина, по которой она вообще существует — нативный ввод изображений и видео, а не vision-энкодер, прикрученный к текстовой модели. Она появилась в API Ant 5 ноября 2026 года. Девять дней спустя интересный вопрос уже не в том, что это такое, потому что спецификация опубликована и коротка. А в том, что в спецификации опущено, и первое, что она опускает, — это то, что понимание видео, которым все восторгаются, ограничивается тридцатью секундами, одним клипом на запрос и тридцатью двумя выбранными кадрами.

Это не сноска. Собственное мультимодальное руководство Ant Ling — страница, описывающая, как вызывать Ling 3.2 Flash, — устанавливает верхний предел длительности видео в тридцать секунд или меньше, одно видео на запрос, фиксированную частоту дискретизации 2fps с ограничением в 32 кадра и верхний предел в 32 MiB для строки base64. Тот же блок ограничений действует и для Ling-3.0-flash-VL, так что часть этого — унаследованная инфраструктура, а не решение, принятое для этой модели, но именно это получает вызывающая сторона. Если ваш питч для нативной мультимодальной модели — это «агент с длинным горизонтом, который сохраняет визуальный контекст живым на протяжении множества вызовов инструментов», то тридцатисекундный клип и одно видео на запрос — это цифра, которая ограничивает архитектуру, а не таблица бенчмарков.

Что такое модель — в цифрах, которые вы можете проверить

Параметры и окно указаны в двух местах на сайте Ant для разработчиков: в таблице выбора модели Ling, где Ling 3.2 Flash стоит выше Ling-3.1-flash с идентичной строкой 560B / 25B / 1M и другой строкой позиционирования, и на таймлайне «Ling's Evolution», где серия 3.2 отнесена к 2026.11. Строка позиционирования — это и есть фактическое отличие: 3.1 описывается как гибридная модель рассуждения для офисной работы, долгосрочной разработки ПО и агентных задач; 3.2 описывается как нативная мультимодальная модель, ориентированная на сложное визуальное понимание, мультимодальных долгосрочных агентов, 3D-понимание и взаимодействие, а также медицинскую мультимодальную работу. Тот же каркас, один новый смысл.

• Общее число параметров — 560B у Ling 3.2 Flash, с которым может сравниться только его текстовый собрат Ling-3.1-flash с 560B; у предшественника с поддержкой компьютерного зрения Ling-3.0-flash-VL было 124B.

• Активные параметры на токен — 25B по сравнению с 5,5B у Ling-3.0-flash-VL и 25B у Ling-3.1-flash.

• Контекстное окно — 1M токенов, что в четыре раза превышает 256K, предлагаемые Ling-3.0-flash-VL и Ling-3.0-flash.

• Модальности — ввод текста, изображений и видео, вывод текста, при этом зрение и язык объединены в самой архитектуре, а не передаются через внешний модуль.

• Формы эндпоинтов — совместимые с OpenAI chat/completions и совместимые с Anthropic messages, оба доступны по адресу api.ant-ling.com.

Практическое следствие структуры эндпоинтов заключается в том, что существующая интеграция переносится при изменении base-URL и строки модели. Ant поставляет одни и те же два формата для каждой модели Ling, а мультимодальное руководство показывает блоки содержимого image_url для изображений и блоки video_url для видео, причём оба поддерживают только base64 — для обоих не документирован путь загрузки по URL, и это второе ограничение, с которым сталкивается интеграция в продакшене, прежде чем доходит до бенчмарка.

Цена всё ещё не объявлена, а на счётчике осталось пять дней.

Это та часть, которую стоит проверить, прежде чем что-либо создавать. На странице тарифов Ant — последнее обновление 5 ноября 2026 года, в день запуска — есть строки для Ling-3.1-flash, Ling-3.0-flash-VL, Ling-3.0-flash и двух моделей изображений Ming. Строки для Ling 3.2 Flash на ней нет. Эта модель встречается на указанной странице ровно один раз — в рекламной строке: бесплатно в первые две недели после запуска.

Если считать с 5 ноября, это окно закрывается примерно 19 ноября. Сегодня до его закрытия осталось около пяти дней. Когда оно закроется, на странице говорится, что первоначальные цены возобновляются, и вас просят следить за балансом, — и это всё раскрытие информации о цене для флагмана за 560B.

Можно лишь ограничить цифру по соседней строке. Ling-3.1-flash указан по цене ¥2.00 за миллион входных токенов и ¥6.00 за миллион выходных, со скидкой 75% — до ¥0.50 и ¥1.50; чтение из кэша — ¥0.40 со снижением до ¥0.10. Пересчёт каталожной цены даёт для текстовой флагманской модели Ling примерно $0.28 за вход и $0.85 за выход на миллион; со скидкой получается около $0.07 и $0.21. Если Ling 3.2 Flash стоит как его собрат, это примерно тот же порядок. Это вывод по соседней строке, а не опубликованный тариф, а мультимодальная модель содержит токены изображений и видео, цены на которые Ant вообще не описал, — тридцатисекундный клип при 2fps — это 32 кадра, и ни одна страница не говорит, сколько стоят эти 32 кадра.

Этот пробел имеет конкретное последствие для всех, кто составляет бюджет: вы не можете ответить на вопрос «сколько стоит эта задача» для Ling 3.2 Flash так, как можете для модели с тарифной сеткой. Вы сможете ответить на него после 19 ноября или можете ответить сейчас, запустив оценку, пока счётчик отключён — что и является разумным толкованием четырнадцатидневного бесплатного окна для модели без опубликованной цены.

Три числа из бенчмарков, и все они принадлежат Ant.

Объявление Ant сравнивает Ling 3.2 Flash с Opus 5 при максимальном уровне усилий на рассуждение в трёх оценках. Все три заявлены производителем, получены в рамках собственного релизного процесса Ant, и ни один не был воспроизведён за его пределами. С этой оговоркой:

• OmniDocBench1.5 — 92,21 у Ling 3.2 Flash против 90,56 у Opus 5 (max), разрыв в 1,65 балла в понимании документов.

• ZEROBench(Sub) — 43,71 против 39,52, самый широкий относительный разрыв — примерно 10,6%, на бенчмарке 3D-сцен.

• Vision2Web — 85,86 против 80,20, оценка преобразования изображения в веб-реализацию.

Читаешь этот набор — и он говорит о чём-то более узком, чем «превосходит Opus 5». Все три бенчмарка — визуальные. Ant выбрала три оценки, в которых нативная мультимодальная модель с 25B активных параметров могла правдоподобно превзойти передовую закрытую модель, и не опубликовала ни одного сравнения только по тексту — ни набора задач на рассуждение, ни набора задач по программированию, ни агентной задачи в терминале, а именно там и живёт позиционирование Ling-3.1-flash той же лаборатории. Два из трёх, ZEROBench и Vision2Web, не являются инструментами с широким участием третьих сторон, поэтому читатель не может сверить их с другими моделями. А «Opus 5 (max)» — это одна конфигурация одного конкурента, при этом ни для одной из сторон не указаны ни тестовый стенд, ни набор промптов, ни число попыток.

Для этой модели также нет независимой оценки, которую можно было бы поставить рядом с ними. У Artificial Analysis, обычного нейтрального арбитра, по состоянию на 14 ноября нет страницы для Ling 3.2 Flash — URL возвращает 404, а ближайший аналог в семействе — его текстовый «собрат». Ling 3.1 Flash 1019 набирает 29.6 в текущем Intelligence Index v5.0.1 при цене $0.30 за входные и $0.90 за выходные данные за миллион токенов. Это реальная независимая цифра, и она относится к предыдущей модели, а не к этой.

Ограничения на входные данные — вот настоящая спецификация продукта

Ant описывает четыре области возможностей Ling 3.2 Flash, и они уже, чем обычный список запуска: сложное визуальное понимание (документы с уравнениями и диаграммами, а не подписи к изображениям), мультимодальные агенты с длинным горизонтом, сохраняющие визуальный контекст между вызовами инструментов, понимание и взаимодействие в 3D, а также медицинская мультимодальная работа. Демонстрации соответствуют этим областям — чтение headless-рендеров сфер из материалов и сравнение шероховатости, чтобы дорабатывать собственные скрипты, преобразование инженерных чертежей в 3D-веб-модели, координация специализированных агентов через общий визуальный контекст для создания отчёта, презентации и видеоролика с ключевыми моментами на основе одних и тех же данных Q2.

Затем вы читаете ограничения, и демонстрации начинают выглядеть так, будто их создавали внутри этих ограничений, а не в обход них. Визуальный цикл обратной связи, который проверяет собственные рендеры, обходится дешево по кадрам: одно изображение за ход, до сорока изображений на запрос, каждое — менее 16384 на 784 пикселя. А вот агент с длительным горизонтом, который удерживает запись встречи в контексте, — нет, поскольку запись ограничена тридцатью секундами и тридцатью двумя кадрами. Эти два ограничения вместе описывают модель, созданную для множества коротких взглядов на мир, а не для одного долгого.

Ограничения скорости усугубляют это. На собственной странице Ant об ограничениях скорости установлен глобальный потолок в два запроса в секунду, выше которого возвращаются 429, и 90-секундный тайм-аут для синхронных вызовов при рекомендуемом стриминге. Для чат-продукта это нормально. Для многошаговых агентных циклов, на которые модель явно ориентирована, — десятки вызовов на задачу, каждый несёт фрейм — два QPS это расчётная цифра, и она будет влиять на архитектуру сильнее, чем любое отставание в бенчмарках.

Где это уместно — и чего вам будет стоить попробовать.

Честно о доступности: Ling 3.2 Flash сегодня отсутствует в каталоге OrcaRouter. Актуальный список моделей возвращает 215 идентификаторов, и ни один из них не является моделью Ling — совпадения по «ling» — это видеомодели Kling, а это совсем другая китайская лаборатория. Так что ничего из этого не доступно одним вызовом, и никакого резервного пути на нашей стороне для неё не существует. То, что мы маршрутизируем, — это класс сравнения, с которым её будут оценивать: MiniMax M3.1 Flash, нативная мультимодальная MoE 428B/23B с тем же окном в 1M, видеовходом и открытыми весами, по $0,15 за миллион входных и $0,60 за миллион выходных токенов со скидкой 90% за кэш — цена провайдера передаётся без наценки, с автоматическим переключением между провайдерами за одним ключом.

Вот полезная формулировка решения, пока у Ling 3.2 Flash нет тарифной сетки. Запустите бесплатную оценку на собственном API Ant, потому что пять дней бесплатного инференса на 560B мультимодальной модели окупают затраты на настройку смены base-URL. Не выводите её на продакшен-путь, который вы не можете оценить, для которого не можете обеспечить failover и не можете задать лимит не выше двух запросов в секунду. Если рабочая нагрузка — это понимание документов или кадров и вам нужно число сегодня, модели, под которые вы действительно можете строить бюджет, — это те, что есть в тарифной сетке, а их более 200 на одном ключе, что по крайней мере делает сравнение одной интеграцией, а не отдельной под каждого вендора.

Что посмотреть до закрытия окна

Три вещи решают, станет ли Ling 3.2 Flash моделью, которую вы используете, или моделью, которую вы оценили. Первая — тарифная сетка: опубликует ли Ant цены за миллион токенов — включая то, как она тарифицирует токены изображений и видео — до 19 ноября, или же бесплатное окно просто сменится тарифом, которого нет в открытом прайсе. Вторая — веса. Ant — лаборатория, чья репутация в 2026 году держится на 560B-чекпоинтах под лицензией MIT; Ling-3.1-flash-1019 вышла 27 октября под MIT с размером 573,8 ГБ, а по состоянию на эту неделю в организации inclusionAI на Hugging Face нет репозитория 3.2. Закрытый флагман от такой лаборатории — это смена позиции, а не формальность. Третья — первый независимый бенчмарк, потому что пока его нет, любое мультимодальное утверждение в этой статье — это лишь слова Ant, подкреплённые отбором задач, который сделала сама Ant.

Ничто из этого не делает модель неинтересной. 560B нативная мультимодальная MoE с 25B активных параметров, окном 1M и обоими диалектами API — это серьёзная инженерная работа, а три разрыва в бенчмарках с Opus 5 — по данным вендора, на неопубликованном харнессе — достаточно велики, чтобы проверить их самому, а не отмахиваться. Правильная позиция на девятый день — та, для которой и создано бесплатное окно: измерить её сейчас, оценить цену, когда появится прайс-лист, и не путать промо-две недели с продуктовым обязательством.