Ling-3.2-flash: Ant Lings inbyggda multimodala flaggskepp går på en tvåveckorsklocka

Det mest avgörande faktumet om Ling-3.2-flash rör fakturering, och det har ett utgångsdatum. Ant Ling lade in modellen i sitt API den 5 november 2026 och gjorde den gratis under de första fjorton dagarna; när det fönstret stängs återgår "ursprungliga priser" – priser som leverantören ännu inte har publicerat. Så varje arkitektoniskt påstående nedan har kort hållbarhetstid och en långlivad fråga kopplad till sig: vad kostar detta på dag femton? Ling-3.2-flash är en mixture-of-experts-modell med 560 miljarder parametrar, varav 25 miljarder är aktiva per token, en kontext på 1 miljon token och – det egentliga nyheten – inbyggd inmatning av bild, text och video, vilket gör den till det första Ling-flaggskeppet som ser i stället för att bara läsa. Dess föregångare Ling-3.1-flash var endast textbaserad. Ling-3.0-flash-VL, den tidigare visionsmodellen, var en sidogren på 124B. Detta är första gången som toppen av Ling-serien och den multimodala förmågan finns i samma vikter.

Ants egen ändringsloggspost (version 2.0.6, daterad 5 november) är utgivningsdokumentet, och den är en mening lång. X-meddelandet samma kväll tillför tre benchmarksiffror och fem demovideor. Det finns ingen teknisk rapport, inget modellkort, inga vikter och ingen prislista. Det är ett tunnare dokumentationsspår än vad Ling-3.1-flash fick i september, och det är värt att säga rakt ut innan vi behandlar någon siffra som etablerad.

Vad som faktiskt levererades, och vad Ant inte har sagt

Fyra saker är dokumenterade och kontrollerbara i dag. Parameterantalet, antalet aktiva parametrar och kontextfönstret visas på två ställen på Ants utvecklarsajt – Ling-modellvalsstabellen och tidslinjen "Ling's Evolution", som placerar 3.2-serien under 2026.11. Stödet för modaliteter framgår av API-referensen: en förfrågan till Ling-3.2-flash "accepterar inbyggt text, bilder och videor", med image_url-innehållsblock för stillbilder och video_url-block för video. Endpunktformerna är de två som Ant redan kör överallt – OpenAI-kompatibla chat/completions och Anthropic-kompatibla messages, båda på api.ant-ling.com/v1.

Fyra saker är inte dokumenterade. Det finns inget publicerat pris per miljon tokens för Ling-3.2-flash någonstans på prissättningssidan — tabellen listar Ling-3.1-flash, Ling-3.0-flash-VL, Ling-3.0-flash och två Ming-bildmodeller, och Ling-3.2-flash förekommer endast i kampanjraden. Det finns inga öppna vikter: organisationen inclusionAI på Hugging Face har Ling-3.1-flash, Ling-3.1-flash-1019 och en bascheckpoint för Ling-3.1-flash, och inget 3.2-repository. Det finns ingen oberoende benchmark. Och det finns inget angivet tak för output-tokens, vilket för en modell som marknadsförs för generering av långa leverabler är en verklig utelämning snarare än en fotnot.

Frågan om vikterna har ett synligt spår i sociala medier. Det enda svar som är värt att läsa under Ants tillkännagivande är en användare som i praktiken frågar om den kommer att bli öppen källkod. Ant har inte svarat. För ett labb vars hela 2026-rykte vilar på MIT-licensierade 560B-checkpoints — Ling-3.1-flash-1019 släpptes på 573.8 GB under MIT den 27 oktober — är att stänga flaggskeppet en förändrad hållning, inte en formalitet.

De tre siffrorna, och hur mycket de är värda

Ants tillkännagivande jämför Ling-3.2-flash med Opus 5 som körs med maximal resonemangsansträngning på tre utvärderingar. Alla tre är rapporterade av leverantören, alla tre kommer från Ants egen utgivningspipeline, och ingen har reproducerats utanför den. Med den etiketten fastsatt:

• OmniDocBench1.5 — 92,21 för Ling-3.2-flash mot 90,56 för Opus 5 (max). Ett dokumentförståelsebenchmark; en skillnad på 1,65 punkter.

• ZEROBench(Sub) — 43,71 mot 39,52. Detta är det största relativa gapet av de tre, ungefär 10,6 %, på ett benchmark för 3D-scener.

• Vision2Web — 85,86 mot 80,20. En utvärdering av vision-till-webb-implementering, och den som knyter an mest direkt till de frontenddemos som Ant publicerade tillsammans med den.

Läs uppsättningen noggrant, och den säger något snävare än "slår Opus 5". För det första är alla tre benchmarks visuella. Ant valde de tre utvärderingar där en nativ multimodell med 25B aktiva parametrar rimligen skulle kunna slå en sluten frontmodell, och publicerade inte en enda textbaserad jämförelse – ingen resonemangssvit, ingen kodningssvit, ingen agentisk terminaluppgift. För det andra är två av de tre (ZEROBench och Vision2Web) inte standardinstrument för resultattabeller med brett deltagande från tredje part; en läsare kan inte enkelt rimlighetskontrollera dem mot andra modeller. För det tredje är "Opus 5 (max)" en specifik konfiguration av en specifik konkurrent, och tillkännagivandet anger inte testramverket, promptuppsättningen eller antalet försök på någon av sidorna.

Det gör inte siffrorna felaktiga. Det gör dem till en leverantörs påstående om en uppsättning uppgifter som leverantören själv valt, vilket är normalt för en lansering men onormalt att upprepa som faktum. Den ärliga sammanfattningen är att Ant anser att Ling-3.2-flash är den starkaste tillgängliga kinesiska modellen för dokument-, 3D- och vision-till-kod-uppgifter, och har publicerat exakt de bevis som stöder den uppfattningen och inga av de bevis som skulle pröva den.

Där multimodaliteten förväntas löna sig

Ant namnger fyra kapacitetsområden, och de är mer specifika än den vanliga lanseringslistan. Det första är komplex visuell förståelse – dokument med ekvationer och diagram, inte bildbeskrivning. Det andra är "multimodal long-horizon Agent", vilket i Ants formulering innebär en modell som håller en visuell kontext levande över många verktygsanrop. Det tredje är 3D-förståelse och interaktion, och det fjärde är medicinskt multimodalt arbete.

Demonstrationerna är den intressanta delen eftersom de visar den avsedda användningsformen. I en koordinerar Ling-3.2-flash specialistagenter över delad kontext för att omvandla Q2-finansdata till en analysrapport, en styrelsepresentation på sex bilder och en höjdpunktsvideo, och reviderar sedan alla tre utifrån feedback. I en annan styr den Blender genom UI-åtgärder och parameterändringar och förvandlar tekniska ritningar till 3D-webbmodeller. En tredje visar hur den läser headless-renderingar av materialsfärer och jämför råhet, normalmaps och bumpdetaljer för att förfina sina egna skript – en visuell återkopplingsloop, samma mönster "observera, agera, verifiera, korrigera" som Ant byggde in i Ling-3.0-flash-VL. En fjärde läser forsknings-PDF:er med ekvationer och implementerar algoritmerna i kod. En femte förvandlar måltidsfoton till en veckovis matdagbok med portionsuppskattningar och näringssummor.

Två av dessa fem är värda att ta på allvar som produktpåståenden snarare än marknadsföring: loopen för renderingsgranskning och omvandlingen från teckning till 3D kräver båda att modellen granskar sin egen utdata och byter riktning, vilket är den enda förmågan som skiljer inbyggd multimodal träning från att montera en synkodare på en textmodell. Huruvida det fungerar med den kvalitet Ant påstår är precis vad ingen oberoende test ännu har fastställt.

Åtkomstberättelsen är den del som har tänder.

Ling-3.2-flash går att nå på tre sätt idag: chattprodukten Ling Studio, den OpenAI-kompatibla chattändpunkten och den Anthropic-kompatibla meddelandeändpunkten. Thinking-objektet dokumenteras som stött i serierna 3.0, 3.1 och 3.2, med enabled som standard och disabled tillgängligt för latenskänsligt arbete. Befintliga SDK:er fungerar med en ändrad bas-URL.

Då finns den operativa verklighet som Ant dokumenterar på sin egen sida om hastighetsbegränsningar: två frågor per sekund, globalt, med 429:or över det, och en 90-sekunders timeout för synkrona anrop där strömning rekommenderas. För en chattprodukt är det okej. För de långsiktiga agentarbetsbelastningar som modellen uttryckligen är positionerad för – flerstegsloopar, verktygskedjor, agenter som anropar modellen dussintals gånger per uppgift – är två QPS ett hårt tak som kommer att forma arkitekturen mer än något benchmarktal kommer att göra. Den som planerar att köra Ling-3.2-flash som agentryggrad bör läsa den sidan före prissättningssidan.

På vår sida, det ärliga läget: Ling-3.2-flash finns inte i OrcaRouters katalog i dag. Vi läste om den aktuella modellistan den 6 november och den returnerar 215 identifierare, ingen av dem är Ling, inclusionAI, Ring eller ERNIE – de enda "ling"-träffarna är Kling-videomodeller. Så inget här är ett enda anrop bort. Det som är ett anrop bort, om det två veckor långa gratisfönstret är det du räknade med, är modeller med publicerade priser som du faktiskt kan budgetera mot: Qwen3.8-Flash till 0,15 USD per miljon indatatoken och 0,47 USD per miljon utdatatoken, GLM-5.3-Flash till 0,15 USD och 0,50 USD, och DeepSeek V4.1 Flash till 0,15 USD och 0,60 USD. Det är leverantörslistpriser som förs vidare med noll påslag, så när en leverantör sänker en taxa landar den hos oss samma dag i stället för efter en omprissättningscykel.

Hur dag femton ser ut

Ants prissida säger att ordinarie priser återgår efter kampanjperioden och ber dig att ”håll ett öga på ditt kontosaldo”. Det är hela prisinformationen för ett 560B-flaggskepp. Jämför grannarna på samma sida: Ling-3.1-flash listas till ¥2,00 för indata och ¥6,00 för utdata per miljon tokens, med 75 % rabatt till ¥0,50 och ¥1,50; Ling-3.0-flash-VL till ¥0,50 och ¥1,50, med 72 % rabatt till ¥0,14 och ¥0,42. Om Ling-3.2-flash hamnar någonstans nära sitt textbaserade syskon är det ungefär $0,30 per miljon indata och $0,90 per miljon utdata enligt listpris, före rabatter – men det är en slutledning från en närliggande rad, inte en publicerad taxa, och en multimodal modell har bild- och videotokens vars prissättning Ant inte har beskrivit alls.

Så läsarens beslut delas tydligt upp efter tidshorisont. Om du har en dokumenttung eller visionsintensiv utvärdering att köra den här veckan är Ling-3.2-flash gratis, kapabel på papperet och värd uppsättningskostnaden för att byta bas-URL. Om du väljer en produktionsryggrad för nästa kvartal väljer du en modell utan publicerat pris, utan oberoende poäng, utan vikter, med ett tak på två förfrågningar per sekund och utan reservväg – och det ansvarsfulla draget är att köra utvärderingen nu, medan den inte kostar något, och skjuta upp arkitekturbeslutet tills prislistan och de första tredjepartspoängen finns.

Det man ska hålla ögonen på är inte topplistan. Det är om Ant publicerar en prislista och ett modellkort innan gratisperioden stänger, och om inclusionAI får ett 3.2-repo på samma sätt som det fick ett 3.1. Ett labb som släppte 574 GB MIT-vikter för tre veckor sedan och nu släpper en sluten flaggskeppsmodell säger dig något om var marginalen ligger. Tvåveckorsklockan är tidsfristen för att avgöra om du tror på det.