Ling 3.2 Flash: เรือธงมัลติโมดัลขนาด 560B ที่ดูได้ครั้งละ 30 วินาที

Ling 3.2 Flash คือโมเดลแบบ mixture-of-experts ขนาด 560 พันล้านพารามิเตอร์จาก Ant Ling โดยมีพารามิเตอร์ที่เปิดใช้งาน 25 พันล้านตัวต่อโทเคน หน้าต่างบริบท 1 ล้านโทเคน และ—ซึ่งเป็นเหตุผลที่มันมีอยู่จริง—อินพุตรูปภาพและวิดีโอแบบเนทีฟ แทนที่จะเป็น vision encoder ที่ถูกนำมาต่อพ่วงกับโมเดลข้อความ มันถูกเปิดให้ใช้ผ่าน API ของ Ant เมื่อวันที่ 5 พฤศจิกายน 2026 เก้าวันต่อมา คำถามที่น่าสนใจไม่ใช่แล้วว่ามันคืออะไร เพราะเอกสารสเปกเปิดเผยต่อสาธารณะและมีเนื้อหาสั้น แต่คือสิ่งที่เอกสารสเปกไม่ได้ระบุไว้ และสิ่งแรกที่มันไม่ได้ระบุคือความเข้าใจวิดีโอที่ทุกคนตื่นเต้นกันนั้นหยุดอยู่ที่ 30 วินาที หนึ่งคลิปต่อหนึ่งคำขอ และ 32 เฟรมที่สุ่มมา

นั่นไม่ใช่เชิงอรรถ คู่มือมัลติโมดัลของ Ant Ling เอง — หน้าที่อธิบายวิธีเรียกใช้ Ling 3.2 Flash — กำหนดเพดานวิดีโอไว้ที่ความยาวไม่เกินสามสิบวินาที หนึ่งวิดีโอต่อคำขอ อัตราการสุ่มตัวอย่างคงที่ 2fps โดยจำกัดที่ 32 เฟรม และเพดาน 32 MiB สำหรับสตริง base64 บล็อกข้อจำกัดเดียวกันนี้ใช้กับ Ling-3.0-flash-VL ดังนั้นบางส่วนจึงเป็นโครงสร้างพื้นฐานที่สืบทอดมา มากกว่าจะเป็นการตัดสินใจที่ทำขึ้นสำหรับโมเดลนี้ แต่นั่นคือสิ่งที่ผู้เรียกใช้ได้รับ หากคำโปรโมตของคุณสำหรับโมเดลมัลติโมดัลเนทีฟคือ "เอเจนต์ระยะยาวที่รักษาบริบทภาพให้คงอยู่ตลอดการเรียกใช้เครื่องมือหลายครั้ง" คลิปสามสิบวินาทีและหนึ่งวิดีโอต่อคำขอคือตัวเลขที่จำกัดสถาปัตยกรรม ไม่ใช่ตารางเบนช์มาร์ก

โมเดลคืออะไร ในตัวเลขที่คุณตรวจสอบได้

พารามิเตอร์และหน้าต่างบริบทปรากฏในสองตำแหน่งบนเว็บไซต์นักพัฒนาของ Ant: ตารางการเลือกโมเดล Ling ซึ่ง Ling 3.2 Flash อยู่เหนือ Ling-3.1-flash โดยมีแถว 560B / 25B / 1M เหมือนกันและมีบรรทัดการวางตำแหน่งที่แตกต่างกัน กับไทม์ไลน์ “Ling's Evolution” ซึ่งจัดซีรีส์ 3.2 ไว้ใต้ 2026.11 บรรทัดการวางตำแหน่งคือความแตกต่างที่แท้จริง: 3.1 ถูกอธิบายว่าเป็นโมเดลการให้เหตุผลแบบไฮบริดสำหรับงานสำนักงาน การพัฒนาซอฟต์แวร์ระยะยาว และงานเอเจนต์ ส่วน 3.2 ถูกอธิบายว่าเป็นโมเดลมัลติโมดัลแบบเนทีฟที่มุ่งเน้นความเข้าใจภาพที่ซับซ้อน เอเจนต์มัลติโมดัลระยะยาว ความเข้าใจและการโต้ตอบแบบ 3D และงานมัลติโมดัลทางการแพทย์ โครงเดียวกัน แต่มีความหมายใหม่หนึ่งอย่าง

• จำนวนพารามิเตอร์ทั้งหมด — 560B สำหรับ Ling 3.2 Flash โดยมีเพียง Ling-3.1-flash รุ่นพี่น้องแบบข้อความล้วนที่มี 560B เท่านั้นที่เทียบได้; ส่วน Ling-3.0-flash-VL รุ่นก่อนหน้าในสายวิชันมี 124B

• พารามิเตอร์ที่ใช้งานต่อโทเคน — 25B เทียบกับ 5.5B สำหรับ Ling-3.0-flash-VL และ 25B สำหรับ Ling-3.1-flash

• หน้าต่างบริบท — 1M โทเคน เป็นสี่เท่าของ 256K ที่ Ling-3.0-flash-VL และ Ling-3.0-flash มีให้

• โมดัลลิตี — อินพุตข้อความ รูปภาพ และวิดีโอ เอาต์พุตเป็นข้อความ โดยรวมความสามารถด้านภาพและภาษาไว้ในสถาปัตยกรรมเอง แทนที่จะถูกส่งผ่านโมดูลภายนอก

• รูปแบบของ Endpoint — chat/completions ที่เข้ากันได้กับ OpenAI และ messages ที่เข้ากันได้กับ Anthropic โดยทั้งคู่อยู่ที่ api.ant-ling.com

ผลเชิงปฏิบัติของรูปแบบ endpoint คือ integration ที่มีอยู่จะย้ายตามการเปลี่ยน base-URL และ model string Ant มีให้ใช้สองรูปแบบเดียวกันสำหรับทุกโมเดล Ling และคู่มือ multimodal แสดง content block แบบ image_url สำหรับภาพนิ่งและ block แบบ video_url สำหรับวิดีโอ โดยทั้งสองเป็น base64-only และไม่มีเส้นทาง URL-fetch ที่มีการ dokument ไว้สำหรับทั้งสอง ซึ่งเป็นข้อจำกัดที่สองที่ integration สำหรับ production ต้องเผชิญก่อนจะไปถึง benchmark

ราคายังไม่มีการประกาศ และมิเตอร์เหลืออีกห้าวัน

นี่คือส่วนที่ควรตรวจสอบก่อนที่คุณจะสร้างอะไรขึ้นมา หน้าราคาของ Ant — ซึ่งอัปเดตล่าสุดเมื่อวันที่ 5 พฤศจิกายน 2026 วันเปิดตัว — มีแถวสำหรับ Ling-3.1-flash, Ling-3.0-flash-VL, Ling-3.0-flash และโมเดลภาพ Ming สองรุ่น แต่ไม่มีแถวสำหรับ Ling 3.2 Flash โมเดลนี้ปรากฏบนหน้านั้นเพียงครั้งเดียว ในข้อความโปรโมชันว่า ฟรีในช่วงสองสัปดาห์แรกหลังเปิดตัว

นับตั้งแต่วันที่ 5 พฤศจิกายน ช่วงเวลานั้นจะปิดประมาณวันที่ 19 พฤศจิกายน วันนี้เหลือเวลาประมาณห้าวัน เมื่อถึงตอนนั้น หน้าเว็บระบุว่าราคาเดิมจะกลับมา และขอให้คุณคอยดูยอดคงเหลือของคุณ ซึ่งถือเป็นข้อมูลเปิดเผยราคาทั้งหมดสำหรับเรือธงราคา 560B

สิ่งที่คุณทำได้คือจำกัดตัวเลขจากแถวด้านบน Ling-3.1-flash ระบุราคาที่ ¥2.00 ต่อล้านโทเค็นอินพุต และ ¥6.00 ต่อล้านโทเค็นเอาต์พุต โดยลด 75% เหลือ ¥0.50 และ ¥1.50 โดยการอ่านแคชอยู่ที่ ¥0.40 ลดลงเหลือ ¥0.10 การแปลงตัวเลขจากราคาที่ระบุไว้ทำให้ Ling รุ่นเรือธงแบบข้อความล้วนอยู่ที่ประมาณ $0.28 สำหรับอินพุต และ $0.85 สำหรับเอาต์พุตต่อล้าน; อัตราที่ลดแล้วลงมาอยู่ใกล้ $0.07 และ $0.21 หาก Ling 3.2 Flash ตั้งราคาเหมือนรุ่นพี่ นั่นก็คือละแวกนั้น เป็นการอนุมานจากแถวที่อยู่ติดกัน ไม่ใช่อัตราที่เผยแพร่ และโมเดลมัลติโหมดมีโทเค็นภาพและวิดีโอซึ่ง Ant ไม่ได้อธิบายราคาไว้เลย — คลิปสามสิบวินาทีที่ 2fps คือ 32 เฟรม และไม่มีหน้าใดบอกคุณว่า 32 เฟรมนั้นมีค่าใช้จ่ายเท่าไร

ช่องว่างนั้นมีผลที่ตามมาเฉพาะสำหรับใครก็ตามที่กำลังจัดทำงบประมาณ: คุณไม่สามารถตอบคำถามว่า "งานนี้มีค่าใช้จ่ายเท่าไร" สำหรับ Ling 3.2 Flash ได้เหมือนกับที่คุณตอบได้สำหรับโมเดลที่มีตารางอัตราค่าใช้จ่าย คุณจะตอบได้หลังจากวันที่ 19 พฤศจิกายน หรือคุณจะตอบตอนนี้เลยก็ได้ด้วยการรันการประเมินในขณะที่มิเตอร์ยังไม่เดิน — ซึ่งเป็นการตีความที่สมเหตุสมผลของช่วงเวลาฟรีสิบสี่วันบนโมเดลที่ไม่มีราคาเผยแพร่

ตัวเลขเบนช์มาร์กสามตัว ทั้งหมดเป็นของ Ant

ประกาศของ Ant เปรียบเทียบ Ling 3.2 Flash กับ Opus 5 ที่ทำงานด้วยความพยายามในการให้เหตุผลสูงสุดในการประเมินสามรายการ ทั้งสามรายการเป็นข้อมูลที่ผู้ขายรายงานเอง ผลิตโดยไปป์ไลน์การเผยแพร่ของ Ant เอง และยังไม่มีรายการใดถูกทำซ้ำภายนอกไปป์ไลน์นั้น ด้วยป้ายกำกับดังกล่าว:

• OmniDocBench1.5 — 92.21 สำหรับ Ling 3.2 Flash เทียบกับ 90.56 สำหรับ Opus 5 (max) ซึ่งห่างกัน 1.65 คะแนนในด้านการทำความเข้าใจเอกสาร

• ZEROBench(Sub) — 43.71 เทียบกับ 39.52 ซึ่งเป็นช่องว่างสัมพัทธ์ที่กว้างที่สุดที่ราว 10.6% บนเกณฑ์มาตรฐานฉาก 3D

• Vision2Web — 85.86 เทียบกับ 80.20 ซึ่งเป็นการประเมินการแปลงภาพให้เป็นเว็บที่ใช้งานได้จริง

อ่านชุดผลประเมินนี้แล้ว สิ่งที่มันบอกแคบกว่าคำว่า "เอาชนะ Opus 5" benchmark ทั้งสามรายการเป็นแบบภาพทั้งหมด Ant เลือกการประเมินสามรายการที่โมเดลมัลติโมดัลแบบเนทีฟซึ่งมีพารามิเตอร์ที่ใช้งานจริง 25B มีโอกาสเป็นไปได้ที่จะเอาชนะโมเดลปิดระดับแนวหน้า และไม่ได้เผยแพร่การเปรียบเทียบแบบข้อความล้วน — ไม่มีชุดทดสอบการให้เหตุผล ไม่มีชุดทดสอบการเขียนโค้ด ไม่มีงานเทอร์มินัลแบบเอเจนต์ ซึ่งเป็นจุดที่การวางตำแหน่งของ Ling-3.1-flash จากแล็บเดียวกันอยู่พอดี สองในสามรายการคือ ZEROBench และ Vision2Web ไม่ใช่เครื่องมือที่มีการมีส่วนร่วมจากบุคคลที่สามอย่างกว้างขวาง ผู้อ่านจึงตรวจสอบความสมเหตุสมผลเทียบกับโมเดลอื่นไม่ได้ และ "Opus 5 (max)" เป็นการกำหนดค่าเดียวของคู่แข่งรายเดียว โดยไม่ได้ระบุฮาร์เนส ชุดพรอมป์ หรือจำนวนครั้งที่ลองสำหรับฝ่ายใดฝ่ายหนึ่ง

นอกจากนี้ยังไม่มีคะแนนอิสระสำหรับโมเดลนี้ที่จะนำมาเทียบกับคะแนนเหล่านั้นได้ Artificial Analysis ผู้ตัดสินเป็นกลางตามปกติ ยังไม่มีหน้าสำหรับ Ling 3.2 Flash ณ วันที่ 14 พฤศจิกายน — URL ส่งคืน 404 — และสิ่งที่ใกล้เคียงที่สุดที่ตระกูลนี้มีคือพี่น้องแบบข้อความล้วนของมัน Ling 3.1 Flash 1019 ได้ 29.6 บน Intelligence Index เวอร์ชัน v5.0.1 ปัจจุบัน ที่ราคาอินพุต $0.30 และเอาต์พุต $0.90 ต่อล้าน นั่นคือตัวเลขอิสระจริง และเป็นของโมเดลก่อนหน้า ไม่ใช่โมเดลนี้

ข้อจำกัดของอินพุตคือสเปกผลิตภัณฑ์จริง

Ant ระบุพื้นที่ความสามารถสี่ด้านสำหรับ Ling 3.2 Flash และพื้นที่เหล่านี้แคบกว่ารายการเปิดตัวตามปกติ โดยประกอบด้วยความเข้าใจภาพที่ซับซ้อน (เอกสารที่มีสมการและแผนภาพ ไม่ใช่การใส่คำบรรยายภาพ) เอเจนต์มัลติโมดัลที่ทำงานระยะยาวซึ่งรักษาบริบทภาพให้คงอยู่ตลอดการเรียกใช้เครื่องมือ ความเข้าใจและการโต้ตอบแบบ 3D และงานมัลติโมดัลทางการแพทย์ เดโมต่าง ๆ สอดคล้องกับพื้นที่เหล่านี้ — การอ่านผลเรนเดอร์แบบ headless ของทรงกลมวัสดุและการเปรียบเทียบความขรุขระเพื่อปรับปรุงสคริปต์ของตัวเอง การแปลงแบบวิศวกรรมให้เป็นโมเดลเว็บ 3D การประสานงานเอเจนต์ผู้เชี่ยวชาญผ่านบริบทภาพที่ใช้ร่วมกันเพื่อสร้างรายงาน สไลด์นำเสนอ และวิดีโอไฮไลต์จากข้อมูลไตรมาส 2 ชุดเดียวกัน

จากนั้นพออ่านข้อจำกัดต่าง ๆ เดโมก็เริ่มดูเหมือนถูกสร้างขึ้นภายใต้ข้อจำกัดเหล่านั้น มากกว่าจะสร้างให้หลบเลี่ยงข้อจำกัด ลูปป้อนกลับเชิงภาพที่ตรวจดูเรนเดอร์ของตัวเองนั้นประหยัดในแง่เฟรม: หนึ่งภาพต่อเทิร์น สูงสุดสี่สิบภาพต่อคำขอ โดยแต่ละภาพมีขนาดต่ำกว่า 16384 คูณ 784 พิกเซล แต่เอเจนต์ที่ทำงานระยะยาวซึ่งเก็บบันทึกการประชุมไว้ในบริบทกลับไม่เป็นเช่นนั้น เพราะการบันทึกถูกจำกัดไว้ที่สามสิบวินาทีและสามสิบสองเฟรม ข้อจำกัดทั้งสองเมื่อรวมกันบ่งบอกถึงโมเดลที่ถูกสร้างมาเพื่อการมองโลกครั้งละเล็ก ๆ หลายครั้ง ไม่ใช่การมองยาวครั้งเดียว

ข้อจำกัดอัตราการเรียกใช้งานยิ่งซ้ำเติมปัญหา หน้า rate limit ของ Ant เองกำหนดเพดานระดับโลกไว้ที่สองคำขอต่อวินาที โดยจะตอบ 429 เมื่อเกิน และกำหนด timeout 90 วินาทีสำหรับการเรียกแบบ synchronous พร้อมแนะนำให้ใช้ streaming สำหรับผลิตภัณฑ์แชตนั้นถือว่าใช้ได้ แต่สำหรับลูปเอเจนต์หลายขั้นตอนที่โมเดลนี้ถูกวางตำแหน่งไว้อย่างชัดเจน — ซึ่งมีการเรียกหลายสิบครั้งต่องาน แต่ละครั้งมี frame ติดไปด้วย — 2 QPS คือตัวเลขที่ต้องนำมาวางแผน และมันจะกำหนดรูปร่างสถาปัตยกรรมมากกว่าช่องว่างจาก benchmark ใด ๆ

จุดที่มันลงตัว และสิ่งที่คุณต้องแลกเพื่อลอง

สถานะตามจริงเกี่ยวกับความพร้อมใช้งาน: Ling 3.2 Flash ไม่ได้อยู่ในแค็ตตาล็อกของ OrcaRouter ในวันนี้ รายการโมเดลแบบเรียลไทม์ส่งคืนตัวระบุ 215 รายการ และไม่มีรายการใดเป็นโมเดล Ling — รายการที่ตรงกับ "ling" คือโมเดลวิดีโอ Kling ซึ่งเป็นแล็บจีนอีกแห่งหนึ่งโดยสิ้นเชิง ดังนั้นจึงไม่มีสิ่งใดที่นี่ที่เรียกใช้ได้ในครั้งเดียว และไม่มีเส้นทาง failover อยู่ฝั่งเราสำหรับโมเดลนี้ สิ่งที่เราให้บริการผ่านเส้นทางคือคลาสเปรียบเทียบที่จะถูกนำไปประเมินเทียบด้วย: MiniMax M3.1 Flash ซึ่งเป็น MoE มัลติโมดัลแบบเนทีฟขนาด 428B/23B ที่มีหน้าต่างบริบท 1M เท่ากัน รองรับอินพุตวิดีโอ และเปิดน้ำหนัก ที่ $0.15 ต่อล้านโทเค็นอินพุต และ $0.60 ต่อล้านโทเค็นเอาต์พุต พร้อมส่วนลดแคช 90% — ราคาตามรายการของผู้ให้บริการส่งผ่านโดยไม่บวกกำไร พร้อม failover อัตโนมัติข้ามผู้ให้บริการภายใต้คีย์เดียว

นี่คือรูปแบบการตัดสินใจที่มีประโยชน์ ในขณะที่ Ling 3.2 Flash ยังไม่มีเรตการ์ด ให้รันการประเมินฟรีบน API ของ Ant เอง เพราะการอนุมานฟรีห้าวันบนโมเดลมัลติโมดัล 560B คุ้มกับต้นทุนการตั้งค่าของการเปลี่ยน base-URL อย่านำไปวางไว้เบื้องหลังเส้นทางโปรดักชันที่คุณกำหนดราคาไม่ได้ ไม่สามารถสลับไปใช้ระบบสำรองได้ และไม่สามารถกำหนดเพดานที่สูงกว่าสองคำขอต่อวินาทีได้ ถ้าภาระงานคือการทำความเข้าใจเอกสารหรือเฟรม และคุณต้องการตัวเลขในวันนี้ โมเดลที่คุณจัดงบเทียบได้จริงคือโมเดลที่อยู่ในเรตการ์ด — และมี มากกว่า 200 โมเดลบนคีย์เดียว ซึ่งอย่างน้อยก็ทำให้การเปรียบเทียบเป็นการผสานรวมครั้งเดียวแทนที่จะเป็นหนึ่งครั้งต่อผู้ให้บริการแต่ละราย.

สิ่งที่ควรดูก่อนที่โอกาสจะปิดลง

สามสิ่งตัดสินว่า Ling 3.2 Flash จะกลายเป็นโมเดลที่คุณใช้จริงหรือโมเดลที่คุณแค่ประเมิน สิ่งแรกคือเรตการ์ด: ว่า Ant จะเผยแพร่ราคาต่อล้านโทเค็น — รวมถึงวิธีคิดเงินโทเค็นรูปภาพและวิดีโอ — ก่อนวันที่ 19 พฤศจิกายน หรือว่าช่วงฟรีจะหมดอายุลงเป็นราคาที่ไม่ได้ประกาศไว้เฉย ๆ สิ่งที่สองคือน้ำหนักโมเดล Ant เป็นแล็บที่ชื่อเสียงในปี 2026 ตั้งอยู่บนเช็กพอยต์ขนาด 560B ภายใต้สัญญาอนุญาต MIT; Ling-3.1-flash-1019 เปิดตัวที่ 573.8 GB ภายใต้ MIT เมื่อวันที่ 27 ตุลาคม และณ สัปดาห์นี้ยังไม่มีรีโพซิทอรี 3.2 ในองค์กร inclusionAI บน Hugging Face โมเดลเรือธงแบบปิดจากแล็บนั้นคือการเปลี่ยนจุดยืน ไม่ใช่เรื่องพิธีการ สิ่งที่สามคือการทดสอบมาตรฐานอิสระครั้งแรก เพราะจนกว่าจะมีสิ่งนั้น ทุกข้ออ้างเรื่องมัลติโมดัลในบทความนี้ก็เป็นเพียงคำกล่าวอ้างของ Ant ที่ต้องเทียบกับการเลือกงานของ Ant เอง

ไม่มีอะไรในนั้นทำให้โมเดลน่าสนใจน้อยลงเลย MoE แบบมัลติโมดัลเนทีฟขนาด 560B ที่มีพารามิเตอร์ทำงาน 25B พร้อมหน้าต่าง 1M และรองรับ API ทั้งสองไดอะเลกต์ ถือเป็นงานวิศวกรรมที่จริงจังชิ้นหนึ่ง และช่องว่างในเบนช์มาร์กสามรายการเมื่อเทียบกับ Opus 5 — ซึ่งเป็นข้อมูลที่ผู้ขายรายงานเอง ฮาร์เนสยังไม่เผยแพร่ — ก็กว้างพอที่จะคุ้มค่าที่จะทดสอบด้วยตัวเองแทนที่จะปัดทิ้ง ท่าทีที่ถูกต้องเมื่อผ่านไปเก้าวันคือท่าทีที่หน้าต่างฟรีถูกออกแบบมาเพื่อ: วัดผลตอนนี้ ตั้งราคาเมื่อใบอัตราค่าบริการปรากฏ และอย่าเข้าใจผิดว่าช่วงโปรโมชันสองสัปดาห์คือคำมั่นสัญญาของผลิตภัณฑ์