Ling-3.2-flash: Mẫu chủ lực đa phương thức gốc của Ant Ling vận hành theo chu kỳ hai tuần

Sự thật quan trọng nhất về Ling-3.2-flash là một vấn đề tính phí, và nó sẽ hết hạn. Ant Ling đưa mô hình vào API của mình vào ngày 5 tháng 11 năm 2026 và miễn phí trong mười bốn ngày đầu tiên; khi cửa sổ đó đóng lại, "giá gốc" sẽ quay trở lại — mức giá mà nhà cung cấp chưa công bố. Vì vậy, mọi tuyên bố về kiến trúc dưới đây đều có thời hạn ngắn và gắn với một câu hỏi tồn tại lâu dài: chi phí của việc này vào ngày thứ mười lăm là bao nhiêu? Ling-3.2-flash là một mô hình hỗn hợp chuyên gia với 560 tỷ tham số, 25 tỷ tham số hoạt động mỗi token, ngữ cảnh 1 triệu token, và — điểm thực sự mới — đầu vào hình ảnh, văn bản và video gốc, khiến nó trở thành mô hình chủ lực đầu tiên của Ling biết nhìn chứ không chỉ đọc. Mô hình tiền nhiệm Ling-3.1-flash chỉ có văn bản. Ling-3.0-flash-VL, mô hình thị giác trước đó, là một nhánh phụ 124B. Đây là lần đầu tiên đỉnh của dòng Ling và khả năng đa phương thức cùng nằm trong một bộ trọng số.

Mục nhật ký thay đổi của chính Ant (phiên bản 2.0.6, ngày 5 tháng 11) chính là tài liệu phát hành, và nó chỉ dài một câu. Thông báo trên X vào tối cùng ngày bổ sung thêm ba con số benchmark và năm video demo. Không có báo cáo kỹ thuật, không có model card, không có trọng số và không có bảng giá. Đó là một dấu vết tài liệu mỏng hơn những gì Ling-3.1-flash nhận được vào tháng 9, và đáng để nói thẳng ra trước khi chúng ta coi bất kỳ con số nào là đã được xác lập.

Những gì thực sự đã được phát hành, và những gì Ant chưa nói

Bốn điều đã được ghi chép và có thể kiểm chứng ngay hôm nay. Số lượng tham số, số lượng tham số hoạt động và cửa sổ ngữ cảnh xuất hiện ở hai nơi trên trang nhà phát triển của Ant — bảng chọn mô hình Ling và dòng thời gian "Ling's Evolution", trong đó xếp dòng 3.2 vào mục 2026.11. Hỗ trợ modality xuất hiện trong tài liệu tham chiếu API: một yêu cầu gửi tới Ling-3.2-flash "chấp nhận nguyên bản văn bản, hình ảnh và video", với các khối nội dung image_url cho ảnh tĩnh và các khối video_url cho video. Dạng endpoint là hai dạng mà Ant đã chạy ở mọi nơi — chat/completions tương thích OpenAI và messages tương thích Anthropic, cả hai tại api.ant-ling.com/v1.

Có bốn điều không được ghi rõ trong tài liệu. Không có mức giá công bố trên mỗi triệu token cho Ling-3.2-flash ở bất kỳ đâu trên trang định giá — bảng chỉ liệt kê Ling-3.1-flash, Ling-3.0-flash-VL, Ling-3.0-flash và hai mô hình hình ảnh Ming, còn Ling-3.2-flash chỉ xuất hiện trong dòng quảng cáo. Không có trọng số mở: tổ chức inclusionAI trên Hugging Face có Ling-3.1-flash, Ling-3.1-flash-1019 và một checkpoint cơ sở Ling-3.1-flash, và không có kho lưu trữ 3.2 nào. Không có benchmark độc lập. Và không có giới hạn token đầu ra được nêu rõ, mà với một mô hình được giới thiệu để tạo ra các sản phẩm bàn giao dài thì đó là một thiếu sót thực sự chứ không phải một chú thích nhỏ.

Câu hỏi về trọng số có một dấu vết xã hội rõ ràng. Phản hồi duy nhất đáng đọc dưới thông báo của Ant là một người dùng hỏi, thực chất là, liệu nó có mã nguồn mở hay không. Ant chưa trả lời. Đối với một phòng thí nghiệm mà toàn bộ danh tiếng năm 2026 dựa vào các checkpoint 560B được cấp phép MIT — Ling-3.1-flash-1019 phát hành ở 573.8 GB theo giấy phép MIT vào ngày 27 tháng 10 — việc đóng mô hình chủ lực là một thay đổi lập trường, không phải thủ tục hình thức.

Ba con số, và chúng đáng giá bao nhiêu

Thông báo của Ant so sánh Ling-3.2-flash với Opus 5 chạy ở mức nỗ lực suy luận tối đa trên ba bài đánh giá. Cả ba đều do nhà cung cấp tự báo cáo, cả ba đều đến từ chính quy trình phát hành của Ant, và chưa có bên nào ngoài Ant tái lập được kết quả. Với nhãn đó được gắn chắc chắn:

• OmniDocBench1.5 — 92,21 cho Ling-3.2-flash so với 90,56 của Opus 5 (max). Một benchmark hiểu tài liệu; khoảng cách 1,65 điểm.

• ZEROBench(Sub) — 43,71 so với 39,52. Đây là khoảng cách tương đối lớn nhất trong ba mục, khoảng 10,6%, trên một bài đánh giá cảnh 3D.

• Vision2Web — 85,86 so với 80,20. Một đánh giá về triển khai web từ hình ảnh, và là đánh giá ánh xạ trực tiếp nhất với các bản demo frontend mà Ant đã công bố cùng với nó.

Đọc kỹ bộ kết quả này thì nó nói lên điều hẹp hơn “đánh bại Opus 5”. Thứ nhất, cả ba benchmark đều là thị giác. Ant đã chọn ba đánh giá mà ở đó một mô hình đa phương thức bản địa với 25B tham số hoạt động có thể hợp lý đánh bại một mô hình đóng tiên phong, và không công bố một so sánh chỉ-văn bản nào — không có bộ đánh giá suy luận, không có bộ đánh giá lập trình, không có tác vụ terminal dạng tác tử. Thứ hai, hai trong ba (ZEROBench và Vision2Web) không phải công cụ bảng xếp hạng chuẩn với sự tham gia rộng rãi của bên thứ ba; người đọc không thể dễ dàng kiểm tra chéo chúng so với các mô hình khác. Thứ ba, “Opus 5 (max)” là một cấu hình cụ thể của một đối thủ cụ thể, và thông báo không nêu rõ harness, bộ prompt, hay số lần thử ở mỗi bên.

Điều đó không làm các con số trở nên sai. Nó khiến chúng trở thành tuyên bố của một nhà cung cấp về bộ tác vụ do chính nhà cung cấp lựa chọn, một điều bình thường đối với một buổi ra mắt và là điều bất thường khi lặp lại như thể đó là sự thật. Tóm tắt trung thực là Ant tin rằng Ling-3.2-flash là mô hình Trung Quốc mạnh nhất hiện có trên các tác vụ tài liệu, 3D và chuyển thị giác thành mã, và đã công bố đúng những bằng chứng ủng hộ niềm tin đó và không có bằng chứng nào có thể kiểm chứng nó.

Nơi mà tính đa phương thức được kỳ vọng sẽ phát huy tác dụng

Ant nêu ra bốn lĩnh vực năng lực, và chúng cụ thể hơn danh sách ra mắt thông thường. Đầu tiên là hiểu hình ảnh phức tạp — tài liệu có phương trình và sơ đồ, không phải tạo chú thích. Thứ hai là "Agent đa phương thức tầm xa", mà theo cách diễn đạt của Ant nghĩa là một mô hình duy trì ngữ cảnh hình ảnh xuyên suốt nhiều lần gọi công cụ. Thứ ba là hiểu và tương tác 3D, và thứ tư là công việc đa phương thức y tế.

Các bản demo là phần thú vị vì chúng cho thấy hình hài sử dụng dự kiến. Ở một bản, Ling-3.2-flash điều phối các tác nhân chuyên biệt trên ngữ cảnh chung để chuyển dữ liệu tài chính quý 2 thành một báo cáo phân tích, một bộ bài trình bày hội đồng quản trị sáu trang và một video điểm nhấn, rồi chỉnh sửa cả ba theo phản hồi. Ở bản khác, nó điều khiển Blender thông qua các thao tác giao diện và thay đổi tham số, đồng thời biến bản vẽ kỹ thuật thành mô hình web 3D. Bản thứ ba cho thấy nó đọc các bản kết xuất không giao diện của những quả cầu vật liệu và so sánh độ nhám, bản đồ pháp tuyến và chi tiết lồi lõm để tinh chỉnh các tập lệnh của chính mình — một vòng phản hồi thị giác, đúng mô thức "quan sát, hành động, xác minh, sửa sai" mà Ant đã tích hợp vào Ling-3.0-flash-VL. Bản thứ tư đọc các PDF nghiên cứu có phương trình và hiện thực hóa các thuật toán bằng mã. Bản thứ năm biến ảnh bữa ăn thành nhật ký ăn uống hằng tuần với ước lượng khẩu phần và tổng dưỡng chất.

Hai trong số năm điều đó đáng được xem xét nghiêm túc như những tuyên bố về sản phẩm chứ không phải tiếp thị: vòng lặp kiểm tra bản dựng và việc chuyển đổi bản vẽ sang 3D đều đòi hỏi mô hình phải nhìn vào đầu ra của chính nó và thay đổi hướng đi, đây chính là năng lực duy nhất phân biệt huấn luyện đa phương thức gốc với việc gắn thêm một bộ mã hóa thị giác vào mô hình văn bản. Liệu nó có đạt được chất lượng như Ant tuyên bố hay không lại chính là điều mà chưa có kiểm nghiệm độc lập nào xác lập được.

Câu chuyện về quyền truy cập mới là phần có sức nặng thực sự.

Ling-3.2-flash hiện có thể truy cập theo ba cách: sản phẩm trò chuyện Ling Studio, endpoint chat tương thích OpenAI và endpoint messages tương thích Anthropic. Đối tượng thinking được tài liệu ghi nhận là hỗ trợ xuyên suốt dòng 3.0, 3.1 và 3.2, với enabled là mặc định và disabled có sẵn cho công việc nhạy cảm với độ trễ. Các SDK hiện có hoạt động khi thay đổi base-URL.

Rồi có thực tế vận hành mà Ant ghi trên trang giới hạn tốc độ của chính mình: hai truy vấn mỗi giây, trên phạm vi toàn cầu, vượt mức đó sẽ trả 429, và thời gian chờ 90 giây cho các lệnh gọi đồng bộ, với khuyến nghị dùng streaming. Với một sản phẩm chat thì điều đó ổn. Với khối lượng công việc agent tầm xa mà mô hình được định vị rõ ràng để đảm nhận — các vòng lặp nhiều bước, chuỗi công cụ, những agent gọi mô hình hàng chục lần mỗi tác vụ — hai QPS là một trần cứng sẽ định hình kiến trúc nhiều hơn bất kỳ con số benchmark nào. Ai dự định chạy Ling-3.2-flash làm xương sống agent nên đọc trang đó trước trang giá.

Về phía chúng tôi, quan điểm thẳng thắn: Ling-3.2-flash hiện không có trong danh mục OrcaRouter. Chúng tôi đã đọc lại danh sách mô hình trực tiếp vào ngày 6 tháng 11 và danh sách trả về 215 mã định danh, không có mã nào là Ling, inclusionAI, Ring hay ERNIE — các kết quả khớp "ling" duy nhất là các mô hình video Kling. Vậy nên không có mô hình nào ở đây sẵn sàng chỉ sau một lệnh gọi. Thứ sẵn sàng chỉ sau một lệnh gọi, nếu cửa sổ miễn phí hai tuần là thứ bạn đang trông cậy vào, là các mô hình có giá công bố mà bạn thực sự có thể dựa vào để lập ngân sách: Qwen3.8-Flash với giá $0.15 mỗi triệu token đầu vào và $0.47 mỗi triệu token đầu ra, GLM-5.3-Flash với giá $0.15 và $0.50, và DeepSeek V4.1 Flash với giá $0.15 và $0.60. Đó là giá niêm yết của nhà cung cấp được chuyển qua với mức cộng thêm bằng không, nên khi nhà cung cấp cắt giảm giá, mức giá đó đến phía chúng tôi ngay trong cùng ngày thay vì sau một chu kỳ định giá lại.

Ngày thứ mười lăm trông như thế nào

Trang định giá của Ant cho biết giá gốc sẽ được áp dụng lại sau thời gian khuyến mãi và yêu cầu bạn "theo dõi số dư tài khoản". Đó là toàn bộ nội dung công bố giá cho một mô hình chủ lực 560B. So sánh với các mô hình bên cạnh trên cùng trang: Ling-3.1-flash được niêm yết ở mức ¥2.00 đầu vào và ¥6.00 đầu ra mỗi triệu token, giảm 75% còn ¥0.50 và ¥1.50; Ling-3.0-flash-VL ở mức ¥0.50 và ¥1.50, giảm 72% còn ¥0.14 và ¥0.42. Nếu Ling-3.2-flash có giá nằm đâu đó gần với mô hình anh em chỉ xử lý văn bản của nó, thì đó là khoảng $0.30 mỗi triệu token đầu vào và $0.90 mỗi triệu token đầu ra theo giá niêm yết, trước khi giảm giá — nhưng đó là suy luận từ một hàng bên cạnh, không phải mức giá đã công bố, và một mô hình đa phương thức có token hình ảnh và video mà Ant chưa hề mô tả cách định giá.

Vậy quyết định của người đọc được phân chia rạch ròi theo mốc thời gian. Nếu tuần này bạn có một đánh giá thiên về tài liệu hoặc thiên về hình ảnh cần chạy, Ling-3.2-flash miễn phí, về lý thuyết là có năng lực, và đáng để bỏ công thiết lập việc thay đổi base-URL. Nếu bạn đang chọn một trụ cột cho môi trường production trong quý tới, bạn đang chọn một mô hình không có giá công bố, không có điểm số độc lập, không có trọng số, giới hạn hai yêu cầu mỗi giây và không có đường dự phòng — và việc làm có trách nhiệm là chạy đánh giá ngay bây giờ, khi nó chưa tốn phí, rồi hoãn quyết định kiến trúc cho đến khi bảng giá và những điểm số độc lập đầu tiên từ bên thứ ba xuất hiện.

Điều cần theo dõi không phải bảng xếp hạng. Mà là liệu Ant có công bố bảng giá và thẻ mô hình trước khi cửa sổ miễn phí đóng lại hay không, và liệu inclusionAI có nhận được một kho 3.2 giống cách nó từng nhận được kho 3.1 hay không. Một phòng thí nghiệm đã phát hành 574 GB trọng số theo giấy phép MIT ba tuần trước và giờ phát hành một mô hình chủ lực đóng đang cho bạn biết điều gì đó về nơi biên lợi nhuận nằm. Đồng hồ hai tuần là hạn chót để quyết định xem bạn có tin điều đó hay không.