Ling 3.2 Flash: Mô hình đa phương thức chủ lực 560B, quan sát 30 giây mỗi lần

Ling 3.2 Flash là một mô hình hỗn hợp chuyên gia 560 tỷ tham số của Ant Ling, với 25 tỷ tham số hoạt động trên mỗi token, cửa sổ ngữ cảnh 1M token, và — lý do nó tồn tại — đầu vào hình ảnh và video gốc thay vì một bộ mã hóa thị giác gắn thêm vào mô hình văn bản. Nó đã có mặt trên API của Ant vào ngày 5 tháng 11 năm 2026. Chín ngày sau, câu hỏi thú vị không còn là nó là gì, vì bảng thông số kỹ thuật đã công khai và ngắn gọn. Mà là những gì bảng thông số bỏ sót, và điều đầu tiên nó bỏ sót là khả năng hiểu video mà mọi người hào hứng chỉ dừng ở ba mươi giây, một clip mỗi yêu cầu, ba mươi hai khung hình được lấy mẫu.

Đó không phải là một chú thích cuối trang. Hướng dẫn đa phương thức của chính Ant Ling — trang ghi lại cách gọi Ling 3.2 Flash — đặt giới hạn video ở thời lượng ba mươi giây hoặc ít hơn, một video mỗi yêu cầu, tốc độ lấy mẫu cố định 2fps được giới hạn ở 32 khung hình, và giới hạn 32 MiB cho chuỗi base64. Cùng khối giới hạn đó cũng chi phối Ling-3.0-flash-VL, nên một phần trong đó là phần hạ tầng kế thừa chứ không phải quyết định dành cho mô hình này, nhưng đó là những gì người gọi nhận được. Nếu bài chào hàng của bạn cho một mô hình đa phương thức gốc là "tác nhân tầm xa, giữ ngữ cảnh hình ảnh luôn sống qua nhiều lần gọi công cụ," thì một đoạn clip ba mươi giây và một video mỗi yêu cầu chính là con số ràng buộc kiến trúc, chứ không phải bảng đánh giá.

Mô hình là gì, bằng những con số bạn có thể kiểm chứng.

Các tham số và cửa sổ xuất hiện ở hai nơi trên trang nhà phát triển của Ant: bảng chọn mô hình Ling, nơi Ling 3.2 Flash nằm trên Ling-3.1-flash với hàng 560B / 25B / 1M giống hệt và dòng định vị khác, và dòng thời gian “Ling's Evolution”, nơi xếp dòng sản phẩm 3.2 vào mục 2026.11. Dòng định vị chính là phần khác biệt thực sự: 3.1 được mô tả là mô hình suy luận lai cho công việc văn phòng, phát triển phần mềm dài hạn và các tác vụ agent; 3.2 được mô tả là mô hình đa phương thức gốc tập trung vào hiểu thị giác phức tạp, agent đa phương thức dài hạn, hiểu và tương tác 3D, và công việc đa phương thức y tế. Cùng một bộ khung, thêm một nghĩa mới.

• Tổng số tham số — 560B cho Ling 3.2 Flash, chỉ được sánh ngang bởi mô hình anh em chỉ xử lý văn bản Ling-3.1-flash với 560B; mô hình tiền nhiệm xử lý thị giác Ling-3.0-flash-VL là 124B.

• Số tham số hoạt động trên mỗi token — 25B, so với 5,5B của Ling-3.0-flash-VL và 25B của Ling-3.1-flash.

• Cửa sổ ngữ cảnh — 1M token, gấp bốn lần 256K mà Ling-3.0-flash-VL và Ling-3.0-flash cung cấp.

• Phương thức — đầu vào văn bản, hình ảnh và video, đầu ra văn bản, với thị giác và ngôn ngữ được kết hợp ngay trong chính kiến trúc thay vì được định tuyến qua một mô-đun bên ngoài.

• Hình dạng endpoint — chat/completions tương thích OpenAI và messages tương thích Anthropic, cả hai đều tại api.ant-ling.com.

Hệ quả thực tiễn của cấu trúc endpoint là một tích hợp hiện có có thể chuyển sang chỉ bằng một thay đổi base-URL và một chuỗi model. Ant cung cấp cùng hai định dạng cho mọi model Ling, và hướng dẫn đa phương thức hiển thị các khối nội dung image_url cho ảnh tĩnh và các khối video_url cho video, cả hai đều chỉ dùng base64 — không có đường tải qua URL nào được ghi tài liệu cho cả hai, đây là ràng buộc thứ hai mà một tích hợp production gặp phải trước khi nó gặp một benchmark.

Giá vẫn chưa được công bố, và đồng hồ đếm ngược chỉ còn năm ngày.

Đây là phần đáng kiểm tra trước khi bạn xây dựng bất cứ thứ gì. Trang định giá của Ant — được cập nhật lần cuối vào ngày 5 tháng 11 năm 2026, đúng ngày ra mắt — có các dòng cho Ling-3.1-flash, Ling-3.0-flash-VL, Ling-3.0-flash và hai mô hình hình ảnh Ming. Trang không có dòng nào cho Ling 3.2 Flash. Mô hình này xuất hiện trên trang đó đúng một lần, trong một dòng khuyến mại: miễn phí trong hai tuần đầu tiên sau khi ra mắt.

Tính từ ngày 5 tháng 11, khung thời gian đó kết thúc vào khoảng ngày 19 tháng 11. Hôm nay, nó còn khoảng năm ngày. Khi khung thời gian đó kết thúc, trang cho biết giá gốc sẽ quay trở lại và yêu cầu bạn theo dõi số dư của mình, đó là toàn bộ nội dung công bố giá cho một mẫu flagship 560B.

Điều bạn có thể làm là lấy cận trên cho con số từ hàng phía trên. Ling-3.1-flash niêm yết ở mức ¥2,00 mỗi triệu token đầu vào và ¥6,00 mỗi triệu token đầu ra, được giảm 75% còn ¥0,50 và ¥1,50, với giá đọc cache ở ¥0,40 giảm xuống ¥0,10. Quy đổi con số niêm yết cho thấy một mẫu flagship Ling chỉ xử lý văn bản có giá khoảng $0,28 cho đầu vào và $0,85 cho đầu ra mỗi triệu token; mức giá đã giảm rơi vào khoảng $0,07 và $0,21. Nếu Ling 3.2 Flash định giá giống mẫu anh em của nó, thì đó là khoảng giá tương tự. Đó là suy luận từ một hàng liền kề, không phải mức giá được công bố, và một mô hình đa phương thức có token hình ảnh và video mà Ant hoàn toàn chưa mô tả cách định giá — một clip ba mươi giây ở 2fps là 32 khung hình, và không trang nào cho bạn biết 32 khung hình đó tốn bao nhiêu.

Khoảng trống đó có một hệ quả cụ thể đối với bất kỳ ai đang lập ngân sách: bạn không thể trả lời “tác vụ này tốn bao nhiêu” đối với Ling 3.2 Flash theo cách bạn có thể làm với một mô hình có bảng giá. Bạn có thể trả lời điều đó sau ngày 19 tháng 11, hoặc có thể trả lời ngay bây giờ bằng cách chạy đánh giá khi đồng hồ chưa chạy — cách hiểu hợp lý cho một cửa sổ miễn phí mười bốn ngày ở một mô hình không có giá công bố.

Ba con số chuẩn, tất cả đều là của Ant

Thông báo của Ant so sánh Ling 3.2 Flash với Opus 5 chạy ở mức nỗ lực suy luận tối đa trên ba đánh giá. Cả ba đều do nhà cung cấp báo cáo, được tạo ra bởi chính quy trình phát hành của Ant và chưa có kết quả nào được tái lập bên ngoài quy trình đó. Với lưu ý đó:

• OmniDocBench1.5 — {{1}}92.21{{/1}} cho Ling 3.2 Flash so với {{2}}90.56{{/2}} cho Opus 5 (max), mức chênh lệch 1.65 điểm về khả năng hiểu tài liệu.

• ZEROBench(Sub) — 43,71 so với 39,52, khoảng cách tương đối lớn nhất ở mức khoảng 10,6%, trên một benchmark cảnh 3D.

• Vision2Web — 85.86 so với 80.20, một đánh giá về triển khai web từ thị giác.

Đọc cả bộ kết quả thì nó nói một điều hẹp hơn “đánh bại Opus 5”. Cả ba benchmark đều là thị giác. Ant đã chọn ba đánh giá mà ở đó một mô hình đa phương thức gốc với 25B tham số hoạt động có thể hợp lý đánh bại một mô hình đóng tiên tiến nhất, và không công bố 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 nhân, tức chính là nơi định vị của Ling-3.1-flash cùng phòng thí nghiệm nằm ở đó. Hai trong ba, ZEROBench và Vision2Web, không phải là những công cụ có sự tham gia rộng rãi của bên thứ ba, nên người đọc không thể đối chiếu chúng với các mô hình khác. Và “Opus 5 (max)” là một cấu hình của một đối thủ, mà không nêu khung đánh giá, bộ prompt hay số lần thử cho bên nào.

Cũng không có điểm số độc lập nào cho mô hình này để đặt bên cạnh chúng. Artificial Analysis, trọng tài trung lập thường thấy, không có trang nào cho Ling 3.2 Flash tính đến ngày 14 tháng 11 — URL trả về 404 — và thứ gần nhất mà dòng mô hình này có là mô hình anh em chỉ-văn-bản của nó. Ling 3.1 Flash 1019 đạt 29,6 trên Chỉ số Thông minh v5.0.1 hiện tại với giá 0,30 USD đầu vào và 0,90 USD đầu ra mỗi triệu token. Đó là một con số độc lập thật sự, và nó thuộc về mô hình trước đó, không phải mô hình này.

Các giới hạn đầu vào mới chính là đặc tả sản phẩm thực sự.

Ant ghi lại bốn lĩnh vực năng lực cho Ling 3.2 Flash, và chúng hẹp hơn danh sách ra mắt thông thường: hiểu hình ảnh phức tạp (tài liệu có phương trình và sơ đồ, không phải tạo chú thích), tác nhân đa phương thức dài hạn duy trì ngữ cảnh hình ảnh xuyên suốt các lần gọi công cụ, hiểu và tương tác 3D, và công việc đa phương thức y tế. Các bản demo ánh xạ vào những lĩnh vực đó — đọc các bản render headless của các khối cầu vật liệu và so sánh độ nhám để tinh chỉnh các script của chính nó, chuyển đổi bản vẽ kỹ thuật thành mô hình web 3D, phối hợp các tác nhân chuyên gia trên một ngữ cảnh hình ảnh chung để tạo ra một báo cáo, một bộ slide và một video nổi bật từ cùng dữ liệu Q2.

Sau đó, bạn đọc các giới hạn, và các bản demo bắt đầu trông như thể chúng được tạo ra bên trong các ràng buộc thay vì xoay quanh chúng. Một vòng lặp phản hồi trực quan tự kiểm tra các kết xuất của chính nó rất rẻ tính theo khung hình: một hình ảnh mỗi lượt, tối đa bốn mươi hình ảnh mỗi yêu cầu, mỗi hình dưới 16384 x 784 pixel. Một tác nhân tầm xa giữ bản ghi âm cuộc họp trong ngữ cảnh thì không như vậy, vì bản ghi âm bị giới hạn ở ba mươi giây và ba mươi hai khung hình. Hai giới hạn này cùng nhau mô tả một mô hình được xây dựng để có nhiều lần nhìn ngắn vào thế giới, chứ không phải một lần nhìn dài.

Giới hạn tốc độ càng làm vấn đề trầm trọng thêm. Trang giới hạn tốc độ của chính Ant đặt mức trần toàn cục là hai yêu cầu mỗi giây, vượt mức đó sẽ trả 429, và thời gian chờ 90 giây cho các lệnh gọi đồng bộ với khuyến nghị dùng truyền phát. Với một sản phẩm trò chuyện thì như vậy là ổn. Với các vòng lặp tác nhân nhiều bước mà mô hình được định vị rõ ràng để phục vụ — hàng chục lệnh gọi mỗi tác vụ, mỗi lệnh gọi mang theo một khung — hai QPS là con số để lập kế hoạch, và nó sẽ định hình kiến trúc nhiều hơn bất kỳ khoảng cách điểm chuẩn nào.

Nơi phù hợp, và cái giá bạn phải trả để thử.

Quan điểm trung thực về khả năng sẵn có: Ling 3.2 Flash hiện không có trong danh mục OrcaRouter. Danh sách mô hình trực tiếp trả về 215 mã định danh và không có mã nào là mô hình Ling — các kết quả khớp "ling" là mô hình video Kling, vốn thuộc một phòng thí nghiệm Trung Quốc hoàn toàn khác. Vì vậy, không có gì ở đây có thể truy cập chỉ bằng một lệnh gọi, và không có đường chuyển đổi dự phòng nào ở phía chúng tôi dành cho nó. Thứ chúng tôi định tuyến là nhóm so sánh mà nó sẽ được đánh giá cùng: MiniMax M3.1 Flash, một MoE đa phương thức gốc 428B/23B với cùng cửa sổ 1M, đầu vào video và trọng số mở, ở mức $0.15 mỗi triệu đầu vào và $0.60 mỗi triệu đầu ra với chiết khấu bộ nhớ đệm 90% — giá niêm yết của nhà cung cấp được chuyển nguyên vẹn với mức gia tăng bằng không, cùng cơ chế chuyển đổi dự phòng tự động giữa các nhà cung cấp chỉ qua một khóa.

Đó là cách định hình hữu ích cho quyết định khi Ling 3.2 Flash chưa có bảng giá. Hãy chạy đánh giá miễn phí trên API riêng của Ant, vì năm ngày suy luận miễn phí trên mô hình đa phương thức 560B đáng với chi phí thiết lập để đổi URL gốc. Đừng đặt nó phía sau một luồng production mà bạn không thể định giá, không thể chuyển đổi dự phòng và không thể giới hạn ở mức tối đa hai yêu cầu mỗi giây. Nếu khối lượng công việc là hiểu tài liệu hoặc khung hình và bạn cần một con số ngay hôm nay, những mô hình bạn thực sự có thể lập ngân sách dựa vào là những mô hình có trong bảng giá — và có 200+ mô hình trong số đó trên một khóa, điều này ít nhất khiến việc so sánh trở thành một tích hợp duy nhất thay vì mỗi nhà cung cấp một tích hợp.

Cần xem gì trước khi cửa sổ đóng lại

Ba điều quyết định liệu Ling 3.2 Flash trở thành mô hình bạn dùng hay chỉ là mô hình bạn đã đánh giá. Điều đầu tiên là bảng giá: liệu Ant có công bố giá theo mỗi triệu token — bao gồm cách tính phí token hình ảnh và video — trước ngày 19 tháng 11, hay liệu cửa sổ miễn phí chỉ đơn giản khép lại thành một mức giá không được niêm yết. Điều thứ hai là trọng số. Ant là một phòng thí nghiệm mà danh tiếng năm 2026 dựa trên các checkpoint 560B được cấp phép MIT; Ling-3.1-flash-1019 đã phát hành với dung lượng 573,8 GB theo giấy phép MIT vào ngày 27 tháng 10, và tính đến tuần này, không có kho lưu trữ 3.2 nào trong tổ chức inclusionAI trên Hugging Face. Một mô hình chủ lực đóng kín từ phòng thí nghiệm đó là một sự thay đổi lập trường, không phải thủ tục hình thức. Điều thứ ba là benchmark độc lập đầu tiên, bởi cho đến khi có một benchmark như vậy, mọi tuyên bố đa phương thức trong bài viết này đều chỉ dựa vào lời của Ant và cách Ant tự lựa chọn tác vụ.

Không có điều nào trong số đó khiến mô hình trở nên kém thú vị. Một MoE đa phương thức gốc 560B với 25B active, cửa sổ 1M và cả hai kiểu API, là một sản phẩm kỹ thuật đáng gờm, và ba khoảng cách benchmark so với Opus 5 — do nhà cung cấp báo cáo, harness chưa công bố — đủ lớn để đáng tự kiểm chứng thay vì gạt bỏ. Thái độ đúng đắn sau chín ngày chính là thái độ mà cửa sổ miễn phí được tạo ra để phục vụ: đo lường ngay bây giờ, định giá khi bảng giá xuất hiện, và đừng nhầm hai tuần khuyến mãi là cam kết sản phẩm.