Ling 3.2 Flash：一款以30秒为片段进行观看的560B多模态旗舰模型

Ling 3.2 Flash 是 Ant Ling 推出的 5600 亿参数混合专家模型，每个 token 激活 250 亿参数，上下文窗口为 100 万 token，而它存在的根本原因在于原生支持图像和视频输入，而不是在文本模型上外挂一个视觉编码器。它于 2026 年 11 月 5 日接入 Ant 的 API。九天后，有意思的问题不再是它是什么，因为规格表已经公开而且很短。真正的问题是规格表略去了什么，而它首先略去的一点是：大家为之兴奋的视频理解能力止步于 30 秒、每个请求一个片段、采样 32 帧。

那不是脚注。Ant Ling 自己的多模态指南——也就是记录如何调用 Ling 3.2 Flash 的那一页——把视频上限设为时长不超过三十秒、每次请求仅一个视频、固定 2fps 采样率且最多 32 帧，以及 base64 字符串上限为 32 MiB。同一组限制也约束着 Ling-3.0-flash-VL，所以其中一部分是继承来的底层管线，而不是专为这个模型做出的决定，但调用者得到的就是这些。如果你对原生多模态模型的卖点是“能在大量工具调用中让视觉上下文持续存活的长时程智能体”，那么约束架构的数字就是三十秒片段和每次请求一个视频，而不是基准测试表。

模型是什么，用你可以核对的数字来说明

参数和窗口出现在 Ant 开发者网站的两个地方：Ling 模型选择表中，Ling 3.2 Flash 位于 Ling-3.1-flash 上方，二者具有完全相同的 560B / 25B / 1M 行，但定位描述不同；以及“Ling 的演进”时间线中，该时间线将 3.2 系列归入 2026.11。定位描述才是真正的差异所在：3.1 被描述为面向办公工作、长周期软件开发和智能体任务的混合推理模型；3.2 被描述为原生多模态模型，专注于复杂视觉理解、多模态长周期智能体、3D 理解与交互以及医疗多模态工作。同样的骨架，新增一种含义。

• 总参数——Ling 3.2 Flash 为 560B，仅有其纯文本同系列模型 Ling-3.1-flash 以 560B 与之持平；视觉前代模型 Ling-3.0-flash-VL 为 124B。

• 每个 token 的激活参数——25B，而 Ling-3.0-flash-VL 为 5.5B，Ling-3.1-flash 为 25B。

• 上下文窗口 — 100 万 token，是 Ling-3.0-flash-VL 和 Ling-3.0-flash 提供的 256K 的四倍。

• 模态——文本、图像和视频输入，文本输出，视觉与语言在架构本身中融合，而不是通过外部模块进行路由。

• 端点形式 — 兼容 OpenAI 的 chat/completions 和兼容 Anthropic 的 messages，两者均位于 api.ant-ling.com。

端点形态的实际后果是：现有集成只需更改 base-URL 和模型字符串即可迁移。Ant 为每个 Ling 模型提供相同的两种格式，多模态指南展示了用于静态图像的 image_url 内容块和用于视频的 video_url 内容块，两者都仅支持 base64——文档中没有为二者记录任何 URL 获取路径，这是生产集成在接触基准测试之前会遇到的第二个约束。

价格仍未公布，而计时器上还剩五天。

这是你在动手构建任何东西之前值得核对的部分。Ant 的定价页面最后更新于 2026 年 11 月 5 日，也就是发布当天，其中列出了 Ling-3.1-flash、Ling-3.0-flash-VL、Ling-3.0-flash 以及两个 Ming 图像模型的行。但它没有 Ling 3.2 Flash 的行。该模型在该页面上只出现了一次，位于一条促销文案中：发布后前两周免费。

从11月5日算起，这个窗口大约在11月19日关闭。如今大约还剩五天。页面称，窗口关闭后价格将恢复原价，并提醒你留意账户余额——而这就是一款560B旗舰机的全部定价说明。

你能做的是根据上一行来限定这个数字。Ling-3.1-flash 的标价是每百万输入 token ¥2.00、每百万输出 token ¥6.00，折扣 75% 后降至 ¥0.50 和 ¥1.50，缓存读取价格从 ¥0.40 降至 ¥0.10。换算标价后，一个纯文本的 Ling 旗舰模型大约是每百万输入 $0.28、输出 $0.85；折扣价则接近 $0.07 和 $0.21。如果 Ling 3.2 Flash 的定价与其同系列产品类似，那就大致在这个区间。这是根据相邻一行推断出来的，并非已公布的费率；而且多模态模型还包含图像和视频 token，而 Ant 完全没有说明这些的定价——一段 30 秒、2fps 的视频是 32 帧，而没有任何页面告诉你这 32 帧要花多少钱。

这一空白对任何做预算的人都有一个具体后果：对于 Ling 3.2 Flash，你无法像对一款有价目表的模型那样回答“这个任务要花多少钱”。你可以在 11 月 19 日之后回答这个问题，也可以现在就在计费表关闭的情况下跑一遍评测来回答——而对于一款没有公布价格的模型来说，这也正是对那十四天免费窗口的合理解读。

三项基准测试数字，全部都是 Ant 的。

Ant 的公告将 Ling 3.2 Flash 与以最大推理强度运行的 Opus 5 在三项评估上进行了比较。这三项评估均为厂商报告，由 Ant 自己的发布流程生成，且均未在其外部得到复现。带着这一标签：

• OmniDocBench1.5 —— Ling 3.2 Flash 得分 92.21，Opus 5（max）为 90.56，在文档理解上相差 1.65 分。

• ZEROBench(Sub) — 在 3D 场景基准测试中，43.71 对比 39.52，相对差距最大，约为 10.6%。

• Vision2Web — 85.86 对 80.20，一项从视觉到网页实现的评测。

读一下这组评测，它表达的内容比“击败 Opus 5”更窄。三项基准全是视觉类。Ant 挑选了三项评测，在这些评测中，一个激活参数为 25B 的原生多模态模型有可能击败前沿闭源模型，并且没有发布任何纯文本对比——没有推理套件，没有编码套件，没有智能体终端任务，而这些恰恰是同一实验室的 Ling-3.1-flash 定位所在。三项中有两项——ZEROBench 和 Vision2Web——并非有广泛第三方参与的评测工具，因此读者无法用其他模型对它们做合理性校验。而“Opus 5 (max)”只是一个竞争对手的一种配置，双方都没有说明测试框架、提示集或尝试次数。

这个模型也没有可供与它们并列的独立评分。通常充当中立裁判的 Artificial Analysis 截至 11 月 14 日还没有 Ling 3.2 Flash 的页面——该 URL 返回 404——而该系列中最接近的是它的纯文本兄弟模型。Ling 3.1 Flash 1019 在当前 v5.0.1 Intelligence Index 上得分为 29.6，价格为每百万输入 $0.30、输出 $0.90。那是一个真实的独立数字，而且它属于上一个模型，而不是这个模型。

输入限制才是真正的产品规格

Ant 为 Ling 3.2 Flash 阐述了四个能力领域，它们比常见的发布清单范围更窄：复杂视觉理解（处理含公式和图表的文档，而非图像描述）、能在多次工具调用之间保持视觉上下文活跃的多模态长时程智能体、3D 理解与交互，以及医疗多模态工作。演示与这些领域一一对应——读取材质球的无头渲染图并比较粗糙度以改进自身脚本，将工程图纸转换为 3D 网页模型，在共享视觉上下文中协调专家智能体，基于同一份 Q2 数据生成报告、演示文稿和精彩集锦视频。

然后你读到这些限制，演示就开始看起来像是在约束之内构建的，而不是围绕约束构建的。一个检查自身渲染结果的视觉反馈回路在帧数上成本很低：每轮一张图像，每次请求最多四十张图像，每张低于 16384 × 784 像素。一个在上下文中保留会议录像的长时程智能体则不是，因为录像被限制在三十秒和三十二帧。这两项限制共同描述了一个为对世界进行许多次短暂观察而构建的模型，而不是为一次长时间观察而构建的模型。

速率限制会让问题雪上加霜。Ant 自己的速率限制页面设定了每秒两次请求的全局上限，超过该上限就会返回 429；同步调用有 90 秒超时，并建议使用流式传输。对于聊天产品来说，这没问题。但对于该模型明确面向的多步智能体循环——每个任务数十次调用，每次调用都携带一个帧——两个 QPS 只是一个规划数字，而它对架构的塑造将超过任何基准差距。

它适用于何处，以及尝试它需要你付出什么代价

关于可用性的诚实说明：Ling 3.2 Flash 目前不在 OrcaRouter 的模型目录中。实时模型列表返回 215 个标识符，其中没有一个是 Ling 模型——“ling”的匹配项是 Kling 视频模型，那完全是另一家中国实验室。因此，这里没有任何模型是一次调用就能获得的，我们这边也不存在针对它的故障转移路径。我们路由的是它将被拿来对比的那一类模型：MiniMax M3.1 Flash，一个 428B/23B 原生多模态 MoE，拥有相同的 1M 上下文窗口、视频输入和开放权重，输入每百万 $0.15、输出每百万 $0.60，并享有 90% 缓存折扣——供应商标价零加价透传，且在单一密钥后支持跨供应商自动故障转移。

在 Ling 3.2 Flash 尚无价目表的情况下，这就是该决策的有用形态。请在 Ant 自有 API 上运行免费评估，因为在一个 560B 多模态模型上获得五天免费推理，值得付出更改 base URL 的设置成本。不要把它放在一条你无法定价、无法故障转移、也无法将请求上限设为高于每秒两次的生产路径之后。如果工作负载是文档或帧理解，并且你今天就需要一个数字，那么你真正能据以做预算的模型，是那些列在价目表上的模型——而在一个密钥上就有 200+ 个这样的模型，这至少让比较变成一次集成，而不是每个供应商各做一次集成。

窗口关闭前要关注什么

决定 Ling 3.2 Flash 会成为你实际使用的模型，还是只是你评估过的模型，取决于三件事。第一是价目表：Ant 是否会在 11 月 19 日前公布按每百万计的价格——包括它如何对图像和视频 token 计费——还是免费窗口到期后直接变成一个未列出的费率。第二是权重。Ant 是一家其 2026 年声誉建立在 MIT 许可的 560B 检查点上的实验室；Ling-3.1-flash-1019 于 10 月 27 日以 MIT 许可发布，大小为 573.8 GB，而截至本周，inclusionAI 的 Hugging Face 组织下没有 3.2 的仓库。来自该实验室的闭源旗舰模型是一种姿态转变，而非例行公事。第三是首个独立基准测试，因为在其出现之前，本文中的每一项多模态主张都只是 Ant 的一家之言，而任务选择也由 Ant 自己决定。

这些都不会让这个模型变得乏味。一个 560B 原生多模态 MoE，激活参数 25B，具备 1M 窗口并同时支持两种 API 方言，是一项严肃的工程成果；而它相对 Opus 5 的三项基准差距——由厂商报告、评测框架未公开——大到值得你亲自测试，而不是不屑一顾。上线九天后，正确的姿态正是免费窗口所为此设计的：现在就实测它，等价目表公布后再评估价格，并且不要把为期两周的促销当成产品承诺。