El 6 de noviembre, el equipo oficial de Ant Group Bailing anunció oficialmente hoy el lanzamiento de un nuevo modelo grande multimodal nativo: Ling-3.2-flash. El modelo cuenta con 560B de parámetros totales, 25B de parámetros activados y una ventana de contexto ultralargo de 1M, y logra una fusión profunda de capacidades visuales y de lenguaje a nivel de arquitectura, aportando una nueva opción para aplicaciones de IA multimodal.
Mejoras en cuatro capacidades y resultados que superan a los principales competidores del sector en varios benchmarks
En cuanto al diseño arquitectónico, Ling-3.2-flash integra de forma nativa desde la base las capacidades de procesamiento visual y de lenguaje, con soporte completo para entradas de imagen, texto y video. Según la documentación oficial, el modelo refuerza especialmente cuatro dimensiones centrales:
Comprensión visual compleja: razonamiento y análisis profundos sobre imágenes y videos.
Agentes multimodales de largo alcance: garantiza que el modelo mantenga la coherencia de los objetivos a lo largo de tareas complejas de múltiples pasos, combinando información visual y textual para completar decisiones y ejecuciones de manera eficiente.
Comprensión e interacción 3D: centrada en el análisis de escenas tridimensionales y relaciones espaciales.
Multimodalidad médica: cobertura profunda de la comprensión de imágenes médicas y la interpretación de informes, ofreciendo asistencia efectiva para el análisis médico profesional.
En los resultados de evaluación publicados oficialmente por Ant, el modelo superó con éxito a Anthropic Claude Opus5 (max) en tres pruebas de referencia clave:
OmniDocBench1.5: puntuación de 92.21, frente a 90.56 del competidor.
ZEROBench (Sub): puntuación de 43.71, frente a 39.52 del competidor.
Vision2Web: puntuación de 85.86, frente a 80.20 del competidor.
Además, en la arena de imagen a frontend DesignArena, Ling-3.2-flash entró en el top diez con una puntuación Elo de 1238, situándose a la par de competidores líderes del sector como Meta, DeepSeek y Anthropic.
Equilibrio arquitectónico y una estrategia de precios altamente competitiva
En términos de implementación técnica, la combinación de 560B de parámetros totales con aproximadamente 25B de parámetros activados constituye el equilibrio central que el modelo establece entre una capacidad potente y el costo de inferencia. Esta arquitectura de mezcla de expertos (MoE) garantiza que el modelo solo invoque una parte de los parámetros en cada cálculo hacia adelante, lo que permite mantener un enorme acervo de conocimiento mientras se controla el costo de cómputo por paso dentro de un rango razonable.
En cuanto a precios y experiencia de la API, Ling-3.2-flash tiene un precio de entrada de 0.30 dólares por millón de tokens (unos 2 yuanes) y un precio de salida de 0.90 dólares por millón de tokens (unos 6 yuanes); la lista de DesignArena señala que es la tarifa más baja entre los modelos de su mismo nivel de rendimiento. Actualmente, la API del modelo ya está disponible oficialmente a través de la plataforma Ant BaiLian, compatible por completo con las especificaciones de protocolo de OpenAI y Anthropic, y ofrece a los usuarios una experiencia gratuita por tiempo limitado durante las dos primeras semanas tras su lanzamiento.