蚂蚁百灵上新560B多模态模型

蚂蚁百灵今天（11 月 6 日）发布原生多模态模型 Ling-3.2-flash，将 560B 总参数、约 25B 激活参数和 1M Token 上下文放进同一个 Flash 型号，并把主攻方向从普通图文问答转向复杂视觉理解、多模态长程 Agent、3D 空间理解和医疗多模态。

这次更新最值得注意的不是“能看图”，而是蚂蚁试图让模型在很长的任务链中持续看、持续判断、持续执行。按照百灵团队公布的结果，Ling-3.2-flash 在 OmniDocBench 1.5、ZEROBench（Sub）和 Vision2Web 三项视觉基准上超过 Claude Opus 5（max），API 输入与输出价格分别为每百万 Token 0.30 美元和 0.90 美元，上线前两周限时免费体验。

需要先给结论：Ling-3.2-flash 的规格和价格都很有冲击力，但“超过 Claude Opus 5”目前只能限定在官方披露的三项视觉评测上，不能外推为综合能力全面领先。它真正可能形成差异化的地方，是把低激活 MoE、百万上下文和原生视觉能力组合起来，为浏览器操作、长视频分析、复杂文档处理等高调用量 Agent 工作流压低成本。

560B 总参数，但每次只动用约 25B

混合专家模型（Mixture of Experts，MoE）是一种每次推理只激活部分专家参数、以较低计算量承载更大模型容量的稀疏架构。 Ling-3.2-flash 拥有 560B、即约 5600 亿总参数，但单次前向计算只激活约 25B 参数，激活比例约为 4.46%。

这个数字解释了型号里的“Flash”。560B 决定模型可以容纳多大的知识与能力容量，25B 则更接近每生成一个 Token 时实际参与计算的参数规模；它像一家拥有大量专业科室的医院，但处理一次任务时只调度相关科室，而不是让所有医生同时会诊。

低激活不等于低部署门槛。560B 权重仍然要被存储、加载和分布到计算设备上，视觉编码、长上下文 KV Cache、专家路由和跨卡通信也会产生额外开销，因此 25B 激活参数不能直接理解为“部署成本等于一个 25B 稠密模型”。它主要降低的是单步计算量，而不是让 560B 权重凭空消失。

百灵此前发布的 Ling-3.1-flash 同样采用约 560B 总参数、25B 激活参数和最高 1M 上下文，并披露其混合线性 MoE 主干由 KDA 线性注意力与 Gated MLA 组成。Ling-3.2-flash 在这一代际基础上把原生多模态能力推到前台，重点不再只是文本办公、代码和终端任务，而是让视觉信息直接进入长程 Agent 的推理与执行链路。

| 模型 | 发布时间 | 总参数 | 激活参数 | 上下文 | 输入模态 | 主要定位 | |---|---:|---:|---:|---:|---|---| | Ling-3.0-flash-VL | 2026 年 9 月 | 124B | 5.5B | 256K | 文本、图像、视频 | 视觉反馈闭环、终端侧与轻量视觉 Agent | | Ling-3.1-flash | 2026 年 10 月 | 560B | 25B | 1M | 以文本复杂工作流为重点 | 办公、医疗、软件工程、终端操作 | | Ling-3.2-flash | 2026 年 11 月 6 日 | 560B | 25B | 1M | 文本、图像、视频 | 复杂视觉理解、长程 Agent、3D 与医疗多模态 |

这张演进表透露出蚂蚁近三个月的产品节奏：先用 Ling-3.0-flash-VL 验证原生视觉和“观察—行动—验证—修正”闭环，再把 Ling-3.1-flash 的 560B 容量与百万上下文接过来，最终形成 Ling-3.2-flash。相比单独给文本模型外挂一个看图模块，这条路线更强调视觉、语言与行动在训练和推理阶段的一体化。

原生多模态，不只是给文本模型装一双眼睛

原生多模态模型是从训练和架构阶段统一处理文本、图像、视频等信息，而不是在成熟文本模型外部简单拼接视觉识别模块的模型。 Ling-3.2-flash 支持图像、文本与视频输入，目标是让视觉信息成为推理过程中的一等输入，而不只是先被转换成一段图片描述再交给语言模型。

这种差别在复杂任务里比在单轮问答里更明显。普通视觉问答只需要识别一张截图里的按钮或读出表格内容，视觉 Agent 则要在操作后重新观察页面，判断状态是否变化，再决定下一步动作；一旦视觉信息在中间环节丢失，模型就容易出现点击错误、重复操作或把弹窗状态想象出来的问题。

多模态长程 Agent 是能够在较长时间和多步骤流程中，同时利用视觉与文本信息保持目标、规划动作并根据反馈修正策略的智能体。 典型场景不是“这张图里有什么”，而是“阅读一组产品文档和设计稿，打开网页后台完成配置，再核对最终页面是否符合要求”。

1M 上下文为这类任务提供了更大的工作记忆。1M 上下文是指模型单次请求理论上最多可接收约 100 万 Token 的输入与历史信息，但它并不等于模型能无损记住其中每一个细节。 对视觉 Agent 而言，这个窗口可以容纳大量网页文本、操作日志、图像编码、视频片段和工具返回结果，减少流程中频繁裁剪历史记录的需要。

百万上下文的价值取决于有效检索而不是单纯容量。一个模型即使能塞进 100 万 Token，如果无法在末端准确找到开头的约束、无法区分旧截图与当前页面，或者随着任务变长逐渐偏离目标，那么大窗口只会带来更多噪声和延迟。Ling-3.2-flash 是否真正适合长程 Agent，仍需要观察长上下文召回率、跨模态定位精度、任务成功率和单位任务耗时，而不仅是上下文上限。

三项基准超过 Claude Opus 5，但边界必须说清楚

Ling-3.2-flash 在蚂蚁公布的三项视觉评测中均高于 Claude Opus 5（max）。其中，OmniDocBench 1.5 领先 1.65 分，ZEROBench（Sub）领先 4.19 分，Vision2Web 领先 5.66 分。

| 评测基准 | Ling-3.2-flash | Claude Opus 5（max） | 绝对领先 | 主要考察方向 | |---|---:|---:|---:|---| | OmniDocBench 1.5 | 92.21 | 90.56 | +1.65 | 复杂文档解析与结构理解 | | ZEROBench（Sub） | 43.71 | 39.52 | +4.19 | 高难视觉推理子集 | | Vision2Web | 85.86 | 80.20 | +5.66 | 从视觉设计到网页实现 |

OmniDocBench 1.5 的 92.21 分对企业文档场景最有现实意义。合同、财报、扫描件和研究报告并不是整齐的纯文本，它们同时包含表格、脚注、公式、跨栏排版和图片；文档模型如果只做 OCR，常常能认出文字，却恢复不了阅读顺序和结构关系。

Vision2Web 的 85.86 分则更贴近前端 Agent。模型需要理解截图中的布局、组件层级、颜色、间距和交互关系，再将其转换成可运行页面；这不是简单生成一段 HTML，而是把视觉设计映射为结构化实现。Ling-3.2-flash 在该项领先 Claude Opus 5（max）5.66 分，是三项结果里最值得关注的一项。

DesignArena 提供了更接近真人偏好的补充信号。Elo 是一种根据模型之间成对胜负动态计算相对排名的评分机制，常用于竞技场式盲测。 Ling-3.2-flash 在图像转前端竞技场 DesignArena 获得 1238 Elo，进入前十，与 Meta、DeepSeek、Anthropic 等厂商模型处于同一梯队。

官方跑分仍然不能替代独立复测。蚂蚁目前没有同步给出完整评测配置、平均输出长度、推理预算、是否启用工具、视频采样方式和重复测试方差，而 Claude Opus 5 后的“max”也意味着特定推理档位；在这些条件完全公开前，更准确的表述是 Ling-3.2-flash 在三项官方披露的视觉基准上领先，而不是“全面击败 Claude”。

3D 和医疗是野心最大的两块，也是证据最少的两块

3D 理解与交互是 Ling-3.2-flash 四个重点方向中最具想象力的一项。3D 理解是模型根据二维图像、视频或场景数据推断物体位置、方向、遮挡、距离和空间关系的能力。 它可以用于机器人操作、室内导航、工业巡检、游戏场景理解和空间计算，但也比普通图像识别更容易受到视角和尺度影响。

医疗多模态则强调医学影像与报告的联合解读。模型如果能同时读取影像、检验数据、病历文本和历史报告，可以帮助医生归纳异常区域、整理时间线并生成结构化初稿；不过“辅助专业医疗分析”不等于可以独立诊断，尤其需要验证不同设备、不同医院和罕见病例上的稳定性。

现阶段官方尚未为 3D 和医疗能力提供与三项视觉基准同等具体的公开成绩。对准备评估模型的团队来说，这两项能力应优先做内部数据集测试，重点检查空间关系幻觉、医学术语一致性、影像与报告是否互相矛盾，以及模型在证据不足时能否明确表达不确定性。

每百万 Token 最低 0.30 美元，价格比跑分更激进

Ling-3.2-flash 的 API 定价为输入每百万 Token 0.30 美元、输出每百万 Token 0.90 美元。按照 11 月 6 日报道中的折算，分别约合人民币 2 元和 6 元；DesignArena 将其标注为同等性能档位中费率最低的模型。

| 计费项目 | 单价 | 简单成本示例 | |---|---:|---:| | 输入 Token | 0.30 美元 / 100 万 Token | 输入 100 万 Token 约 0.30 美元 | | 输出 Token | 0.90 美元 / 100 万 Token | 输出 10 万 Token 约 0.09 美元 | | 组合任务 | 按输入与输出分别计费 | 100 万输入 + 10 万输出约 0.39 美元 |

这一价格对长上下文 Agent 尤其敏感。假设一个任务累计发送 100 万输入 Token、生成 10 万输出 Token，按公开单价计算约为 0.39 美元；如果 Agent 因状态管理不佳，在每一步重复携带完整历史，实际输入量可能迅速翻倍，因此低单价不能替代上下文压缩、缓存和任务日志设计。

多模态计费细节仍值得开发者确认。图片分辨率如何折算 Token、视频按帧还是按时长采样、百万上下文是否存在阶梯价格、缓存命中能否降低费用，都会改变真实账单；目前公开信息只明确了统一的输入与输出 Token 单价，没有给出完整的媒体折算规则。

Ling-3.2-flash 已通过蚂蚁百灵相关平台提供在线体验和 API 服务，并兼容 OpenAI 与 Anthropic 协议。协议兼容的价值是降低现有应用迁移成本，而不是保证不同模型的工具调用、图像格式、流式输出和错误码完全一致，生产接入前仍要逐项验证。

上线前两周限时免费是一个适合做压力测试的窗口。若从 11 月 6 日发布日计算，体验期大致覆盖至 11 月 20 日前后，但实际截止时间、免费额度和并发限制应以平台页面为准，不能把“限时免费”理解为无限量使用。

它真正瞄准的是视觉工作流，而不是聊天框

Ling-3.2-flash 最合适的落地形态不是一个更会看图的聊天机器人。它更像视觉工作流中的低成本主模型：先阅读长文档和历史记录，再查看网页、设计稿或视频，调用工具执行操作，最后根据新画面检查结果。

以下四类任务最可能率先受益：

• 网页与桌面操作： 根据截图识别页面状态，在多轮点击、输入和验证中保持目标一致；
• 设计稿转前端： 同时理解布局、组件与交互要求，并根据渲染截图反复修正；
• 长视频与巡检分析： 在大量帧和事件记录中寻找异常，并把视觉证据与文本规则对应起来；
• 复杂文档工作流： 读取扫描件、表格和图示后，继续完成审核、填报、归档或报告生成。

开发者评估这类模型时不应只看单轮正确率。更有意义的指标包括端到端任务成功率、平均动作次数、错误恢复率、每个成功任务成本、首 Token 延迟、连续运行时的目标漂移率，以及模型是否会在页面已经变化后继续依据旧画面行动。

Ling-3.2-flash 目前最大的优势是规格组合足够完整。560B MoE 提供容量，25B 激活控制计算开销，1M 上下文承载长历史，原生多模态负责视觉输入，再用每百万输入 Token 0.30 美元的价格降低高频调用门槛；市场上并不缺单项更强的模型，但把这些要素同时压进 Flash 档位，才是蚂蚁这次发布真正有竞争力的部分。

Ling-3.2-flash 目前最大的未知数是实际运行质量。官方尚未披露输出速度、首 Token 延迟、长视频上限、工具调用成功率、百万上下文有效召回曲线以及 3D、医疗专项成绩，模型也需要更多第三方测试来验证其在复杂页面、动态界面和连续数百步任务中的稳定性。

总体来看，Ling-3.2-flash 不是一次常规的视觉能力补齐，而是蚂蚁对“低成本视觉长程 Agent”做出的明确押注。三项领先 Claude Opus 5（max）的成绩足以让它进入开发者候选清单，但决定它能否成为生产级 Agent 主模型的，不是再多一张榜单，而是能否在长时间执行中少走错路、发现错误并自行修正。

参考来源

• IT之家：蚂蚁百灵大模型 Ling 3.2 Flash 发布，三项基准超越 Claude Opus 5 —— 汇总模型参数、官方评测结果、DesignArena 排名、API 定价及前两周限时免费信息。