アントオープンソースチームは、百靈シリーズの最初のネイティブマルチモーダル大規模モデルであるLing-3.0-flash-VLを正式にリリースし、オープンソース化しました。このモデルは、Ling-3.0-flashのMoEアーキテクチャを拡張して開発され、パラメータ総数は124Bで、一度の推論時に5.5Bのパラメータがアクティブになります。画像、テキスト、ビデオ入力をネイティブでサポートしており、コンテキストウィンドウは256Kトークンに達しています。

開発過程では、チームは大規模モデルが現実的なタスクをより信頼性高く、効率的に遂行できるようにする方法を重点的に探求しました。業界で一般的に懸念されている「大規模モデルに視覚能力を追加するとテキストの知能が低下する」という懸念に対し、実際の訓練実践は逆の結論を示しました。ネイティブマルチモーダルの統合トレーニングは、応用範囲を広げるだけでなく、テキストの知能をさらに向上させました。

より正確な実行効果を実現するために、Ling-3.0-flash-VLは革新的なビジュアルフィードバック機構を導入しました。「結果を観察し、目標と比較し、偏差を見つけ、継続的に修正する」完全なクローズドループを通じて、モデルは従来の一度だけの「生成」から、自己修正能力を持つ動的なプロセスへと変化し、最終的な結果の信頼性を大幅に向上させました。

また、このモデルはLing-3.0-flashがエージェントワークフローにおいて効率的な実行ノードとして持つコアな優位性を引き継いでいます。ビジュアルフィードバックのクローズドループでの動作において、出力品質と実行効率の両方を完璧にバランスよく扱うことができ、低いコストと短い時間で、複雑なタスクを完了できます。