螞蟻開源團隊正式發佈並開源了百靈系列的首個原生多模態大模型 Ling-3.0-flash-VL。該模型基於 Ling-3.0-flash 的 MoE 架構拓展而來，總參數量達到 124B，單次推理激活 5.5B 參數，原生支持圖像、文本與視頻輸入，且上下文窗口達到了 256K Token。

在研發過程中，團隊重點探索瞭如何讓大模型更可靠、更高效地完成真實任務。針對業界普遍擔心“給大模型加上視覺能力會拉低文本智能”的顧慮，其實際訓練實踐給出了相反的結論：原生多模態聯合訓練不僅拓展了應用邊界，反而進一步拉昇了文本智能。

爲了實現更精準的執行效果，Ling-3.0-flash-VL 引入了創新的視覺反饋機制。通過“觀察執行結果、對比目標、發現偏差、持續修正”的完整閉環，模型將傳統的一次性“生成”轉變爲具備自我糾錯能力的動態過程，從而大幅提升了最終結果的可靠性。

此外，該模型繼承了 Ling-3.0-flash 在 Agent 工作流中作爲高效執行節點的核心優勢。在視覺反饋的閉環運行中，它能夠完美兼顧輸出質量與執行效率，以更低的成本和更短的時間推進並完成完整複雜的任務。