Ling 3.0 Flash VL — мультимодальная модель с обработкой видео

Ling 3.0 Flash VL — мультимодальная модель InclusionAI, построенная на основе Ling 3.0 Flash. Она добавляет понимание изображений и видео к языковым и рассуждающим возможностям базовой версии. Карточка модели указывает 124 млрд параметров всего, 5,5 млрд активных на токен, контекст до 256 тысяч токенов и лицензию MIT.

Что умеет версия VL

Модель принимает текст, изображения и видео. InclusionAI описывает её как систему, которая использует визуальную информацию не только для распознавания объектов, но и для анализа, рассуждения, планирования и выполнения задач. Это расширяет набор сценариев по сравнению с текстовой Ling 3.1 Flash, хотя у моделей разные версии и назначение.

Разреженная архитектура

Ling 3.0 Flash VL построена по архитектуре Mixture of Experts: общее число параметров — 124 млрд, а на каждом шаге активируется около 5,5 млрд. Это снижает объём вычислений для отдельного токена, но не означает, что полные веса модели помещаются в 5,5 млрд-параметрный объём памяти.

Контекст и локальное развёртывание

Контекст до 256 тысяч токенов позволяет передавать длинные документы и последовательности кадров. Открытая карточка на Hugging Face лицензирована по MIT. В официальном Ling Cookbook приведены варианты запуска через vLLM, SGLang и llama.cpp, включая квантованные сборки; требования к памяти и скорость зависят от оборудования и формата весов.

Сценарии использования

Ling 3.0 Flash VL подходит для анализа скриншотов, видео, визуальных документов и интерфейсов, а также для агентных задач, в которых модель должна принимать решения на основе изображения. Для текстовых задач линейки посмотрите также Ling 3.1 Flash. Страница разработчика — InclusionAI.

Доступ к модели

Веса и инструкции опубликованы в официальной карточке Hugging Face. Доступна также API-инфраструктура сторонних провайдеров. Поддержка видео, форматы входных данных и параметры контекста зависят от используемого движка.