蚂蚁开源百灵首个原生多模态模型Ling-3.0-flash-VL，引入视觉反馈闭环

会懂网AI资讯，9月9日，蚂蚁集团宣布推出并开源百灵系列首个原生多模态大模型Ling-3.0-flash-VL。该模型基于Ling-3.0-flash的MoE混合专家架构拓展，总参数量124B，单次推理激活5.5B参数，原生支持图像、文本与视频输入，上下文窗口达到256K Token。

MoE架构的选择值得关注。124B总参数、单次仅激活5.5B，意味着模型在保持较大知识容量的同时，把每次推理的计算量控制在较小规模。这种”大容量、小激活”的设计，是当前兼顾效果与成本的主流思路，尤其适合需要高频调用的生产环境。

本次发布的核心创新是视觉反馈闭环机制。不同于一次性”看图生成”的传统模式，该机制把任务推进为”观察—行动—验证—修正”的持续闭环，使模型能够基于视觉反馈不断修正执行结果，而不是一次输出后就结束。

这一机制在三类场景中价值明显：医疗报告解读需要反复比对影像细节，前端代码生成需要对照设计稿检查还原度，GUI自动化则要根据界面变化调整操作路径。这些任务的共同点是无法一次做对，必须依赖反馈迭代。

训练层面，蚂蚁表示通过原生多模态联合训练，视觉信息的引入对模型的文本能力也带来了正向提升。在Artificial Analysis Intelligence Index v4.1.1评估中，Ling-3.0-flash-VL较纯文本版本提升4分。这说明多模态并非简单的能力叠加，而是可以相互增强。

开源策略延续了百灵系列的一贯做法。对开发者而言，124B规模配合5.5B激活，在单张高端卡或小型集群上即可部署，门槛相对可控。随着国产多模态模型在开源社区的持续供给，企业构建视觉相关AI应用的成本还在继续下探。