蚂蚁开源团队正式发布并开源了百灵系列的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 架构拓展而来，总参数量达到 124B，单次推理激活 5.5B 参数，原生支持图像、文本与视频输入，且上下文窗口达到了 256K Token。
在研发过程中，团队重点探索了如何让大模型更可靠、更高效地完成真实任务。针对业界普遍担心“给大模型加上视觉能力会拉低文本智能”的顾虑，其实际训练实践给出了相反的结论：原生多模态联合训练不仅拓展了应用边界，反而进一步拉升了文本智能。
为了实现更精准的执行效果，Ling-3.0-flash-VL 引入了创新的视觉反馈机制。通过“观察执行结果、对比目标、发现偏差、持续修正”的完整闭环，模型将传统的一次性“生成”转变为具备自我纠错能力的动态过程，从而大幅提升了最终结果的可靠性。
该模型继承了 Ling-3.0-flash 在 Agent 工作流中作为高效执行节点的核心优势。在视觉反馈的闭环运行中，它能够完美兼顾输出质量与执行效率，以更低的成本和更短的时间推进并完成完整复杂的任务。
