Ling-3.2-flash 深度：560B 原生多模态三项基准超 Opus 5

24 minutes ago AI笔记

一句话结论：蚂蚁百灵在 2026 年 11 月 5 日推出原生多模态模型 Ling-3.2-flash，总参数 560B、激活参数 25B、上下文 1M，官方自测在 OmniDocBench1.5、ZEROBench 与 Vision2Web 三项基准上超过 Claude Opus 5 的最高推理档，API 输入价每百万词元 0.30 美元、输出 0.90 美元，上线前两周免费。

这个数字组合值得单独拎出来看。560B 的骨架配 25B 的激活量，再加一个 1M 上下文窗口，价格压到每百万词元两块钱人民币上下。如果把它放进多模态 API 的价格坐标系里，同一档位的海外旗舰模型通常还要高出一个数量级。

更值得注意的是这次的能力方向。Ling-3.2-flash 是百灵家族第一个把视觉和语言在架构层面打通的多模态基座，图像、文本、视频三类输入都是原生支持，不是给文本模型外挂一个视觉适配层。蚂蚁官方点名的四个强化方向分别是复杂视觉理解、多模态长程智能体、3D 理解与交互、医疗多模态，指向都很具体。

这篇稿子把可复核的数字摊开，同时标清楚哪些是官方自测、哪些是第三方榜单、哪些还没有独立复现。选型的人需要知道边界在哪。

560B 总参数、25B 激活、1M 上下文，这三个数字各管什么

总参数决定模型的知识容量，激活参数决定单次推理实际要算的量，上下文窗口决定一次能塞进去多少东西。Ling-3.2-flash 的组合是 560B 总参数、约 25B 激活参数、100 万 token 上下文。

560B 配 25B 激活是典型的混合专家结构。门控网络在每个 token 上动态挑出少数专家参与前向计算，剩下的参数存在那里不参与计算。这个结构的工程意义在于，知识容量和单步算力开销被拆开对待，模型可以存下大量知识，同时把每次调用的计算量压住。

维度 Ling-3.2-flash 同族前代 Ling-3.1-flash 参照模型
总参数 560B 560B DeepSeek-V4.1-Flash 552B
激活参数 约 25B 25B 与 DeepSeek-V4.1-Flash 同量级
上下文窗口 1M token 1M token Qwen3.8-Flash-Next 128K
输入模态 图像 / 文本 / 视频原生 文本为主 Claude Opus 5 同为多模态
权重开放 未在 Hugging Face 放出 已开源 Qwen3.8-Omni-Flash 权重开放
调用协议 OpenAI 与 Anthropic 双兼容 开源权重自建推理 百炼平台统一接入

1M 上下文这一项并非这一代才出现。Ling-3.1-flash 在 10 月 15 日开源时就拿到了这个数字，真正的新变量是多模态和定价。

还有一个容易被忽略的差别。3.1 版本是权重开放，可以自己拉下来部署；3.2 版本目前走的是 API 优先路线，官方渠道没有放出权重。也就是说这一代对开发者的门槛主要体现在接入协议兼容和调用成本上，而不是部署门槛。

官方自测：三项基准超过 Opus 5，差距最大的一项在视觉推理

蚂蚁公布的数据对比对象是 Claude Opus 5 的 max 档，也就是最高推理强度。三项基准的原始数字如下。

基准 Ling-3.2-flash Claude Opus 5 (max) 分差
OmniDocBench1.5（文档解析） 92.21 90.56 +1.65
ZEROBench Sub（细粒度视觉推理） 43.71 39.52 +4.19
Vision2Web（图像转网页） 85.86 80.20 +5.66

三项基准的领先幅度并不均匀。文档解析只领先 1.65 分，属于同一水平线的轻微差异；真正拉开距离的是视觉推理和图像转网页这两项，幅度分别是 4.19 分和 5.66 分。

这个分布符合多模态模型的定位。文档解析在 90 分以上区间已经接近饱和，模型之间的差异往往只有一两个百分点，真正能区分强弱的是需要模型看懂图里细节、再把理解结果转成可运行前端代码的任务。

第三项基准的第三方成绩来自 DesignArena 图像转前端竞技场，Ling-3.2-flash 以 1238 Elo 进入前十，与 Meta、DeepSeek、Anthropic 的产品处在同一档位。这是少数有第三方背书的一项，但也只反映竞技场这一个场景。

需要说明的是，这三项对比目前都属于厂商自测。官方选择的基准和对比档位都服务于自己的发布叙事，第三方独立复现尚未出现。官方自己的跑分通常不含外部复核，这一点在评估时不能忽略。

四大能力方向，医疗与 3D 是最难验证的两块

蚂蚁把强化方向归为四类，每一类都指向具体的落地场景。

复杂视觉理解指的是对图像和视频做深度推理与分析，而非只描述画面。多模态长程智能体要求模型在多步任务里保持目标不偏移，基于视觉与文本信息完成决策和执行。3D 理解与交互侧重点在三维场景与空间关系的解析。医疗多模态覆盖医学影像理解与报告解读，目标是辅助专业医疗分析。

这四块的验证难度差别很大。复杂视觉理解可以直接用公开基准衡量，长程智能体可以用任务完成率衡量，而 3D 理解和医疗多模态缺乏被广泛接受的标准化评测。医疗场景还额外叠加了准确率与合规的双重要求，一次误读的成本远高于一次答错。

所以看到医疗多模态写在官方重点清单里时，合理的做法是先在非诊断性的文档生成场景试跑，把模型定位成辅助工具而不是独立判断者。蚂蚁自家业务里医疗与健康是长期场景，这项能力更像是业务需求倒推出来的技术方向，而不是先有评测再有产品的路径。

定价与接入：0.30 美元输入、0.90 美元输出，两周免费

Ling-3.2-flash 的 API 已经通过蚂蚁百炼平台上线，兼容 OpenAI 与 Anthropic 两套协议调用，同时提供在线对话页体验。上线前两周限时免费。

项目 Ling-3.2-flash 参考口径
输入价（每百万词元） 0.30 美元，约合 2 元人民币 被 DesignArena 称为同性能档位最低费率
输出价（每百万词元） 0.90 美元，约合 6 元人民币 海外旗舰通常高一个数量级
上线优惠 前两周免费 官方未公布截止日期
协议兼容 OpenAI 与 Anthropic 双协议 迁移工具链成本低
模型 ID Ling-3.2-flash 多模态输入用 image_url 与 video_url

两周免费对实际接入方是一个很实用的窗口。文档解析与图像转网页这类任务可以在免费期内跑完一批评测，把真实业务里的准确率和响应延迟摸清楚，再决定免费期结束后按什么量级做预算。

双协议兼容的实际意义在迁移成本。现在大多数团队的代码库直接调用 OpenAI 格式，接入兼容层几乎不用改代码，只换 base URL 与模型名。如果团队原本用 Anthropic 协议编排多步任务，同样可以直接切过来。真正需要改的是模型名和那些与具体模型能力绑定的提示词逻辑。

与同族与同类模型的位置对照

把 Ling-3.2-flash 放进国产多模态基座的坐标系里，能看清它的定价位置与能力侧重。

模型 类型 上下文 价格特征 侧重方向
Ling-3.2-flash 原生多模态 MoE 1M 输入 0.30 美元、输出 0.90 美元 视觉理解、长程智能体、医疗
Qwen3.8-Omni-Flash 原生全模态 MoE 长上下文 API 价格较上一代降幅超 93% 端到端智能体
腾讯混元 Hy4 多模态 MoE 支持视觉与电脑操作 未公布 视觉与电脑操作
商汤 SenseNova 6.8 Flash 多模态 未公布 未公布 设计交付类任务

对比 DeepSeek-V4.1-Flash 会看到一个有意思的坐标。两者总参数都在 550B 上下，激活量也接近，但路线分叉明显：DeepSeek 那条线走权重开放，蚂蚁这条线走原生多模态加低价 API。同等容量之下，前者解决的是能不能自己跑，后者解决的是跑起来划不划算。

怎么判断它值不值得接进生产

把上面的信息变成决策，路径取决于具体场景。

如果你的主要负载是文档解析与图表转结构化数据，OmniDocBench1.5 那 1.65 分的领先说明它和 Opus 5 属于同一水平线，而价格低一个数量级，这个组合下换过去的经济性是明确的。

如果你的负载是截图转前端代码或者带视觉的长程任务，那 4 分以上的领先才是真正有价值的部分，但也要把官方自测这个前提算进去，最好用自己真实的界面样本跑一遍。

如果你需要本地部署，3.2 这一代目前不提供权重开源，这条路暂时不通，只能在 3.1 的开源版本上做。

最后一条是关于迭代节奏。3.0-flash 在 7 月开源，3.1-flash 于 10 月 15 日开源，10 月底出了增强版，11 月 5 日就轮到 3.2。一个月一个大版本的节奏在国内大模型里并不常见，这既意味着能力更新快，也意味着你的评测基线需要定期重跑。

常见问题

Ling-3.2-flash 和 Claude Opus 5 比，差在哪些地方？

按蚂蚁公布的官方自测，OmniDocBench1.5 领先 1.65 分，ZEROBench 领先 4.19 分，Vision2Web 领先 5.66 分，文档解析基本同水平，视觉推理与图像转网页的领先更明显。需要注意这些都是厂商自测数据，对比对象是 Opus 5 的 max 档，第三方独立复现尚未出现。

Ling-3.2-flash 是开源模型吗？

不是。3.2 版本走 API 优先路线，权重没有在 Hugging Face 公开。同一家族的 3.1-flash 才是开源版本，且同样具备 560B 总参数、25B 激活与 1M 上下文。3.1 偏纯文本，3.2 的增量在原生多模态与定价。

Ling-3.2-flash 适合什么场景，不适合什么场景？

适合文档解析、图表转结构化数据、图像转前端代码这类有明确验收标准的任务，以及有大量视觉输入的长程智能体流程。不适合需要本地私有化部署的场景，也不建议在没有人工复核的情况下把它用于诊断性医疗判断。免费期只有两周，正式接入前应先跑完一轮自有数据评测。

小结

Ling-3.2-flash 的核心看点有三个。原生多模态让 560B 的骨架第一次在百灵家族里接上视觉与视频输入；三项基准超过 Opus 5 max 档给出了可对比的能力坐标；0.30 美元与 0.90 美元的定价把多模态 API 的成本压到了新的区间。官方自测的边界、权重未开放的事实、以及医疗与 3D 方向缺少标准化评测这三点，同样需要被写进选型结论里。

一周一个大版本、两周免费窗口，用这两件事做决定的时间压力都不小。要不要换，先看自家那批真实样本跑出来的分数。

相关阅读

延伸阅读

AI 自学笔记 每天更新 AI 前沿动态，订阅 RSS，或按 Ctrl/⌘+D 收藏本站，明天见。

继续读

同一批更新里这几篇值得一看：

想快速查定义？对应的词条在这里：

Related News