从架构层面把视觉和语言揉在一起
11 月 6 日，蚂蚁百灵官方团队宣布推出原生多模态模型 Ling-3.2-flash。它采用 MoE 架构，总参 560B、每次前向仅激活约 25B，配 1M 上下文窗口。所谓原生多模态，是指视觉与语言能力在架构底层就融合，而非先用视觉编码器抽特征、再塞给语言模型拼装。模型直接吃图像、文本与视频三种输入，把多模态感知、深度推理与自主执行绑在一起。25B 激活参数的取舍，是在大容量知识储备和单步计算成本之间找平衡——每次只调用一小部分参数，既留得住知识，又压得住开销。
四大能力：从看图纸到看 CT
Ling-3.2-flash 三项发布基准对比 Claude Opus 5（max）
官方把强化重点放在四个维度。复杂视觉理解面向图像与视频的深度推理分析；多模态长程 Agent 要求模型在多步复杂任务里持续维持目标一致，结合视觉与文本完成决策与执行；3D 理解与交互侧重三维场景和空间关系的解析；医疗多模态覆盖医学影像理解与报告解读，给专业医疗分析做辅助。四类能力合起来的信号是：蚂蚁想把这款模型推进真实业务现场，而不是停在对话演示——看工程图纸、看医疗影像、在长流程里当执行者，都是产业里高频且难啃的活。
基准：三项超过 Opus 5（max）
在蚂蚁官方公布的评测里，Ling-3.2-flash 在三项关键基准上超过 Claude Opus 5（max）：OmniDocBench1.5 得 92.21 对比 90.56，ZEROBench（Sub）得 43.71 对比 39.52，Vision2Web 得 85.86 对比 80.20；在 DesignArena 图像转前端竞技场，它以 1238 的 Elo 进入前十，与 Meta、DeepSeek、Anthropic 等头部竞品并列。需要清醒看待的是，这些是厂商口径的发布评测，对比对象取的是对方 max 档，且基准选择本身带有宣发取向；它说明模型在特定维度有竞争力，但不等于全面超越。
定价与接入：兼容双协议、两周免费
接口层面，Ling-3.2-flash 的 API 已通过蚂蚁百炼平台上线，全面兼容 OpenAI 与 Anthropic 的协议规范，开发者可沿用既有调用习惯接入。定价上，输入每百万词元 0.30 美元（约 2 元），输出每百万词元 0.90 美元（约 6 元），DesignArena 榜单称这是同性能级别里较低的费率。上线前两周提供限时免费体验，意图很直接——用低门槛把开发者和企业先圈进生态，再谈留存。
冷静看：落地还得看真实场景
值得提醒的是边界。MoE 的激活参数只是推理成本的一个侧面，真实时延、长上下文下的稳定性、医疗场景的合规与责任，都不会写在发布基准里。多模态长程 Agent 能否在真实业务流程中少犯错、医疗多模态能否经得起临床复核，才是决定它走多远的关键。对产业来说，国产原生多模态模型在参数规模与基准上追到这一档，本身是有信号的；但最终价值仍要看谁先把看图纸、看 CT、跑长流程这类脏活累活跑通跑稳。