Ant Group выпустила Ling-3.2-flash, обходящую Claude Opus 5 в трёх бенчмарках

Главная особенность новинки — нативная мультимодальность на уровне архитектуры: модель с самого начала обучена работать с изображениями, текстом и видео, а не получила зрение как надстройку над языковым ядром. Общий объём параметров составляет 560 миллиардов, но в каждом отдельном вычислении задействуется лишь около 25 миллиардов активных параметров. Такая схема типична для архитектуры смеси экспертов (MoE): она позволяет хранить большой объём знаний, не раздувая вычислительные затраты на каждый шаг генерации. Контекстное окно достигает миллиона токенов — этого хватает, чтобы загрузить в модель целые книги, длинные видео или объёмные наборы документов.

Согласно опубликованным Ant Group результатам внутренних тестов, Ling-3.2-flash опережает Claude Opus 5 в версии max в трёх ключевых замерах. В бенчмарке OmniDocBench 1.5, оценивающем понимание документов, модель набрала 92,21 балла против 90,56 у конкурента. В ZEROBench (Sub), где проверяется пространственное и визуальное мышление, результат составил 43,71 против 39,52. А в Vision2Web, тестирующем способность превращать визуальные макеты в работающий фронтенд-код, новинка получила 85,86 балла против 80,20 у Claude. В рейтинге DesignArena, посвящённом генерации интерфейсов по изображениям, модель с показателем Elo 1238 вошла в десятку лучших, оказавшись в одной компании с решениями Meta, DeepSeek и Anthropic.

Разработчики отдельно выделяют четыре направления, которые усиливали при обучении. Первое — сложное визуальное понимание: модель способна вести глубокий анализ изображений и видео, а не просто распознавать объекты. Второе — мультимодальные агенты с длинным горизонтом планирования: в многошаговых задачах Ling-3.2-flash удерживает исходную цель и принимает решения, опираясь одновременно на визуальную и текстовую информацию. Третье — понимание трёхмерных сцен и взаимодействие с ними, включая разбор пространственных отношений между объектами. Четвёртое — медицинская мультимодальность: модель обучена читать медицинские снимки и интерпретировать отчёты, помогая специалистам в анализе данных.

Отдельного внимания заслуживает ценовая политика. За миллион входных токенов через API разработчики просят 30 центов, за миллион выходных — 90 центов. По оценке составителей рейтинга DesignArena, это самый низкий тариф среди моделей сопоставимого уровня качества. Иными словами, Ant Group пытается конкурировать не только по возможностям, но и по стоимости доступа, что в сегменте мультимодальных моделей пока встречается нечасто.

API уже работает на платформе Ant Bailian, а протестировать модель можно в онлайн-чате. Для разработчиков предусмотрена совместимость с протоколами OpenAI и Anthropic — это заметно упрощает миграцию: существующий код достаточно перенаправить на новый эндпоинт, не переписывая интеграцию с нуля. Первые две недели после запуска модель доступна бесплатно, что, судя по всему, и есть главный маркетинговый ход: компания рассчитывает, что разработчики попробуют новинку в реальных проектах и останутся на платформе после окончания промо-периода.

Стоит оговориться, что все приведённые цифры взяты из материалов самой Ant Group — независимых подтверждений пока нет, а сравнение с Claude Opus 5 проводилось на ограниченном наборе бенчмарков. Тем не менее выход Ling-3.2-flash показывает, что китайские лаборатории всё активнее играют на поле мультимодальных агентов и открытых API, и конкуренция здесь идёт уже не только за качество ответов, но и за цену токена.