> ## Content Index
> Fetch the complete content index at: https://globalfeed.ai/llms.txt
> Use this file to discover other available public pages before exploring further.

# 蚂蚁 Ling 以 MIT 许可开源视觉模型：1240 亿参数，每 token 激活 55 亿
- URL: https://globalfeed.ai/zh/ma-yi-ling-yi-mit-xu-ke-kai-yuan-shi-jue-mo-xing-1240-yi-can-shu-mei-token-ji-huo-55-yi/
- Published: 2026-09-08T20:17:42.000Z
- Updated: 2026-09-08T20:17:42.000Z
- Description: Ling-3.0-flash-VL 开源发布。混合专家架构总参数 1240 亿，每 token 仅激活 55 亿，上下文最长可达 100 万 token。模型还宣称能看懂屏幕并据此行动。
- Author: GlobalFeed Editor
- Tags: Ling-3.0-flash-VL, Ant Ling, inclusionAI, 视觉语言模型, 开源模型, x-AntLingAGI, dil-zh, elle, video

蚂蚁集团人工智能团队 **Ant Ling** 以 **MIT 许可**开源了视觉语言模型 **Ling-3.0-flash-VL**。它是在 7 月发布的 Ling-3.0-flash 基础上加入视觉能力后的版本。

## 数字

架构为混合专家：总参数 **1240 亿**，每个 token 仅激活 **55 亿**。上下文窗口最长可达 **100 万 token**。主干为 42 层混合结构，KDA 与 Gated MLA 层按 5:1 交替排列。视觉一侧由 ViT 编码器从图像和视频中提取特征，两层 MLP 投影器将其与文本对齐，VideoRoPE 同时编码空间位置与时间顺序。已发布格式为 BF16 与 F32；公告称 FP8 也已放出，FP4 与 INT4 随后。

稀疏激活才是关键。一个 1240 亿参数的模型每 token 只跑 55 亿，其推理成本远低于同等规模的稠密模型。对一个开源模型而言，这正是弥合“能下载”与“能真正跑起来”之间差距的东西。

## 三件事

模型卡把能力归为三类。**理解**：数物体、解析版式、读图表和文档。**推理**：依据视觉证据计算、多步推断与验证。**行动**：理解界面并完成任务，也就是看着网页和软件界面来编排动作序列。

第三项最值得注意。认出屏幕上有什么，和决定在这个屏幕上该做什么，是两件事；后者属于智能体范畴，在开源一侧仍然稀少。

## 基准

模型卡上唯一的对比数字，是在 Artificial Analysis Intelligence Index v4.1.1 上得到的 **42 分**，比无视觉能力的 Ling-3.0-flash 的 38 分高出 4 分。卡上没有逐行的竞品对比表，因此在独立评测出来之前，无法判断这个模型的实际位置。

Ant Ling 的模型此前也因面向医疗的 Ling 3.0 Flash Sante 而受到关注，我们曾在 [9 月 6 日报道](https://globalfeed.ai/en/health-focused-ling-3-0-flash-sante-is-free-on-vercel-ai-gateway-until-4-october/)；该团队持续从同一主干上分出专用模型。

来源：[inclusionAI/Ling-3.0-flash-VL 模型卡](https://huggingface.co/inclusionAI/Ling-3.0-flash-VL?ref=globalfeed.ai)。