Ling-3.0-flash-VL 开源：124B MoE 只激活 5.5B，视觉塞进 Agent 闭环

9 月 9 日，蚂蚁集团 inclusionAI 把 Ling 系列第一个原生多模态模型 Ling-3.0-flash-VL 的权重放上了 Hugging Face 和 ModelScope：总参数 124B、每个 token 只激活 5.5B，支持图像和视频输入，上下文窗口 256K，BF16 与 FP8 权重同步开放，FP4 和 INT4 版本按计划后续跟进。这是 Ling 系列从纯文本走向「能看、能想、能动手」闭环的第一步。

架构：稀疏 MoE 上面叠一整套混合注意力

模型卡给出的结构并不复杂：ViT 视觉编码器负责抽取图像和视频特征，两层 MLP 投影器把视觉特征对齐到文本表示；VideoRoPE 同时编码空间位置和时间顺序，支撑事件定位、长视频问答和视频片段剪辑这类任务；语言主干是 42 层的 KDA 与 Gated MLA 按 5:1 交替的混合架构，负责长上下文的高效处理；最外层用稀疏 MoE 把总容量抬到 124B，同时把单 token 计算压在 5.5B 激活。换句话说，视觉不是外挂的「看图插件」，而是被塞进了理解、推理、行动、验证的完整流程。

跑分：官方引用和独立评测对不上

官方模型卡写的是：Artificial Analysis Intelligence Index v4.1.1 得分 42，比纯文本的 Ling-3.0-flash 的 38 分高 4 分——蚂蚁以此论证「多模态联合训练反过来也提升了文本能力」。但 AA 自己的独立评测帖给出的数字是 25 分，同时把它放在「智能 vs 激活参数」帕累托前沿上：同等总规模里，Qwen3.5 122B A10B 只有 16 分，Mistral Medium 3.5 是 15 分。两个数字大概率对应不同版本的指数，但这也提醒所有人：发布方引用的跑分，永远先看版本号和口径再引用。

AA 的独立评测还给出了官方宣传页不会突出的短板：幻觉率 22%（对比 Inkling Small 的 63% 算克制），但知识召回只有 14% 的 AA-Omniscience 准确率；自动化办公基准 AutomationBench-AA 只有 16%，更难的 Terminal-Bench v4.0 直接 0 分。看图干活的故事讲得再顺，离「可靠的数字员工」还有明显距离。

部署现实：5.5B 激活不等于 5.5B 显存

一个容易误读的数字：激活参数 5.5B 压的是单 token 计算量，不是显存占用，部署时仍然要装下 124B 总权重。官方给的参考配置是 4 张 141GB 级显卡（H20-3e/H200 或 B300/GB300 节点）跑 256K 上下文（YaRN 扩展），80GB 的 H100/H800 需要扩到 8 卡张量并行。推理路径两条：SGLang 官方 Docker 镜像，或 inclusionAI 的 vllm-ling-v3 分支走 vLLM。

所以呢

开源多模态的竞争已经从「能看图」进入「能干活」的闭环竞争——GUI 操作、前端还原、医疗报告解读是发布方点名的三类场景。5.5B 激活的推理经济学，瞄准的正是闭源厂商走量最大的 flash 层定价。但对使用者来说，真正值得记住的不是官方引用的 42 分，而是独立评测里那个 0 分的 Terminal-Bench：多模态 Agent 的水，还深得很。

参考：Ling-3.0-flash-VL 模型卡 · Artificial Analysis 独立评测 · Pandaily 报道