アリ Ling-3.2-flash がネイティブビジョンをアップグレード：560Bフラッグシップは画像を見てBlenderを操作し、3Dを制作可能

動察 Beating AI 速報、アリババの百霊が Ling-3.2-flash を発表し、ネイティブマルチモーダル能力を 560B のフラッグシップモデルに導入しました。新モデルは画像、テキスト、動画の入力に対応し、複雑な視覚理解、3D インタラクション、マルチモーダル Agent 能力を重点的に強化しています。

新モデルは前世代の Ling-3.1-flash の 5600 億総パラメータ、250 億アクティブパラメータ、100 万 Token のコンテキストを踏襲していますが、テキスト推論からネイティブ視覚理解へとさらに拡張されています。従来の Ling-3.0-flash-VL はすでに画像と動画の入力に対応していましたが、規模は 1240 億総パラメータ、55 億アクティブパラメータ、コンテキストは 25.6 万 Token でした。

公式デモでは、新モデルは画像からウェブページを作成し、Blender を操作して 3D シーンを作成し、数式や図表を含む論文 PDF を読み取って、その中のアルゴリズムを実行可能なコードとして書き出すことができます。

アリババの自己テストによると、新モデルは文書理解、複雑な視覚推論、画像を見てウェブページを作成するという 3 項目の評価で Claude Opus 5（max）を上回りました。其中、Vision2Web は 85.86 点を獲得し、Opus 5 の 80.20 と対比しています。第三者機関 DesignArena の画像からフロントエンドを生成するランキングでは、Ling-3.2-flash が 1238 Elo で第 10 位にランクインしました。

現在、モデルはウェブ体験と API が公開されており、最初の 2 週間は無料です。