Ant Ling présente Ling-3.2-flash, un modèle multimodal de 560B qui, selon l’entreprise, surpasse Opus 5 sur trois benchmarks

Ant Ling a annoncé Ling-3.2-flash, qu’elle décrit comme un modèle multimodal natif avec 560B de paramètres au total, dont 25B actifs. Selon l’entreprise, le modèle est plus performant en compréhension visuelle complexe, pour les agents multimodaux à long terme, la compréhension et l’interaction en 3D, ainsi qu’en intelligence médicale.

D’après les évaluations publiées par Ant Ling, qui n’ont pas été confirmées de manière indépendante, le modèle obtient de meilleurs résultats qu’Opus 5 (max) sur trois benchmarks :

• OmniDocBench1.5 : 92.21 contre 90.56
• ZEROBench (Sub) : 43.71 contre 39.52
• Vision2Web : 85.86 contre 80.20

Les démonstrations montrent le modèle coordonner des agents spécialisés pour transformer des données financières en rapport, en présentation de six diapositives et en vidéo récapitulative ; créer des interfaces front-end adaptatives et utiliser Blender ; recréer en 3D des éléments de jeu à partir d’une seule image de référence en 2D ; convertir des PDF de recherche en code fonctionnel ; et estimer les calories et les nutriments à partir de photos de repas. Ant Ling indique que les utilisateurs peuvent essayer le modèle sur Computrix.