11月5日、Ant Lingはネイティブマルチモーダルモデル「Ling-3.2-flash」を公開した。総パラメータ560B、1ステップあたりの活性化25B、コンテキストウィンドウ100万トークンで、画像・テキスト・動画の入力にネイティブ対応する。今回の焦点はパラメータ数ではなく、視覚能力を推論の土台に組み込み、マルチモーダルの長期的タスクに直接取り組めるようにした点にある。
560Bパラメータで活性化は25B、計算コストはどうなる
9月に公開されたLing-3.1-flashと同じく、Ling-3.2-flashも総パラメータ560B、活性化約25BのMoEアーキテクチャだ。推論時には現在のトークンに関係するエキスパートだけを呼び出し、小さな実計算量で大きなモデルを使いこなす。違いは、3.1が推論重視のハイブリッドモデルだったのに対し、3.2は言語モデルに視覚モジュールを外付けするのではなく、視覚をアーキテクチャ自体に組み込んだ点だ。100万トークンのコンテキストがあれば、長い文書や動画、複数ターンの対話を一度に取り込んでモダリティを横断した推論ができる。開発者にとっては同じタスクの推論コストが下がるということだが、画像・テキスト・動画を一緒に扱うタスクでなければ意味がない。純粋なテキスト処理に使うのは無駄だ。
3指標でOpus 5超え、その数字をどこまで信じるか
Antが公表したベンダーベンチマークでは、Ling-3.2-flashはClaude Opus 5（max）を3指標で上回った。文書理解のOmniDocBench 1.5で92.21対90.56、ZEROBenchのサブセットで43.71対39.52、画像からウェブサイトを生成するVision2Webで85.86対80.20だ。第三者の競技場DesignArenaの画像→フロントエンドランキングではElo 1238でトップ10に入った。ただしこれらはすべてベンダー発表の数字で、独立した検証はまだない。選ばれたベンチマークは自社に有利な土俵で、Opus 5のフルスペック版やテスト条件も完全には開示されていない。本当にものを言うのは、公開後に開発者が実際のタスクで得たフィードバックであり、発表当日の3枚のスコア表ではない。
いま使えるのか、重みはオープンソースになるのか
モデルはすでにAnt Lingのチャット画面で試すことができ、APIはOpenAIとAnthropicの両プロトコルに対応し、公開から2週間は無料だ。IT之家の報道によると、API料金は入力100万トークンあたり0.30ドル、出力0.90ドル。Ling-3.2-flashの重みをオープンソースにするかどうか、Antはまだ明らかにしていない。前世代のLing-3.1-flashは無料期間の終了後にMITライセンスで重みを公開したが、3.2が同じ道をたどるかはAntの次の発表次第だ。急いで導入したいチームは無料期間で検証すればよい。ローカルで動かしたいなら待たずに、オープンソースの3.1を代替案として考えておくべきだ。
