蚂蚁开源原生多模态模型 Ling-3.0-flash-VL，引入视觉反馈闭环

背景

Ling-3.0-flash-VL 基于 Ling-3.0-flash 的 MoE 架构，总参 124B、单 token 激活约 5.5B，原生支持图像/文本/视频输入，上下文 256K。

核心要点

• 视觉反馈闭环：把“看图生成”升级为持续闭环，在 GUI 自动化、前端代码生成、医疗报告解读中自我修正。
• 评测：Image-to-WebDev Arena（linthium）高于 GPT-5.4；AA Intelligence Index v4.1.1 较纯文本版 +4 分。
• 权重已在 Hugging Face 与 ModelScope 开源（BF16/FP8），FP4/INT4 计划近期发布。

为什么重要

这是开源多模态模型首次把“视觉反馈”作为原生机制嵌入规划与验证，更贴合 agentic 工作流而非一次性问答。

关键事实速记

• 开源：2026-09-09；参数：124B / 激活 5.5B。
• 机制：视觉反馈闭环（观察-行动-验证-修正）。
• 平台：HF / ModelScope 开源。