Ling 3.2 Flash — это модель типа «микрофон экспертов» (mixture-of-experts) от Ant Ling с 560 миллиардами параметров общего объема, 25 миллиардами активных параметров на токен, контекстным окном в 1 млн токенов и — ради чего она вообще создана — встроенной поддержкой ввода изображений и видео вместо модуля компьютерного зрения, прикрученного к текстовой модели. Она появилась в API Ant 5 ноября 2026 года. Девять дней спустя самый интересный вопрос заключается уже не в том, что это за модель, поскольку ее спецификация опубликована и она невелика. Вопрос в том, что эта спецификация упускает из виду, и первое упущение заключается в том, что всеобщее восхищение возможностями понимания видео заканчивается на отметке в тридцать секунд, один клип на один запрос и тридцать два сэмплированных кадра.
Это не сноска мелким шрифтом. Собственное мультимодальное руководство Ant Ling — страница, описывающая вызов Ling 3.2 Flash, — ограничивает продолжительность видео тридцатью секундами или менее, разрешает один видеофайл на запрос, фиксированную частоту сэмплирования 2 кадра/с с ограничением в 32 кадра и лимит в 32 МиБ на строку base64. Те же правила действуют и для Ling-3.0-flash-VL, так что отчасти это унаследованная архитектура, а не решение, принятое конкретно для этой модели, но разработчик получает именно это. Если ваша презентация нативной мультимодальной модели строится вокруг концепции «долгосрочного агента, удерживающего визуальный контекст в памяти на протяжении множества вызовов инструментов», то тридцатисекундный клип и одно видео на запрос — это как раз тот фактор, который ограничивает архитектуру, а вовсе не таблица бенчмарков.
Что представляет собой модель в цифрах, которые можно проверить
Параметры и окно контекста упоминаются в двух разделах сайта разработчиков Ant: в таблице выбора моделей Ling, где Ling 3.2 Flash располагается выше Ling-3.1-flash с идентичными показателями 560B / 25B / 1M, но с другим описанием позиционирования, а также на временной шкале «Эволюция Ling» (Ling's Evolution), где серия 3.2 отнесена к ноябрю 2026 года. Описание позиционирования и есть реальное отличие: 3.1 описывается как гибридная модель рассуждения для офисной работы, долгосрочной разработки ПО и агентских задач; 3.2 описывается как нативная мультимодальная модель, ориентированная на сложное визуальное понимание, мультимодальных долгосрочных агентов, трехмерное понимание и взаимодействие, а также на медицинские мультимодальные задачи. Тот же каркас, но с новым чувством.
• Всего параметров — 560B для Ling 3.2 Flash, с которым может сравниться только его текстовый собрат Ling-3.1-flash с теми же 560B; предшественник с поддержкой зрения Ling-3.0-flash-VL имел 124B.
• Активных параметров на токен — 25B против 5,5B у Ling-3.0-flash-VL и 25B у Ling-3.1-flash.
• Контекстное окно — 1 млн токенов, что в четыре раза больше 256K, предлагаемых Ling-3.0-flash-VL и Ling-3.0-flash.
• Модальности — ввод текста, изображений и видео, вывод текста, причем зрение и язык объменены в самой архитектуре, а не маршрутизируются через внешний модуль.
• Форматы эндпоинтов — совместимые с OpenAI чат/завершения (chat/completions) и совместимые с Anthropic сообщения (messages), оба доступны по адресу api.ant-ling.com.
Практическое следствие совместимости форматов эндпоинтов заключается в том, что существующая интеграция переносится простой сменой базового URL и строки модели. Ant поставляет два одинаковых формата для каждой модели Ling, и в мультимодальном руководстве показаны блоки контента image_url для статичных изображений и video_url для видео, причем оба формата поддерживают только base64 — на данный момент нет документированного способа загрузки по URL ни для одного из них, и это второе ограничение, с которым сталкивается продакшн-интеграция перед тем, как дойти до бенчмарков.
Цена по-прежнему не указана, а счетчик тикает уже пять дней
Это тот момент, который стоит проверить перед тем, как что-либо создавать. На странице цен Ant, в последний раз обновлявшейся 5 ноября 2026 года (в день запуска), присутствуют строки для Ling-3.1-flash, Ling-3.0-flash-VL, Ling-3.0-flash и двух моделей генерации изображений Ming. Строка для Ling 3.2 Flash там отсутствует. Модель появляется на этой странице ровно один раз — в рекламном слогане: бесплатно в течение первых двух недель после запуска.
Если считать от 5 ноября, этот период истекает примерно 19 ноября. На сегодняшний день осталось около пяти дней. По истечении этого срока, судя по информации на странице, возобновляется действие стандартных цен, и пользователям предлагается следить за своим балансом — это вся информация о ценах на флагманскую модель с 560 млрд параметров.
Тем не менее, можно оценить порядок цифр по строке выше. Базовая стоимость Ling-3.1-flash составляет 2,00 юаня за миллион входных токенов и 6,00 юаней за миллион выходных, со скидкой 75% до 0,50 и 1,50 юаней, при этом чтение из кэша стоит 0,40 юаня со снижением до 0,10. Пересчет базовых цифр дает для текстового флагмана Ling цену примерно в $0,28 за миллион входных и $0,85 за миллион выходных токенов; со скидкой получается около $0,07 и $0,21. Если Ling 3.2 Flash будет стоить примерно как его собрат, то порядок цен будет таким же. Это вывод на основе соседней строки, а не официальный тариф, к тому же мультимодальная модель обрабатывает токены изображений и видео, стоимость которых Ant вообще не описывала: тридцатисекундный клип с частотой 2 кадра/с — это 32 кадра, и ни на одной странице не указано, во сколько обходятся эти 32 кадра.
Этот пробел имеет конкретные последствия для любого, кто занимается бюджетированием: вы не можете ответить на вопрос «сколько стоит эта задача» для Ling 3.2 Flash так же легко, как для модели с прайс-листом. Вы сможете узнать это после 19 ноября или прямо сейчас, запустив оценку, пока счетчик отключен, что является вполне разумным подходом при наличии двухнедельного бесплатного окна для модели без опубликованной цены.
Три бенчмарка, и все они от Ant
В анонсе Ant сравнивает Ling 3.2 Flash с Opus 5, работающим в режиме максимальной интенсивности рассуждений, по результатам трех тестов. Все три оценки заявлены самим вендором, получены в рамках собственного цикла релизов Ant, и ни одна из них не была воспроизведена независимыми сторонними исследователями. С учетом этого:
• OmniDocBench1.5 — 92.21 балла у Ling 3.2 Flash против 90.56 у Opus 5 (макс.), разница составляет 1,65 балла в пользу понимания документов.
• ZEROBench(Sub) — 43.71 против 39.52, самый большой относительный разрыв (около 10,6%) в бенчмарке трехмерных сцен.
• Vision2Web — 85.86 против 80.20, оценка эффективности переноса визуального представления в веб-интерфейсы.
Если изучить этот набор тестов целиком, становится очевидно, что вывод куда более узок, чем просто «побеждает Opus 5». Все три бенчмарка визуальные. Ant выбрала именно те три теста, где нативная мультимодальная модель с 25 миллиардами активных параметров вполне может превзойти закрытую передовую модель, и не опубликовала ни одного сравнения в чисто текстовых задачах — никаких тестов на рассуждения, написание кода или выполнение агентских задач в терминале, то есть именно в тех областях, где позиционируется модель Ling-3.1-flash от той же лаборатории. Два из трех тестов — ZEROBench и Vision2Web — не являются инструментами с широким участием сторонних разработчиков, поэтому читатель не может проверить их результаты по другим моделям. Кроме того, «Opus 5 (макс.)» — это лишь одна конфигурация одного конкурента, причем для обеих сторон не указаны ни тестовые оболочки, ни наборы промптов, ни количество попыток.
Кроме того, для этой модели не существует независимого счета, с которым можно было бы их сравнить. На платформе Artificial Analysis, выступающей в роли привычного нейтрального судьи, по состоянию на 14 ноября страница для Ling 3.2 Flash отсутствует — этот URL возвращает ошибку 404. Самое близкое, что есть у этого семейства моделей — его текстовый собрат. Ling 3.1 Flash 1019 набирает 29.6 балла в текущем индексе интеллекта v5.0.1 при стоимости $0,30 за миллион входных и $0,90 за миллион выходных токенов. Это вполне реальная независимая цифра, но она относится к предыдущей модели, а не к этой.
Ограничения на ввод — это и есть реальная спецификация продукта
Ant описывает четыре функциональные области для Ling 3.2 Flash, и они более узкие, чем в обычном списке релизов: комплексное визуальное понимание (документы с уравнениями и схемами, а не создание подписей), мультимодальные агенты с длинным горизонтом планирования, удерживающие визуальный контекст активным при вызовах инструментов, трехмерное понимание и взаимодействие, а также медицинские мультимодальные задачи. Демонстрации соответствуют этому: чтение бессерверных рендеров материальных сфер и сравнение шероховатости для доработки собственных скриптов, преобразование инженерных чертежей в трехмерные веб-модели, координация специализированных агентов через общий визуальный контекст для создания отчета, презентации и видео с основными моментами на основе одних и тех же данных за Q2.
Затем вы читаете ограничения, и демонстрации начинают выглядеть так, будто они создавались в рамках ограничений, а не вокруг них. Визуальный цикл обратной связи, который проверяет собственные рендеры, недорог по кадрам: одно изображение за ход, до сорока изображений на запрос, каждое размером менее 16384 на 784 пикселя. Агент с длинным горизонтом планирования, удерживающий запись встречи в контексте, — нет, потому что запись ограничена тридцатью секундами и тридцатью двумя кадрами. Эти два ограничения вместе описывают модель, созданную для множества коротких взглядов на мир, а не для одного длинного.
Ограничения частоты запросов усугубляют ситуацию. Собственная страница лимитов Ant устанавливает глобальный потолок в два запроса в секунду, с ошибками 429 сверх этого, и таймаут в 90 секунд для синхронных вызовов с рекомендованным потоковым вещанием. Для чат-продукта это нормально. Для многошаговых агентских циклов, для которых модель явно позиционируется — десятки вызовов на задачу, каждый из которых несет кадр, — два QPS являются расчетным показателем, и он будет формировать архитектуру больше, чем любой разрыв в бенчмарках.
Где это подходит и во сколько вам обойдется попытка
Честная позиция по доступности: Ling 3.2 Flash сегодня отсутствует в каталоге OrcaRouter. Список доступных моделей возвращает 215 идентификаторов, и ни один из них не является моделью Ling — совпадения по «ling» относятся к видеомоделям Kling, которые принадлежат совершенно другой китайской лаборатории. Так что здесь ничего не доступно по одному вызову, и с нашей стороны нет пути аварийного переключения для этого. То, что мы маршрутизируем, — это класс для сравнения, с которым его будут оценивать: MiniMax M3.1 Flash, нативный мультимодальный MoE размером 428B/23B с тем же окном в 1M, вводом видео и открытыми весами, по цене $0.15 за миллион входных и $0.60 за миллион выходных токенов со скидкой 90% на кэширование — прейскурант провайдера передается без наценки, с автоматическим переключением между провайдерами за одним ключом.
Таков полезный формат принятия решений, пока у Ling 3.2 Flash нет тарифной сетки. Запустите бесплатную оценку на собственном API Ant, потому что пять дней бесплатного инференса на мультимодальной модели размером 560B стоят затрат на настройку изменения базового URL. Не размещайте ее за производственным контуром, который вы не можете оценить по стоимости, для которого не можете настроить аварийное переключение и ограничить более чем двумя запросами в секунду. Если рабочая нагрузка связана с пониманием документов или кадров и вам нужна цифра сегодня, модели, под которые вы действительно можете составить бюджет, — это те, у которых есть тарифная сетка; а на одном ключе их более 200, что по крайней мере сводит сравнение к единой интеграции, а не к отдельной для каждого вендора.
За чем следить до закрытия окна
Три фактора определяют, станет ли Ling 3.2 Flash моделью, которую вы используете, или моделью, которую вы оценивали. Первый — это тарифная сетка: опубликует ли Ant цены за миллион — включая то, как тарифицируются токены изображений и видео — до 19 ноября, или бесплатное окно просто перейдет в тариф без указания цен. Второй — веса. Ant — это лаборатория, чья репутация в 2026 году держится на контрольных точках 560B с лицензией MIT; Ling-3.1-flash-1019 была выпущена в объеме 573.8 ГБ под лицензией MIT 27 октября, а на неделе репозиторий 3.2 на странице организации inclusionAI на Hugging Face отсутствует. Закрытый флагман от этой лаборатории — это смена позиции, а не формальность. Третий фактор — это первый независимый бенчмарк, потому что до его появления каждое мультимодальное заявление в этой статье является словом Ant против выбора задач самой Ant.
Ничто из этого не делает модель неинтересной. Нативный мультимодальный MoE размером 560B с 25B активных параметров, с окном 1M и обоими диалектами API — это серьезная инженерная разработка, а три разрыва в бенчмарках по сравнению с Opus 5 (заявленные вендором, неопубликованный набор тестов) достаточно велики, чтобы стоило протестировать их самостоятельно, а не сбрасывать со счетов. Правильная позиция через девять дней — та, для которой создано бесплатное окно: измерьте ее сейчас, оцените стоимость, когда появится тарифная сетка, и не принимайте двухнедельную промо-акцию за обязательства по продукту.
