极欧互联
GEO资讯

蚂蚁开源百灵视觉大模型，智能体要能边做边看

发布于 2026/9/16 28 次阅读
蚂蚁开源百灵视觉大模型，智能体要能边做边看

蚂蚁开源百灵首个原生多模态模型

9月9日，蚂蚁集团宣布推出并开源百灵系列首个原生多模态大模型Ling-3.0-flash-VL。据软盟资讯等行业媒体报道，该模型基于百灵Ling-3.0-flash的混合专家架构拓展而来，总参数量124B，单次推理仅激活约5.5B参数，原生支持图像、文本与视频三种输入。模型已在Ling Studio提供在线体验，权重在Hugging Face与ModelScope两个平台开放下载，首批放出BF16与FP8精度版本，更多量化版本陆续跟进。

事件背景：从看得见到边做边看

百灵系列此前以文本模型为主，这次发布的VL版本把视觉能力做进了执行链路。其核心创新是视觉反馈闭环机制：模型处理任务时按照观察、行动、验证、修正四步循环推进，执行一个动作后会重新查看结果，判断与目标的偏差，再继续调整。以图片转网页为例，模型先生成代码并渲染页面，再对照渲染结果修改代码，而不是停在初次生成。

架构层面，模型配备了任意分辨率的视觉编码器与VideoRoPE时间编码，42层语言主干以约5比1的比例交替使用KDA与Gated MLA两种注意力结构。官方推荐部署配置的上下文窗口为256K token，适合长文档与长视频场景。

深度分析：智能体执行的入场券

过去一段时间，多数多模态模型停留在看图说话层面，视觉理解与任务执行是两条线。Ling-3.0-flash-VL把视觉验证塞进了智能体的工作循环，GUI自动化、前端代码生成、医疗报告阅读是官方点名的三类场景。作为GUI智能体，它可以识别界面结构，完成网页查数、整理表格、跨应用切换这类多步操作，并在每步之后重新观察页面状态。

评测方面需要说明口径：据厂商披露，模型在Artificial Analysis Intelligence Index v4.1.1版本中得分42，较纯文本版Ling-3.0-flash的38分提升4分；官方还称其以linthium代号参加Image-to-WebDev Arena评测时得分高于GPT-5.4。以上均为厂商自报口径，独立复现结果尚待观察。

企业视角：页面要经得起复核

这类模型对企业官网的实际影响在于：智能体不再只是引用一段文字，而是会打开页面、看图、核对结果。企业做GEO优化（生成式引擎优化）时，有三件事值得提前做：

  • 图片信息可读：产品图、参数表、资质证书配好替代文本与图注，别把核心数据只藏在图片像素里；
  • 界面与文档对齐：页面文字与实际服务口径一致，经得起智能体再看一遍式的交叉核验；
  • 结构保持清晰：语义分层、要点明确的页面，更容易在AI搜索引用中被采信。

极欧互联（jiougeo.com）在GEO服务中观察到，模型能力越强，对信息可信度的筛选越严格，看不清、对不上的页面正在被AI检索端逐步过滤。

趋势研判：开源多模态降低智能体门槛

124B总参、5.5B激活的设计，让企业在有限算力环境下也能部署多模态智能体，开源权重叠加多个精度版本，进一步压低了使用成本。可以预期，私有化部署的多模态智能体会加速进入客服、巡检、文档处理等场景。对内容侧的启示是明确的：被AI引用的竞争，正从文字被读到扩展为信息被验证，企业官网的每张图、每张表都可能成为AI搜索引用的取材对象，GEO优化的颗粒度也要跟着变细。

信息来源

返回文章列表
4001179166 获取诊断报告