inclusionAI: Ling 3.0 Flash VL

Ling 3.0 Flash VL هو نموذج من inclusionAI. وهو مبني على Ling 3.0 Flash، وهو نموذج خليط خبراء بإجمالي 124B معامل ونشط 5.5B معامل، ويوسعه بإدراك بصري أصلي وفهم بصري متقدم مع تعزيز قدراته اللغوية بشكل أكبر. النموذج مدرج ضمن فئة النصوص، لذا على الرغم من ميزات الرؤية فهو مصمم أساسا كنموذج لغوي يمكنه أيضا قراءة الصور والفيديو.

من جهة الإدخال، يقبل Ling 3.0 Flash VL النصوص والصور والفيديو، وينتج نصا فقط. نافذة السياق هي 262,144 رمزا، وهي كبيرة بما يكفي لاحتواء مستندات طويلة أو سجلات محادثات مطولة أو سياق مستمد من الفيديو موسع في طلب واحد. الحد الأقصى للإخراج هو 32,768 رمزا، لذا يمكن أن تكون الردود كبيرة بدلا من قطعها عند بضع مئات من الرموز. ولأن النموذج يجمع بين سياق كبير وإدخال بصري، يمكنه العمل على مواد تمزج بين النثر والمحتوى البصري دون الحاجة إلى مسار منفصل لكل منهما.

تتبع الاستخدامات العملية مباشرة من تلك القدرات. يمكن للمطور إرسال لقطات شاشة أو مخططات أو رسوم بيانية أو صفحات ممسوحة ضوئيا إلى جانب سؤال والحصول على إجابة نصية، وهو ما يناسب الإجابة على أسئلة المستندات، وأدوات الدعم التي تحتاج إلى قراءة ما لصقه المستخدم، ومهام الاستخراج حيث يكون المصدر صورة بدلا من نص نظيف. يفتح إدخال الفيديو مجال التلخيص أو الاستعلام عن مواد مسجلة، مثل مراجعة تسجيل شاشة أو مقطع وطلب وصف أو مجموعة من عناصر العمل. يدعم السياق الطويل تحليل مستندات متعددة، وجلسات دردشة طويلة، ومراجعة الشيفرة أو السجلات حيث يجب أن يكون الملف كاملا في مجال الرؤية. يجعل استدعاء الأدوات والمخرجات المهيكلة النموذج قابلا للاستخدام كخطوة استدلال داخل وكيل أو سير عمل لاستخراج البيانات.

تستدعي النموذج عبر واجهة api14 المتوافقة مع OpenAI باستخدام معرف النموذج "inclusionai/ling-3.0-flash-vl". معاملات الطلب المدعومة هي frequency_penalty و include_reasoning و logit_bias و logprobs و max_tokens و min_p و presence_penalty و reasoning و repetition_penalty و response_format و seed و stop و structured_outputs و temperature و tool_choice و tools و top_k و top_logprobs و top_p. تغطي هذه المجموعة التحكم في أخذ العينات، والتشغيلات الحتمية عبر seed، والفحص على مستوى الرموز عبر logprobs و top_logprobs، وتنسيقات المخرجات المهيكلة، واستخدام الأدوات مع tool_choice و tools. يمكن طلب الاستدلال وتضمينه في الرد عبر معاملي reasoning و include_reasoning.

الشيء الرئيسي الذي يجب تذكره هو نمط الإخراج: يقرأ النموذج الصور والفيديو لكنه يعيد نصا فقط، لذا لن ينشئ وسائط أو يحررها. إذا كانت مهمتك نصية بحتا ولا تستفيد من الإدخال البصري، فقد تكون سلسلة Ling 3.0 Flash الأساسية أنسب، لأن السمة المميزة لنسخة VL هي الإدراك البصري. بالنسبة لأحمال العمل التي تحتاج إلى إنشاء صور أو فيديو، أو إدخال صوتي، ستحتاج إلى نموذج مختلف.