inclusionAI: Ling 3.0 Flash VL

Ling 3.0 Flash VL es un modelo de inclusionAI. Se basa en Ling 3.0 Flash, un modelo de mezcla de expertos con 124B de parámetros totales y 5.5B de parámetros activos, y lo amplía con percepción visual nativa y comprensión visual avanzada, a la vez que refuerza aún más sus capacidades lingüísticas. El modelo aparece en la categoría de texto, por lo que, a pesar de las funciones de visión, se posiciona principalmente como un modelo de lenguaje que también puede leer imágenes y vídeo.

En el lado de la entrada, Ling 3.0 Flash VL acepta texto, imágenes y vídeo, y produce únicamente salida de texto. La ventana de contexto es de 262,144 tokens, lo bastante grande como para contener documentos largos, historiales de conversación extensos o contexto amplio derivado de vídeo en una sola solicitud. La salida máxima es de 32,768 tokens, por lo que las respuestas pueden ser sustanciales en lugar de truncarse a unos pocos cientos de tokens. Como el modelo combina un contexto grande con entrada visual, puede trabajar sobre material que mezcla prosa y contenido visual sin necesidad de una canalización separada para cada uno.

Los usos prácticos se derivan directamente de esas capacidades. Un desarrollador podría enviar capturas de pantalla, diagramas, gráficos o páginas escaneadas junto con una pregunta y obtener una respuesta de texto, lo que encaja con la respuesta a preguntas sobre documentos, herramientas de soporte que necesitan leer lo que un usuario ha pegado, y tareas de extracción en las que la fuente es una imagen en lugar de texto limpio. La entrada de vídeo abre la posibilidad de resumir o consultar material grabado, como revisar una grabación de pantalla o un clip y pedir una descripción o un conjunto de tareas a realizar. El contexto largo permite el análisis de múltiples documentos, sesiones de chat largas y la revisión de código o registros donde el archivo completo debe estar a la vista. El uso de herramientas y las salidas estructuradas lo hacen utilizable como el paso de razonamiento dentro de un agente o un flujo de trabajo de extracción de datos.

Se llama al modelo a través de la API compatible con OpenAI de api14 usando el id de modelo "inclusionai/ling-3.0-flash-vl". Los parámetros de solicitud admitidos son frequency_penalty, include_reasoning, logit_bias, logprobs, max_tokens, min_p, presence_penalty, reasoning, repetition_penalty, response_format, seed, stop, structured_outputs, temperature, tool_choice, tools, top_k, top_logprobs y top_p. Ese conjunto cubre el control de muestreo, ejecuciones deterministas mediante seed, la inspección a nivel de token mediante logprobs y top_logprobs, formatos de salida estructurada, y el uso de herramientas con tool_choice y tools. El razonamiento puede solicitarse e incluirse en la respuesta mediante los parámetros reasoning e include_reasoning.

Lo principal que hay que tener en cuenta es la modalidad de salida: el modelo lee imágenes y vídeo pero devuelve solo texto, por lo que no generará ni editará medios. Si tu tarea es puramente de texto y no se beneficia de la entrada visual, la línea base Ling 3.0 Flash puede encajar mejor, ya que la característica distintiva de la variante VL es la percepción visual. Para cargas de trabajo que necesiten generación de imágenes o vídeo, o entrada de audio, necesitarías un modelo diferente.