inclusionAI: Ling 3.0 Flash VL

Ling 3.0 Flash VL est un modèle d'inclusionAI. Il s'appuie sur Ling 3.0 Flash, un modèle de mélange d'experts de 124B de paramètres totaux avec 5.5B de paramètres actifs, et l'étend avec une perception visuelle native et une compréhension visuelle avancée, tout en renforçant davantage ses capacités linguistiques. Le modèle est répertorié dans la catégorie texte, donc malgré les fonctionnalités de vision, il est positionné principalement comme un modèle de langage qui peut aussi lire des images et de la vidéo.

Du côté de l'entrée, Ling 3.0 Flash VL accepte le texte, les images et la vidéo, et il produit uniquement du texte en sortie. La fenêtre de contexte est de 262,144 tokens, ce qui est suffisamment grand pour contenir de longs documents, de longs historiques de conversation ou un contexte étendu dérivé de vidéos dans une seule requête. La sortie maximale est de 32,768 tokens, donc les réponses peuvent être substantielles plutôt que d'être tronquées à quelques centaines de tokens. Parce que le modèle combine un grand contexte avec une entrée visuelle, il peut travailler sur du matériel qui mélange prose et contenu visuel sans nécessiter de pipeline séparé pour chaque type.

Les usages pratiques découlent directement de ces capacités. Un développeur pourrait envoyer des captures d'écran, des diagrammes, des graphiques ou des pages scannées accompagnés d'une question et obtenir une réponse textuelle, ce qui convient à la question-réponse sur documents, aux outils d'assistance qui doivent lire ce qu'un utilisateur a collé, et aux tâches d'extraction où la source est une image plutôt que du texte propre. L'entrée vidéo ouvre la voie à la synthèse ou à l'interrogation de matériel enregistré, comme l'examen d'un enregistrement d'écran ou d'un clip et la demande d'une description ou d'un ensemble de points d'action. Le contexte long prend en charge l'analyse multi-documents, les longues sessions de chat et la revue de code ou de journaux où l'intégralité du fichier doit être visible. L'appel d'outils et les sorties structurées le rendent utilisable comme étape de raisonnement au sein d'un agent ou d'un flux de travail d'extraction de données.

Vous appelez le modèle via l'API compatible OpenAI d'api14 en utilisant l'identifiant de modèle "inclusionai/ling-3.0-flash-vl". Les paramètres de requête pris en charge sont 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 et top_p. Cet ensemble couvre le contrôle d'échantillonnage, les exécutions déterministes via seed, l'inspection au niveau des tokens via logprobs et top_logprobs, les formats de sortie structurés, et l'utilisation d'outils avec tool_choice et tools. Le raisonnement peut être demandé et inclus dans la réponse via les paramètres reasoning et include_reasoning.

Le point principal à garder à l'esprit est la modalité de sortie : le modèle lit les images et la vidéo mais renvoie uniquement du texte, donc il ne générera ni ne modifiera de médias. Si votre tâche est purement textuelle et ne bénéficie pas d'une entrée visuelle, la ligne de base Ling 3.0 Flash peut être plus adaptée, puisque la caractéristique distinctive de la variante VL est la perception visuelle. Pour les charges de travail qui nécessitent de la génération d'images ou de vidéos, ou une entrée audio, vous auriez besoin d'un modèle différent.