inclusionAI: Ling 3.0 Flash VL

Ling 3.0 Flash VL adalah model dari inclusionAI. Model ini dibangun di atas Ling 3.0 Flash, sebuah model mixture-of-experts dengan total parameter 124B dan 5.5B parameter aktif, lalu diperluas dengan persepsi visual native dan pemahaman visual tingkat lanjut sekaligus memperkuat kemampuan bahasanya. Model ini terdaftar di kategori teks, jadi meskipun memiliki fitur vision, posisi utamanya adalah sebagai model bahasa yang juga dapat membaca gambar dan video.

Di sisi input, Ling 3.0 Flash VL menerima teks, gambar dan video, serta hanya menghasilkan output teks. Context window-nya 262,144 token, cukup besar untuk menampung dokumen panjang, riwayat percakapan yang panjang atau konteks turunan video yang diperluas dalam satu permintaan. Output maksimumnya 32,768 token, sehingga respons bisa substansial dan tidak terpotong hanya setelah beberapa ratus token. Karena model ini menggabungkan konteks besar dengan input visual, model ini dapat bekerja pada materi yang mencampur prosa dan konten visual tanpa memerlukan pipeline terpisah untuk masing-masing.

Penggunaan praktis mengikuti langsung dari kemampuan tersebut. Seorang developer dapat mengirim screenshot, diagram, grafik atau halaman hasil pindai bersama sebuah pertanyaan dan mendapatkan jawaban teks, yang cocok untuk tanya jawab dokumen, perkakas dukungan yang perlu membaca apa yang ditempel pengguna, dan tugas ekstraksi ketika sumbernya berupa gambar bukan teks bersih. Input video membuka peluang untuk peringkasan atau kueri materi rekaman, seperti meninjau screen recording atau klip lalu meminta deskripsi atau daftar action item. Konteks panjang mendukung analisis multi-dokumen, sesi chat panjang dan peninjauan kode atau log ketika seluruh file perlu terlihat. Tool calling dan structured outputs membuatnya dapat digunakan sebagai langkah penalaran di dalam agent atau alur kerja ekstraksi data.

Anda memanggil model ini melalui API yang kompatibel dengan OpenAI dari api14 menggunakan model id "inclusionai/ling-3.0-flash-vl". Parameter permintaan yang didukung adalah 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 dan top_p. Kumpulan itu mencakup kontrol sampling, eksekusi deterministik melalui seed, inspeksi tingkat token melalui logprobs dan top_logprobs, format output terstruktur, serta penggunaan tool dengan tool_choice dan tools. Reasoning dapat diminta dan disertakan dalam respons melalui parameter reasoning dan include_reasoning.

Hal utama yang perlu diingat adalah modalitas output: model ini membaca gambar dan video tetapi hanya mengembalikan teks, jadi model ini tidak akan menghasilkan atau mengedit media. Jika tugas Anda sepenuhnya teks dan tidak mendapat manfaat dari input visual, lini Ling 3.0 Flash dasar mungkin lebih cocok, karena fitur pembeda varian VL adalah persepsi visual. Untuk beban kerja yang memerlukan pembuatan gambar atau video, atau input audio, Anda memerlukan model yang berbeda.