inclusionAI: Ling 3.0 Flash VL

Ling 3.0 Flash VL è un modello di inclusionAI. Si basa su Ling 3.0 Flash, un modello mixture-of-experts da 124B parametri totali con 5.5B parametri attivi, e lo estende con percezione visiva nativa e comprensione visiva avanzata, rafforzando ulteriormente le sue capacità linguistiche. Il modello è elencato nella categoria text, quindi nonostante le funzionalità di visione è posizionato principalmente come modello linguistico che può anche leggere immagini e video.

Sul lato input, Ling 3.0 Flash VL accetta testo, immagini e video, e produce solo output testuale. La finestra di contesto è di 262,144 token, abbastanza ampia da contenere documenti lunghi, cronologie di conversazione prolungate o contesto esteso derivato da video in una singola richiesta. L'output massimo è di 32,768 token, quindi le risposte possono essere sostanziose invece di essere troncate a poche centinaia di token. Poiché il modello combina un contesto ampio con input visivo, può lavorare su materiale che mescola prosa e contenuto visivo senza bisogno di una pipeline separata per ciascuno.

Gli usi pratici derivano direttamente da queste capacità. Uno sviluppatore potrebbe inviare screenshot, diagrammi, grafici o pagine scansionate insieme a una domanda e ottenere una risposta testuale, il che si adatta a domande e risposte su documenti, strumenti di supporto che devono leggere ciò che un utente ha incollato, e attività di estrazione in cui la fonte è un'immagine anziché testo pulito. L'input video apre alla summarizzazione o all'interrogazione di materiale registrato, come rivedere una registrazione dello schermo o una clip e chiedere una descrizione o un insieme di azioni da intraprendere. Il contesto lungo supporta l'analisi multi-documento, sessioni di chat lunghe e revisione di codice o log in cui l'intero file deve essere visibile. Il tool calling e gli output strutturati lo rendono utilizzabile come fase di ragionamento all'interno di un agente o di un flusso di lavoro di estrazione dati.

Chiami il modello tramite l'API compatibile con OpenAI di api14 usando il model id "inclusionai/ling-3.0-flash-vl". I parametri di richiesta supportati sono 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 e top_p. Questo insieme copre il controllo del campionamento, esecuzioni deterministiche tramite seed, ispezione a livello di token attraverso logprobs e top_logprobs, formati di output strutturati e uso di strumenti con tool_choice e tools. Il ragionamento può essere richiesto e incluso nella risposta tramite i parametri reasoning e include_reasoning.

La cosa principale da tenere a mente è la modalità di output: il modello legge immagini e video ma restituisce solo testo, quindi non genererà né modificherà media. Se il tuo compito è puramente testuale e non trae beneficio dall'input visivo, la linea base Ling 3.0 Flash potrebbe essere più adatta, poiché la caratteristica distintiva della variante VL è la percezione visiva. Per carichi di lavoro che richiedono generazione di immagini o video, o input audio, avresti bisogno di un modello diverso.