inclusionAI: Ling 3.0 Flash VL

Ling 3.0 Flash VL は inclusionAI のモデルです。これは Ling 3.0 Flash を基盤としており、Ling 3.0 Flash は合計 124B パラメータの mixture-of-experts モデルで 5.5B のアクティブパラメータを持ち、ネイティブの視覚知覚と高度な視覚理解を追加するとともに、言語能力をさらに強化しています。このモデルはテキストカテゴリに掲載されているため、視覚機能を備えているものの、主に画像や動画も読める言語モデルとして位置づけられています。

入力側では、Ling 3.0 Flash VL はテキスト、画像、動画を受け付け、出力はテキストのみを生成します。コンテキストウィンドウは 262,144 トークンで、長い文書、長い会話履歴、または動画由来の拡張コンテキストを 1 回のリクエストに収めるのに十分な大きさです。最大出力は 32,768 トークンなので、数百トークンで打ち切られることなく、実質的な応答が可能です。このモデルは大きなコンテキストと視覚入力を組み合わせているため、散文と視覚コンテンツが混在する資料を、それぞれに別のパイプラインを必要とせずに扱えます。

実用的な用途は、これらの能力から直接導かれます。開発者は、スクリーンショット、図、チャート、スキャンしたページを質問と一緒に送信し、テキストの回答を得ることができます。これは、文書の質問応答、ユーザーが貼り付けた内容を読む必要があるサポートツール、ソースがクリーンなテキストではなく画像である抽出タスクに適しています。動画入力は、録画資料の要約やクエリを可能にします。たとえば、画面録画やクリップを確認し、説明やアクションアイテムの一覧を求める場合です。長いコンテキストは、複数文書の分析、長いチャットセッション、ファイル全体を視野に入れる必要があるコードやログのレビューを支えます。ツール呼び出しと構造化出力により、エージェントやデータ抽出ワークフロー内の推論ステップとして使用できます。

このモデルは、モデル id "inclusionai/ling-3.0-flash-vl" を使用して api14 の OpenAI 互換 API 経由で呼び出します。サポートされるリクエストパラメータは、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、top_p です。このセットは、サンプリング制御、seed による決定論的実行、logprobs と top_logprobs によるトークンレベルの検査、構造化出力形式、tool_choice と tools によるツール使用をカバーします。推論は、reasoning と include_reasoning パラメータを通じて要求し、応答に含めることができます。

留意すべき主な点は出力モダリティです。このモデルは画像と動画を読み取りますが、返すのはテキストのみなので、メディアを生成したり編集したりすることはありません。タスクが純粋にテキストであり、視覚入力の利点がない場合、基盤の Ling 3.0 Flash ラインの方がより適している可能性があります。VL バリアントの際立った特徴は視覚知覚だからです。画像や動画の生成、または音声入力を必要とするワークロードでは、別のモデルが必要になります。