inclusionAI: Ling 3.0 Flash VL

Ling 3.0 Flash VL to model od inclusionAI. Bazuje na Ling 3.0 Flash, modelu mixture-of-experts o łącznej liczbie 124B parametrów i 5.5B aktywnych parametrów, i rozszerza go o natywną percepcję wzrokową oraz zaawansowane rozumienie obrazu, jednocześnie dodatkowo wzmacniając możliwości językowe. Model jest sklasyfikowany w kategorii tekstowej, więc mimo funkcji wizyjnych jest pozycjonowany przede wszystkim jako model językowy, który potrafi również czytać obrazy i wideo.

Po stronie wejścia Ling 3.0 Flash VL przyjmuje tekst, obrazy i wideo, a zwraca wyłącznie tekst. Okno kontekstu wynosi 262,144 tokenów, co wystarcza na długie dokumenty, długie historie rozmów lub rozszerzony kontekst pochodzący z wideo w jednym żądaniu. Maksymalne wyjście to 32,768 tokenów, więc odpowiedzi mogą być obszerne, a nie ucinane po kilkuset tokenach. Ponieważ model łączy duży kontekst z wejściem wizualnym, może pracować na materiale mieszającym prozę i treści wizualne bez potrzeby osobnego potoku dla każdego z nich.

Praktyczne zastosowania wynikają wprost z tych możliwości. Deweloper może wysłać zrzuty ekranu, diagramy, wykresy lub zeskanowane strony razem z pytaniem i otrzymać odpowiedź tekstową, co pasuje do odpowiadania na pytania dotyczące dokumentów, narzędzi wsparcia, które muszą odczytać to, co wkleił użytkownik, oraz zadań ekstrakcji, gdzie źródłem jest obraz, a nie czysty tekst. Wejście wideo otwiera możliwość streszczania lub odpytywania nagranego materiału, na przykład przeglądania nagrania ekranu lub klipu i proszenia o opis albo listę zadań do wykonania. Długi kontekst wspiera analizę wielu dokumentów, długie sesje czatu oraz przegląd kodu lub logów, gdy cały plik musi być widoczny. Wywoływanie narzędzi i ustrukturyzowane wyjścia czynią go użytecznym jako krok rozumowania wewnątrz agenta lub przepływu ekstrakcji danych.

Model wywołujesz przez zgodne z OpenAI API api14, używając identyfikatora modelu "inclusionai/ling-3.0-flash-vl". Obsługiwane parametry żądania to 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 oraz top_p. Ten zestaw obejmuje kontrolę próbkowania, deterministyczne uruchomienia przez seed, inspekcję na poziomie tokenów przez logprobs i top_logprobs, ustrukturyzowane formaty wyjścia oraz użycie narzędzi z tool_choice i tools. Rozumowanie można zażądać i dołączyć do odpowiedzi przez parametry reasoning i include_reasoning.

Najważniejsza rzecz do zapamiętania to modalność wyjścia: model czyta obrazy i wideo, ale zwraca wyłącznie tekst, więc nie będzie generować ani edytować mediów. Jeśli twoje zadanie jest czysto tekstowe i nie korzysta z wejścia wizualnego, bazowa linia Ling 3.0 Flash może być lepszym dopasowaniem, ponieważ wyróżniającą cechą wariantu VL jest percepcja wzrokowa. Dla obciążeń wymagających generowania obrazów lub wideo albo wejścia audio potrzebny byłby inny model.