inclusionAI: Ling 3.0 Flash VL

Ling 3.0 Flash VL é um modelo da inclusionAI. Ele é construído sobre o Ling 3.0 Flash, um modelo de mistura de especialistas com 124B de parâmetros totais e 5.5B de parâmetros ativos, e o estende com percepção visual nativa e compreensão visual avançada, ao mesmo tempo que reforça ainda mais suas capacidades de linguagem. O modelo está listado na categoria de texto, portanto, apesar dos recursos de visão, ele é posicionado principalmente como um modelo de linguagem que também consegue ler imagens e vídeo.

No lado da entrada, o Ling 3.0 Flash VL aceita texto, imagens e vídeo, e produz apenas saída de texto. A janela de contexto é de 262,144 tokens, o que é grande o suficiente para conter documentos longos, históricos de conversa extensos ou contexto prolongado derivado de vídeo em uma única requisição. A saída máxima é de 32,768 tokens, então as respostas podem ser substanciais em vez de serem cortadas em algumas centenas de tokens. Como o modelo combina um contexto grande com entrada visual, ele consegue trabalhar sobre material que mistura prosa e conteúdo visual sem precisar de um pipeline separado para cada um.

Os usos práticos decorrem diretamente dessas capacidades. Um desenvolvedor poderia enviar capturas de tela, diagramas, gráficos ou páginas digitalizadas junto com uma pergunta e obter uma resposta em texto, o que serve para perguntas e respostas sobre documentos, ferramentas de suporte que precisam ler o que o usuário colou, e tarefas de extração em que a fonte é uma imagem em vez de texto limpo. A entrada de vídeo abre caminho para sumarização ou consulta de material gravado, como revisar uma gravação de tela ou um clipe e pedir uma descrição ou um conjunto de itens de ação. O contexto longo dá suporte à análise de múltiplos documentos, sessões de chat longas e revisão de código ou logs em que o arquivo inteiro precisa estar visível. O chamado de ferramentas e as saídas estruturadas tornam o modelo utilizável como a etapa de raciocínio dentro de um agente ou de um fluxo de trabalho de extração de dados.

Você chama o modelo através da API compatível com OpenAI da api14 usando o id de modelo "inclusionai/ling-3.0-flash-vl". Os parâmetros de requisição suportados são 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. Esse conjunto cobre controle de amostragem, execuções determinísticas via seed, inspeção em nível de token através de logprobs e top_logprobs, formatos de saída estruturada, e uso de ferramentas com tool_choice e tools. O raciocínio pode ser solicitado e incluído na resposta através dos parâmetros reasoning e include_reasoning.

O principal ponto a ter em mente é a modalidade de saída: o modelo lê imagens e vídeo, mas retorna apenas texto, então ele não vai gerar ou editar mídia. Se sua tarefa for puramente de texto e não se beneficiar de entrada visual, a linha base Ling 3.0 Flash pode ser mais adequada, já que o recurso distintivo da variante VL é a percepção visual. Para cargas de trabalho que precisam de geração de imagem ou vídeo, ou entrada de áudio, você precisaria de um modelo diferente.