InclusionAI 推出了 Ling-3.0-flash-VL，這是一個稀疏混合專家（MoE）視覺語言模型。該模型總參數達 1240 億，但每個 token 僅激活 55 億個參數。它支援高達 100 萬個 token 的上下文視窗，並原生支援圖像與影片理解。

在架構設計上，模型採用 ViT 視覺編碼器、用於時間編碼的 VideoRoPE，以及交替使用 KDA 和 Gated MLA 層的混合後端。這種稀疏 MoE 設計使模型在保持強大多模態能力的同時，僅激活總參數的一小部分。

事件背景

混合專家（MoE）是一種 AI 架構，透過利用多個專門的子模型來處理任務，比單一巨型模型更具效率。MoE 模型為每個輸入僅激活部分參數，能在不線性增加推理成本的情況下擴大總容量。VideoRoPE 則是一種位置編碼方法，旨在幫助 Transformer 架構理解影片資料中的空間位置和時間順序。

社群觀察

社群對該模型的速度和效率普遍持正面評價，儘管部分使用者指出其在原始效能指標上落後於 Qwen3.8-Flash。此外，大家也對未來發布相容於 llama.cpp 的擴散模型表示興趣。