Ling-3.0-flash-VLを公開

モデルと提供状態

InclusionAIは、画像・動画を扱うマルチモーダルモデル「Ling-3.0-flash-VL」をHugging Faceで公開しました。

モデルはMITライセンスで、BF16版とFP8版のウェイトをダウンロードできます。

総パラメータ数は1240億、1トークン当たりの活性化パラメータ数は55億です。

画像と動画の理解に加え、視覚情報を使った推論、計画、画面操作、検証を対象にしています。

文脈長は最大100万トークンに対応するとモデルカードに記載されています。

視覚エンコーダー、VideoRoPE、KDAとGated MLAを交互に配置した42層のバックボーン、疎なMoEを採用しています。

SGLang向けの公式クックブックと、vLLMでの起動手順を公開しています。

BF16版の推奨構成は141GB級GPU 4基、FP8版は同2基で、80GB級GPUでは8基への拡張を案内しています。

thinking modeは既定で有効で、画像・動画入力、ツール呼び出し、推論パーサーの設定例を掲載しています。

モデルカードはArtificial Analysis Intelligence Index 42などの評価値を示していますが、掲載値はInclusionAIが提示した評価として扱います。

原文

• Hugging Face: inclusionAI/Ling-3.0-flash-VL
• Hugging Face: inclusionAI/Ling-3.0-flash-VL-fp8