Ant Group lanserar multimodala modellen Ling-3.2-flash

Ant Group släppte den 5 november modellen Ling-3.2-flash. Det uppger TechNode, som kallar den en "native" multimodal modell som tar emot text, bilder och video.

Modellen har 560 miljarder parametrar totalt och aktiverar 25 miljarder per inferenssteg. Kontextfönstret är en miljon token. Skillnaden mellan total och aktiv storlek betyder att bara en del av modellen används för varje beräkningssteg. Hur väl modellen klarar så långa underlag har jag inte kunnat belägga i det material jag har läst.

Fokus på bild, agenter och medicin

Enligt TechNode säger Ant att modellen riktar in sig på komplex visuell förståelse, agentuppgifter i flera steg, 3D-förståelse och interaktion samt medicinska multimodala tillämpningar.

Modellen finns i ett chattgränssnitt på nätet och via API:er som är kompatibla med OpenAI:s och Anthropics protokoll. De första två veckorna efter lanseringen är åtkomsten gratis, enligt TechNode. Även OrcaRouters rubrik och Pandailys beskrivning nämner de två gratisveckorna.

Pris, vikter och tester

OrcaRouter, en tjänst som förmedlar åtkomst till AI-modeller, skriver att modellen kommer utan publicerat pris, utan öppna modellvikter och utan oberoende testresultat. Pandaily uppger däremot i sin beskrivning att API:et kostar 0,30/0,90 dollar per miljon token. Uppgifterna går alltså isär, och jag har inte kunnat kontrollera Ants egen prissida. Jag har inte heller läst Pandailys eller OrcaRouters fulla artikeltexter, bara deras sammanfattningar.

Underlaget räcker inte för att bedöma modellens kvalitet eller jämföra den med andra modeller. Det går inte heller att belägga vad lanseringen betyder för svenska användare eller företag.