Ant apresentou o modelo multimodal Ling-3.2-flash com janela de contexto de um milhão de tokens

A equipe do grande modelo de linguagem Ling da Ant Group lançou o Ling-3.1-flash-1019, uma versão atualizada do modelo Ling-3.1-flash anteriormente apresentado, e simultaneamente publicou o modelo pré-treinado subjacente Ling-3.1-flash-base. Ambas as versões estão disponíveis na plataforma Hugging Face sob licença MIT.

A arquitetura do Ling-3.1-flash-1019 manteve as características de seu antecessor: é uma construção híbrida com mecanismo linear Mixture-of-Experts, possuindo cerca de 560 bilhões de parâmetros totais e aproximadamente 25 bilhões de parâmetros ativos por token, além de uma janela de contexto de um milhão de tokens. De acordo com a descrição do modelo, o stack inclui 63 camadas de atenção linear KDA e 9 camadas de MLA controlada, das quais 512 especialistas roteados são ativados em 8 simultaneamente. A principal mudança neste lançamento está relacionada ao pós-treinamento adicional, focado em melhorar o raciocínio, o uso de ferramentas e a execução de tarefas multifásicas.

De acordo com o índice de análise de inteligência artificial de terceiros Artificial Analysis Intelligence Index v4.3.2, a nova versão recebeu uma pontuação de 44, três pontos acima da edição anterior. Os outros indicadores são resultados declarados pela própria Ant. A equipe informou que sua pontuação no teste AA-Briefcase, um teste abrangente de conhecimento, aumentou de aproximadamente 1400 para 1524 Elo, e o indicador GDPval-AA cresceu de cerca de 1618 para 1644 Elo. Além disso, na área de automação de processos AutomationBench-AA melhorou de 62% para 68%, e a resolução de problemas científicos aumentou: CritPt subiu de 18% para 26%, e SciCode de 54% para 57%.

O modelo base representa um complemento mais significativo para os desenvolvedores. A Ant afirma que o Ling-3.1-flash-base superou o DeepSeek-V4-Pro-Base e o MiMo-V2.5-Pro-Base em 32 de 47 benchmarks em oito áreas, com base em testes próprios que cobrem conhecimento, raciocínio, código, matemática e contexto longo. Os pesos foram lançados no formato BF16, permitindo que as equipes realizem treinamento prévio adicional, adaptação de domínio e pós-treinamento próprio.

A Ant posiciona este lançamento em torno do conceito de agentes pessoais, e não de chatbots. A atualização surgiu um dia depois que o aplicativo assistente de IA Ant LingGuang 2.0 foi reposicionado como um assistente pessoal capaz de continuar trabalhando em tarefas após o usuário encerrar o diálogo, utilizando memória entre sessões, planejamento de tarefas de longo prazo e hospedagem em nuvem dedicada. Exemplos fornecidos pela equipe incluem rastreamento de clima e reservas antes de uma viagem ou monitoramento de preços de produtos em relação a um orçamento estabelecido. A equipe também declarou ter treinado uma variante com reconhecimento de imagem e linguagem, o Ling-3.1-flash-VL, que já está sendo usado dentro do LingGuang e será lançado publicamente posteriormente.

Na lista de configurações recomendadas para serviço, indicada no cartão do modelo, figuram SGLang e vLLM em oito nós com GPU.

A Ant Group apresentou o LingGuang 2.0, uma versão atualizada de seu assistente de IA. A nova versão está equipada com uma função de memória persistente, permitindo que ele continue gerenciando tarefas mesmo depois que o usuário encerrou o diálogo.

Com as permissões apropriadas, o assistente é capaz de determinar autonomamente as necessidades do usuário, rastrear mudanças e realizar ações subsequentes por um longo período, em vez de exigir um novo comando em cada etapa do trabalho.

Entre os exemplos de uso dessa função estão a verificação de assinaturas recorrentes esquecidas nas contas Alipay, o monitoramento de preços de passagens aéreas e hotéis após a reserva, e a extração de tarefas de notificações em grupos do DingTalk relacionados à escola.

O assistente se integra com serviços como Alipay, DingTalk, Feishu, e-mail e a plataforma de casa inteligente Xiaomi Mijia. Além disso, ele suporta ferramentas externas através de interfaces de linha de comando e MCP. O lançamento desta versão ocorreu após testes limitados realizados anteriormente neste mês.

A Ant Group lançou sua família de modelos de fala Ming-3.0 em 20 de outubro, disponibilizando cinco modelos para uso em áreas como síntese de fala, compreensão de áudio, condução de diálogos e reconhecimento de fala. Os desenvolvedores podem aplicar esses modelos individualmente ou integrá-los em aplicativos baseados em voz.

Os modelos de conversão de texto em fala suportam clonagem de voz com base em amostras de gravação e também permitem o design de voz por meio de descrições em linguagem natural. Os usuários podem controlar a entrega da fala especificando parâmetros como entonação emocional, acentuação e ritmo.

Os modelos de áudio são capazes de realizar transcrição, sumarização e análise de gravações longas, mantendo informações sobre os falantes, suas emoções e ruídos de fundo. A Ant informou que esses modelos já estão integrados em serviços como o aplicativo de saúde Afu, a busca do Alipay e ferramentas internas de escritório da empresa.