Ant Group выпустила ассистента LingGuang 2.0 с функцией постоянной памяти для управления задачами

Подразделение воплощенного искусственного интеллекта Ant Group сообщило, что их открытые базовые модели робота LingBot были загружены более чем 2,2 миллиона раз и собрали свыше 33 000 звезд на GitHub за девять месяцев с момента первого выпуска. Об этом было сообщено изданием Leiphone во время Саммита Всемирной интернет-конференции Wuzhen, который проходил с 2 по 5 ноября 2026 года.

Компания представила комплексную линейку моделей версии 2.0, разработанную для улучшения способности роботов к более четкому зрению, глубокому мышлению и быстрому действию. Эта линейка включает модели восприятия LingBot-Vision и LingBot-Depth 2.0, модели мира для взаимодействия LingBot-Video и LingBot-World 2.0, а также модели действий LingBot-VLA 2.0 и LingBot-VA 2.0. Целью является возможность повторного использования одной модели на различных типах роботов, задачах и в разных условиях, вместо необходимости обучения нового «мозга» для каждой конфигурации.

Согласно данным компании, работы LingBot были процитированы проектами Physical Intelligence и Generalist AI. Проект OpenWAM из Стэнфордского университета адаптировал модуль LingBot-VA, корейский исследовательский проект FastOPD использовал LingBot-VLA в качестве обучающей модели для тренировки более легких политик роботов, а EPFL применил LingBot-Map для трехмерной реконструкции коралловых рифов.

В плане инструментов LingBot-VLA и LingBot-VA были адаптированы для платформы LeRobot от Hugging Face, LingBot-Vision интегрирован в основную ветку библиотеки скелета timm vision, а LingBot-World поддерживается движками инференса vLLM и SGLang. Компания NVIDIA включила LingBot-World в свою библиотеку инференса моделей мира с открытым исходным кодом FlashDreams. Первый конкурс воплощенных моделей LingBot привлек 1 855 команд и 3 252 участников из 648 университетов и компаний в 13 странах на своем онлайн-предварительном этапе.

На саммите компания совместно с Guoda Pharmacy продемонстрировала роботизированную аптеку, которая воспроизводит реальный магазин с плотно заполненными полками. Робот функционирует в проходе шириной 80 сантиметров, обрабатывая весь цикл от получения заказа до выбора и передачи товаров. Компания заявила, что данная система уже работает в нескольких магазинах Guoda Pharmacy в Шанхае, выполняя повторяющуюся работу по комплектации заказов вместо фармацевтов, без каких-либо изменений в оформлении товаров или планировке магазина.

Помимо аптек, команда тестирует сортировку промышленной погрузки и логистики с партнерами, проверяя работоспособность одного «мозга» на оборудовании нескольких производителей роботов. Кроме того, был подписан меморандум о взаимопонимании с Арабской федерацией по цифровой экономике для изучения применения в сфере розничной торговли, логистики и гостеприимства на Ближнем Востоке.

Команда большой языковой модели Ling от Ant Group выпустила Ling-3.1-flash-1019, обновленную версию ранее представленной модели Ling-3.1-flash, а также одновременно опубликовала лежащую в основе предварительно обученную модель Ling-3.1-flash-base. Обе версии доступны на платформе Hugging Face под лицензией MIT.

Архитектура Ling-3.1-flash-1019 сохранила черты своего предшественника: это гибридная конструкция с линейным механизмом Mixture-of-Experts, обладающая общим количеством параметров около 560 миллиардов и примерно 25 миллиардами активных параметров на токен, а также контекстным окном в один миллион токенов. Согласно описанию модели, стек включает 63 слоя линейного внимания KDA и 9 слоев управляемого MLA, среди которых 512 маршрутизированных экспертов, активируются 8 одновременно. Основное изменение в данном релизе связано с дополнительным постобучением, направленным на улучшение рассуждений, использования инструментов и многоэтапного выполнения задач.

Согласно индексу искусственного анализа третьих сторон Artificial Analysis Intelligence Index v4.3.2, новая версия получила оценку 44, что на три пункта выше предыдущего выпуска. Остальные показатели являются результатами, заявленными самой Ant. Команда сообщила, что ее балл на тесте AA-Briefcase, который является комплексным тестом на знание, увеличился с приблизительно 1400 до 1524 Elo, а показатель GDPval-AA вырос с около 1618 до 1644 Elo. Кроме того, в области автоматизации процессов AutomationBench-AA улучшился с 62% до 68%, а решение научных задач повысилось: CritPt поднялся с 18% до 26%, а SciCode — с 54% до 57%.

Базовая модель представляет собой более значимое дополнение для разработчиков. Ant утверждает, что Ling-3.1-flash-base превзошла DeepSeek-V4-Pro-Base и MiMo-V2.5-Pro-Base по 32 из 47 бенчмарков в восьми областях, основываясь на собственных тестах, охватывающих знания, рассуждения, код, математику и длинный контекст. Веса выпущены в формате BF16, что позволяет командам проводить дальнейшее предварительное обучение, адаптацию к предметной области и собственное постобучение.

Ant позиционирует этот выпуск вокруг концепции персональных агентов, а не чат-ботов. Обновление появилось на день после того, как приложение AI-ассистента Ant LingGuang 2.0 было перепозиционировано как личный помощник, способный продолжать работу над задачами после того, как пользователь завершил диалог, используя память между сессиями, планирование долгосрочных задач и выделенный облачный хостинг. Примеры, приведенные командой, включают отслеживание погоды и бронирований перед поездкой или мониторинг цен на товары относительно установленного бюджета. Также команда заявила, что обучила вариант с распознаванием изображений и языком, Ling-3.1-flash-VL, который уже используется внутри LingGuang и будет выпущен публично позднее.

В списке рекомендуемых конфигураций для обслуживания, указанных в карточке модели, фигурируют SGLang и vLLM на восьми узлах с GPU.

Компания Ant Group выпустила свою семейство моделей речи Ming-3.0 20 октября, предоставив пять моделей для использования в сферах синтеза речи, понимания аудио, ведения диалогов и распознавания речи. Разработчики имеют возможность применять эти модели по отдельности или интегрировать их в приложения, основанные на голосе.

Модели преобразования текста в речь поддерживают клонирование голоса на основе образцов записей, а также позволяют осуществлять голосовой дизайн посредством описаний на естественном языке. Пользователи могут управлять подачей речи, указывая такие параметры, как эмоциональная окраска, акцентирование и темп.

Аудиомодели способны выполнять транскрибирование, обобщение и анализ продолжительных записей, сохраняя при этом информацию о говорящих, их эмоциях и фоновых шумах. Ant сообщила, что эти модели уже интегрированы в такие сервисы, как приложение для здоровья Afu, поиск Alipay и внутренние офисные инструменты компании.