Ling-3.0-flash-VL の視覚統合と推論効率

モデル

Ling-3.0-flash-VL の視覚統合と推論効率

スポンサーリンク

Ling-3.0-flash-VLが公開。124B 中 5.5B だけで動作し、画像・動画と 256K トークンの文脈に対応

この記事のポイント

  • 画像と動画を入力に使う
  • 前版より知能指数が4点上昇
  • 124Bパラメータで256Kトークン

数字で見る

この記事に出てくる数字

総パラメータ 124B
活性化パラメータ 5.5B
コンテキスト長 256K

どこで使えるか

視覚情報を推論と行動に組み込みたい人向け。124B中5.5Bで動作し256Kトークン対応。 Hugging Faceで公開済み 256Kコンテキストには4×141GB GPU必要

動画を見る

スポンサーリンク

解説

かみくだいて説明します

inclusionAIが2026-09-05、Ling-3.0-flash-VLを発表しました。124Bの総パラメータを持ちながら1トークンあたり5.5Bだけ活性化させる設計で、画像と動画を入力でき、最大256Kトークンの文脈に対応します。
124Bのうち実際に動くのは5.5Bだけなんですね。計算の負荷はどれくらい違うんですか。
確かに数字の差は大きいです。辞書全体が124ページある本で、一度に見るのは5.5ページだけだと考えてください。必要な部分だけを呼び出すので、同じ処理量でも通常より速く、少ない電力で動きます。
なるほど、必要な部分だけ取り出す感じですね。知能指数のベンチマークでは42点を取っていると聞きましたが、前モデルと比べてどこが変わったんですか。
人工知能の評価指標Artificial Analysis Intelligence Index v4.1.1では、前のLing-3.0-flashが38点だったのに対し42点です。視覚情報を理解、推論、実行、検証の全過程に組み込んだ結果、総合的な知能性能が4ポイント向上しています。
4ポイントの差はどのくらいの変化なんですか。実際に動かすには、どのような環境が必要になるんですか。
推奨されるのは141GBクラスのGPUを4台使う構成か、Blackwell世代のノード4台です。BF16とFP8の2つの精度、低遅延と高スループットの2つの運用モードから選べます。詳しい設定はSGLangのcookbookに公開されています。
4台のGPUが必要で、精度と用途に合わせて選べるんですね。画像や動画を見て判断する仕組みは、実際に仕事で使う側の人はどう使い分けるんですか。
画像や動画を見ることを単なる入力ではなく、推論や計画、実行、検証の每一步に組み込んでいます。例えば図面を見て設計ミスを検出し、修正方案を立てて、その通りに動作させるまでを一つの流れで処理します。
見るだけでなく、その先の実行や確認まで繋げるんですか。エージェントという言葉がまだ掴めません。
視覚情報を処理の途中段階に組み込むことで、図面を見るだけでなく、その先の手順を自分で組み立てて実行するイメージです。
最後に、このモデルを一般の企業がすぐに使える状態になる見通しは立っていますか。
公開されているのは評価指標と推奨環境、cookbookまでの情報です。商用ライセンスの詳細や価格、一般向けへの提供時期については、そこはまだ分かっていません。

出典

この記事のもとになった情報

※ 本文と音声は生成 AI が作成しています。内容は出典をご確認ください。
本作品のキャラクターには株式会社Live2Dの著作物であるサンプルデータが株式会社Live2Dの定める規約に従って用いられています。本作品は制作者の完全な自己の裁量で制作されています。このキャラクターモデルは株式会社Live2Dより許諾を得て商用利用しています。

スポンサーリンク

-モデル