據報 inclusionAI 釋出多模態模型 Ling-3.0-flash-VL：124B 參數、支援 1M token 上下文

據 Reddit 社群與 Hugging Face 頁面資訊，inclusionAI 釋出多模態模型 Ling-3.0-flash-VL。該模型繼承 Ling-3.0-flash 的語言與推理能力，並擴展原生的圖像與影片理解功能。模型總參數達 124B，採用稀疏 MoE 架構，每次 token 僅啟動 5.5B 參數，支援高達 1M token 的上下文長度。 在架構設計上，該模型透過 ViT 視覺編碼器與雙層 MLP 投影層對齊視覺與文本特徵；導入 VideoRoPE 編碼空間位置與時間順序，支援事件定位、長影片問答與影片片段編輯等任務；其 42 層混合骨幹網路以 5:1 比例交替使用 KDA 與 Gated MLA 層，以提升跨文本、圖像、影片及代理工作流程的長上下文處理效率。