Ant Groupが「Ling-3.2-flash」発表：5600億MoEモデル、1M文脈と3D空間理解に対応

大規模なマルチモーダル処理をこなすには、複数の特化型モデルを無理につなぎ合わせるか、膨大な計算コストを覚悟して密結合モデルを動かすのがこれまでの常識でした。しかし実用的な推論速度と低コストを両立させるため、MoE（混合エキスパート）構成へのシフトが急速に進んでいます。

中国のAnt Group（アントグループ）は、最新のネイティブマルチモーダルモデル「Ling-3.2-flash」を発表しました。総パラメータ数は5600億に達しますが、MoE設計によって1回の推論で動くのは約250億パラメータにとどまります。さらにコンテキスト長は100万トークンに対応しています。

5600億の頭脳をわずか250億で動かす

Ling-3.2-flashの大きな特徴は、テキスト、画像、動画入力を別々のアドオンに頼らず、アーキテクチャの根本で統合しているネイティブ設計にあります。

5600億という大規模な知識ベースを保ちつつ、推論時には必要なエキスパートだけを選択して約250億パラメータのみを活性化します。これにより、計算コストを最小限に抑えながら高度な推論が可能です。100万トークンの文脈窓を備えているため、長尺動画の解析や長大な書類の横断検索も精度を落とさず処理できます。

主な注力領域として、複雑な視覚理解、マルチモーダルな長期エージェント、3D空間の理解と対話、そして医療マルチモーダルの4つが掲げられています。

3Dシーン復元から自律的な資料作成まで

公開されたデモでは、空間認識の高さが目立ちます。1枚の画像を入力するだけで空間の奥行きや位置関係を推定し、3Dシーンの再構築を試みることができます。また、ロンドンの街並みを紹介する動的なウェブサイトをコードから組み上げることも可能です。

さらに実用面で注目されるのが、複数エージェントを束ねる能力です。財務データを渡すと、モデル自身がAIチームの指揮官として各タスクを分担させ、データの精査から分析レポートの執筆、さらにはプレゼン資料の生成までを一気通貫で完結させます。

現在はAnt Groupの開発者向けプラットフォームで利用可能です。ベンチマーク性能ではGLM 5.3 FlashやDeepSeekといった有力なオープン系モデルに匹敵する水準と評されています。

なぜ重要か

Ling-3.2-flashは、大規模モデルの表現力とエージェント運用の実用性を巧みに両立させています。動画や空間認識を伴うマルチモーダルタスクは計算リソースを激しく消費しますが、活性化パラメータを250億に抑えたことで、本番環境への組み込みが現実的な選択肢になってきました。

長尺動画の分析、GUI自動化、あるいは複数のAIエージェントを連携させた業務ワークフローを作りたい開発者にとって、試す価値のある基盤モデルと言えます。画像認識とコード生成、タスク分割をひとつのモデルで完結できるのは大きな強みです。

ただし、過去モデルであるLing-3.0-flash-VLがHugging Faceなどでオープンソース公開されたのに対し、今回の3.2は現状、開発者プラットフォーム経由の提供にとどまります。この高いポテンシャルがエコシステム全体にどれだけ広がるかは、今後の重み公開の行方次第になりそうです。