Ling-3.2-flash: От визуальных референсов к 3D-процессам

Основные моменты и подтверждения

Ling-3.2-flash — мультимодальная базовая модель Ant Ling для интерпретации изображений, текста и видео, а также выполнения задач с помощью инструментов. Для разработчиков 3D наиболее интересной демонстрацией является рабочий процесс, который превращает визуальный референс в скрипты и неоднократно проверяет результаты их рендеринга. Доступные публичные материалы подтверждают создание и доработку контента под управлением модели, но не свидетельствуют о наличии специализированной сети преобразования изображения в меш.

Источник видео: Ant Ling — 3D-сцены по 2D-референсам.

Согласно официальным спецификациям, это модель mixture-of-experts с общим количеством параметров 560 миллиардов, из которых около 25 миллиардов активируются для каждого токена, а размер контекстного окна достигает одного миллиона токенов. В релизе подчёркиваются сложное визуальное понимание, мультимодальные агенты длительного действия, а также понимание и взаимодействие с 3D.

Ant Ling сообщает результат 92.21 в OmniDocBench 1.5, 43.71 в ZEROBench (Sub) и 85.86 в Vision2Web, тогда как для сравнения с Opus 5 max указаны соответственно 90.56, 39.52 и 80.20. Это результаты, заявленные поставщиком для этих оценок. Они не измеряют геометрическую точность 3D, пригодность ассетов или время моделирования от начала до конца. В рассмотренном релизе представлены демонстрации, а не стандартизированный бенчмарк 3D-реконструкции.

Как работает 3D-процесс

Официальный 3D-пример начинается с 2D-референса и использует скрипты для воссоздания игровых ассетов или ассетов для симуляций. Модель анализирует рендеры сфер материалов без интерфейса, сравнивает шероховатость, эффекты normal map и детализацию рельефа, а затем изменяет скрипты. На уровне рабочего процесса этот цикл выглядит так: интерпретация референса, создание кода, выполнение, визуальная проверка и исправление. Геометрия и материалы находятся в сцене, созданной инструментом; модель использует изображения этой сцены в качестве обратной связи.

Это разделяет два представления, которые легко смешать. Нейронная модель обрабатывает мультимодальный контекст, тогда как внешний инструмент создания контента поддерживает явные объекты сцены, параметры материалов и исполняемый код. Продемонстрированные изменения затрагивают скрипты и состояние инструмента. В релизе не раскрываются 3D-латентная сетка, декодер mesh-токенов, расписание диффузионного уточнения или целевая функция обучения геометрии, поэтому эти механизмы нельзя вывести из видео.

Раскрытый механизм MoE относится к вычислениям внутри языковой модели: маршрутизация токенов активирует выбранные экспертные подсети, а не весь пул параметров на каждом шаге. Это не означает, что каждый эксперт соответствует отдельной части 3D-объекта. Аналогично, ограничение контекста в один миллион токенов означает возможность сохранять информацию о задаче, а не гарантирует сохранение точности на протяжении длительной сессии моделирования.

В отдельном официальном примере показано взаимодействие с Blender через действия в интерфейсе и изменение параметров, а другой пример преобразует инженерные чертежи в 3D-контент для веба. Они демонстрируют альтернативные интерфейсы инструментов, но не доказывают, что каждый ассет проходит через один фиксированный конвейер. В открытых материалах не указаны воспроизводимый 3D-фреймворк агента, бюджет итераций, правило остановки или единый формат экспорта. Поэтому для создания сопоставимой интеграции необходимо предоставить инструменты выполнения и возвращать агенту их рендеры или ошибки.

Источник видео: Ant Ling — дизайн фронтенда и профессиональные инструменты. Эти примеры иллюстрируют рабочие процессы, представленные автором, а не независимые тесты точности.

Применение, доступ и ограничения

Демонстрации актуальны для визуального прототипирования, итераций материалов и ассистентов, работающих с существующим 3D-программным обеспечением. Их практическая привлекательность заключается в том, что референс может направлять последовательные изменения сцены, а не только задавать разовое текстовое описание. Качество ассетов, возможность их редактирования и доступные форматы экспорта по-прежнему зависят от выбранных инструментов и задачи.

Официальная платформа предлагает доступ через чат и документацию API с интерфейсами запросов, совместимыми с OpenAI и Anthropic. Эти интерфейсы обеспечивают доступ к модели; рабочая интеграция с Blender остаётся отдельной задачей. Рассмотренный релиз 3.2 не предоставляет открытых весов, отдельной технической статьи или исходного кода рабочего процесса 3D-демонстрации. Более ранние открытые релизы Ling не следует считать реализацией версии 3.2.

В рассмотренных официальных материалах не обнаружено конкретного плана развития 3D для версии 3.2 или списка дальнейших работ. Поэтому в этой статье описываются раскрытые механизмы и демонстрации без добавления предлагаемых архитектур или обещанных возможностей экспорта. Модель и демонстрации не запускались независимо в рамках этого обзора.