Ling-3.2-flash: จากภาพอ้างอิงสู่เวิร์กโฟลว์ 3D

ไฮไลต์และหลักฐาน

Ling-3.2-flash คือโมเดลพื้นฐานแบบหลายโมดัลของ Ant Ling สำหรับตีความภาพ ข้อความ และวิดีโอ และดำเนินงานผ่านเครื่องมือ สำหรับนักพัฒนา 3D การสาธิตที่น่าสนใจคือเวิร์กโฟลว์ที่เปลี่ยนข้อมูลอ้างอิงเชิงภาพให้เป็นสคริปต์ แล้วตรวจสอบผลลัพธ์ที่เรนเดอร์ซ้ำหลายครั้ง หลักฐานสาธารณะที่มีอยู่เกี่ยวข้องกับการสร้างและแก้ไขงานโดยมีโมเดลเป็นผู้นำทาง ไม่ได้ยืนยันการมีอยู่ของเครือข่าย image-to-mesh โดยเฉพาะ

แหล่งที่มาของวิดีโอ: Ant Ling — ฉาก 3D จากข้อมูลอ้างอิง 2D

ข้อมูลจำเพาะอย่างเป็นทางการระบุว่าเป็นโมเดล mixture-of-experts ที่มีพารามิเตอร์ทั้งหมด 560 พันล้านรายการ เปิดใช้งานประมาณ 25 พันล้านรายการต่อลำดับโทเค็น และมีหน้าต่างบริบทสูงสุดหนึ่งล้านโทเค็น การเปิดตัวเน้นความเข้าใจภาพที่ซับซ้อน เอเจนต์หลายโมดัลที่ทำงานเป็นเวลานาน และความเข้าใจและการโต้ตอบกับ 3D

Ant Ling รายงานคะแนน 92.21 บน OmniDocBench 1.5, 43.71 บน ZEROBench (Sub) และ 85.86 บน Vision2Web เทียบกับ 90.56, 39.52 และ 80.20 ตามลำดับสำหรับโมเดลเปรียบเทียบ Opus 5 max ผลลัพธ์เหล่านี้เป็นผลที่ผู้ให้บริการรายงานสำหรับการประเมินเหล่านั้น ไม่ได้วัดความแม่นยำทางเรขาคณิต 3D ความเหมาะสมในการใช้งานของแอสเซ็ต หรือเวลาในการสร้างโมเดลตั้งแต่ต้นจนจบ รุ่นที่ตรวจสอบนี้นำเสนอการสาธิตแทนเบนช์มาร์กการสร้าง 3D ใหม่ที่เป็นมาตรฐาน

เวิร์กโฟลว์ 3D ทำงานอย่างไร

ตัวอย่าง 3D อย่างเป็นทางการ เริ่มจากข้อมูลอ้างอิง 2D และใช้สคริปต์เพื่อสร้างแอสเซ็ตของเกมหรือการจำลองขึ้นใหม่ โมเดลตรวจสอบการเรนเดอร์แบบ headless ของทรงกลมวัสดุ เปรียบเทียบความหยาบ เอฟเฟกต์ของ normal map และรายละเอียดของ bump จากนั้นจึงแก้ไขสคริปต์ เมื่อพิจารณาในระดับเวิร์กโฟลว์ วงจรนี้คือการตีความข้อมูลอ้างอิง การสร้างโค้ด การเรียกใช้ การตรวจสอบด้วยภาพ และการแก้ไข รูปทรงเรขาคณิตและวัสดุอยู่ในฉากที่เครื่องมือสร้างขึ้น โมเดลใช้ภาพของฉากนั้นเป็นข้อมูลป้อนกลับ

สิ่งนี้แยกการแทนค่าสองรูปแบบที่มักสับสนกันได้ง่าย โมเดลประสาทประมวลผลบริบทหลายโมดัล ขณะที่เครื่องมือสร้างภายนอกดูแลออบเจ็กต์ฉากที่ระบุไว้อย่างชัดเจน พารามิเตอร์วัสดุ และโค้ดที่เรียกใช้ได้ การแก้ไขที่สาธิตทำงานกับสคริปต์และสถานะของเครื่องมือ รุ่นที่เปิดตัวไม่ได้เปิดเผยกริด latent 3D ตัวถอดรหัส mesh-token กำหนดการปรับปรุงด้วย diffusion หรือวัตถุประสงค์การฝึกด้านเรขาคณิต ดังนั้นจึงไม่สามารถอนุมานกลไกเหล่านั้นจากวิดีโอได้

กลไก MoE ที่เปิดเผยเกี่ยวข้องกับการคำนวณภายในโมเดลภาษา นั่นคือ การกำหนดเส้นทางโทเค็นจะเปิดใช้งานโครงข่ายย่อยของผู้เชี่ยวชาญที่เลือกไว้ แทนที่จะใช้พารามิเตอร์ทั้งหมดในทุกขั้นตอน ไม่ได้หมายความว่าผู้เชี่ยวชาญแต่ละรายสอดคล้องกับชิ้นส่วน 3D ส่วนขีดจำกัดบริบทหนึ่งล้านโทเค็นก็เช่นเดียวกัน ซึ่งเป็นความจุสำหรับเก็บข้อมูลของงาน ไม่ใช่การรับประกันว่าเซสชันการสร้างโมเดลที่ยาวนานจะยังคงแม่นยำ

ตัวอย่างอย่างเป็นทางการอีกชุดหนึ่งแสดงการโต้ตอบกับ Blender ผ่านการกระทำบน UI และการเปลี่ยนแปลงพารามิเตอร์ ขณะที่อีกตัวอย่างแปลงแบบวิศวกรรมให้เป็นเนื้อหาเว็บ 3D สิ่งเหล่านี้แสดงอินเทอร์เฟซเครื่องมือทางเลือก ไม่ใช่หลักฐานว่าแอสเซ็ตทุกชิ้นทำตามไปป์ไลน์ตายตัวแบบเดียวกัน เอกสารสาธารณะไม่ได้ระบุชุดเครื่องมือเอเจนต์ 3D ที่ทำซ้ำได้ งบประมาณการทำซ้ำ กฎการหยุด หรือรูปแบบการส่งออกที่เป็นมาตรฐานเดียวกัน ดังนั้นการสร้างการผสานรวมที่เทียบเคียงกันจึงต้องจัดหาเครื่องมือสำหรับการเรียกใช้ และส่งการเรนเดอร์หรือข้อผิดพลาดกลับไปยังเอเจนต์

แหล่งที่มาของวิดีโอ: Ant Ling — การออกแบบฟรอนต์เอนด์และเครื่องมือระดับมืออาชีพ ตัวอย่างเหล่านี้แสดงเวิร์กโฟลว์ที่ผู้สร้างรายงาน ไม่ใช่การทดสอบความแม่นยำโดยอิสระ

การใช้งาน การเข้าถึง และข้อจำกัด

การสาธิตเหล่านี้เกี่ยวข้องกับการสร้างต้นแบบด้วยภาพ การทำซ้ำวัสดุ และผู้ช่วยที่ควบคุมซอฟต์แวร์ 3D ที่มีอยู่ จุดดึงดูดในทางปฏิบัติคือข้อมูลอ้างอิงสามารถนำทางการเปลี่ยนแปลงฉากต่อเนื่องได้ แทนที่จะให้เพียงคำอธิบายด้วยข้อความเพียงครั้งเดียว คุณภาพของแอสเซ็ต ความสามารถในการแก้ไข และรูปแบบการส่งออกที่มีให้ ยังคงขึ้นอยู่กับเครื่องมือและงานที่เลือก

แพลตฟอร์มอย่างเป็นทางการมีการเข้าถึงผ่านแชตและเอกสาร API พร้อมอินเทอร์เฟซคำขอที่เข้ากันได้กับ OpenAI และ Anthropic อินเทอร์เฟซเหล่านี้ให้สิทธิ์เข้าถึงโมเดล ส่วนการผสานรวม Blender ที่ใช้งานได้ยังคงเป็นองค์ประกอบแยกต่างหาก รุ่น 3.2 ที่ตรวจสอบไม่ได้จัดเตรียม open weights เอกสารทางเทคนิคแบบแยกเดี่ยว หรือซอร์สของเวิร์กโฟลว์การสาธิต 3D รุ่น Ling แบบเปิดก่อนหน้านี้ไม่ควรถูกถือว่าเป็นการใช้งานของ 3.2

ไม่พบแผนงาน 3D เฉพาะของ 3.2 หรือรายการงานในอนาคตในเอกสารทางการที่ตรวจสอบ บทความนี้จึงอธิบายกลไกและการสาธิตที่เปิดเผย โดยไม่เพิ่มสถาปัตยกรรมที่เสนอหรือความสามารถในการส่งออกที่สัญญาไว้ โมเดลและการสาธิตไม่ได้ถูกเรียกใช้โดยอิสระสำหรับการตรวจสอบนี้