Ling-3.2-flash: Mula sa mga Biswal na Sanggunian tungo sa mga 3D Workflow

Mga Tampok at Ebidensya

Ang Ling-3.2-flash ay multimodal na foundation model ng Ant Ling para sa pagbibigay-kahulugan sa mga larawan, teksto, at video at pagsasagawa ng mga gawain sa pamamagitan ng mga tool. Para sa mga 3D developer, ang kawili-wiling demonstrasyon ay isang workflow na ginagawang mga script ang isang visual na sanggunian at paulit-ulit na sinusuri ang mga na-render na resulta ng mga ito. Ang pampublikong ebidensya ay tungkol sa authoring at rebisyon na ginagabayan ng modelo; hindi nito pinatutunayan ang pagkakaroon ng isang dedikadong image-to-mesh network.

Pinagmulan ng video: Ant Ling — 3D scenes from 2D references.

Inilalarawan ng mga opisyal na espesipikasyon ang isang mixture-of-experts model na may kabuuang 560 bilyong parameter, humigit-kumulang 25 bilyong ina-activate sa bawat token, at context window na hanggang isang milyong token. Binibigyang-diin ng release ang kumplikadong visual na pag-unawa, mga multimodal agent na tumatakbo nang matagal, at pag-unawa at pakikipag-ugnayan sa 3D.

Iniulat ng Ant Ling ang 92.21 sa OmniDocBench 1.5, 43.71 sa ZEROBench (Sub), at 85.86 sa Vision2Web, kumpara sa magkakasunod na 90.56, 39.52, at 80.20 para sa paghahambing nito sa Opus 5 max. Mga resultang iniulat ng vendor ang mga ito sa mga ebalwasyong iyon. Hindi nito sinusukat ang katumpakan ng 3D geometry, pagiging kapaki-pakinabang ng asset, o end-to-end na oras ng pagmomodelo. Ang sinuring release ay nagbibigay ng mga demonstrasyon sa halip na isang standardized na benchmark para sa 3D reconstruction.

Paano Gumagana ang 3D Workflow

Ang opisyal na 3D example ay nagsisimula sa isang 2D reference at gumagamit ng mga script upang muling likhain ang mga asset ng laro o simulation. Sinusuri ng modelo ang mga headless render ng mga sphere na may materyal, ikinukumpara ang roughness, mga epekto ng normal map, at bump detail, pagkatapos ay nire-rebisa ang mga script. Kung titingnan sa antas ng workflow, ang loop ay interpretasyon ng reference, pagbuo ng code, execution, visual na inspeksyon, at pagwawasto. Nasa scene na binuo ng tool ang geometry at mga materyal; ginagamit ng modelo ang mga larawan ng scene na iyon bilang feedback.

Pinaghihiwalay nito ang dalawang representasyong madaling mapagkamalan bilang iisa. Pinoproseso ng neural model ang multimodal na context, habang pinananatili ng external authoring tool ang mga tahasang scene object, parameter ng materyal, at executable code. Ang mga ipinakitang pag-edit ay kumikilos sa mga script at estado ng tool. Hindi isiniwalat ng release ang isang 3D latent grid, mesh-token decoder, diffusion refinement schedule, o objective sa pagsasanay ng geometry, kaya hindi maaaring mahinuha ang mga mekanismong iyon mula sa video.

Ang isiniwalat na MoE mechanism ay tungkol sa computation sa loob ng language model: ina-activate ng token routing ang mga piling expert subnetwork sa halip na ang buong parameter pool sa bawat hakbang. Hindi nito ipinahihiwatig na ang bawat expert ay tumutugma sa isang 3D na bahagi. Gayundin, ang limitasyong isang milyong token sa context ay kapasidad para sa pagpapanatili ng impormasyon ng gawain, hindi garantiya na mananatiling tama ang isang mahabang modeling session.

Ipinapakita ng hiwalay na opisyal na halimbawa ang pakikipag-ugnayan sa Blender sa pamamagitan ng mga UI action at pagbabago ng parameter, habang kino-convert naman ng isa pang halimbawa ang mga engineering drawing sa 3D web content. Ipinakikita ng mga ito ang mga alternatibong interface ng tool, hindi patunay na ang bawat asset ay dumaraan sa iisang nakapirming pipeline. Hindi tinutukoy ng mga pampublikong materyal ang isang reproducible na 3D agent harness, iteration budget, stopping rule, o pare-parehong export format. Samakatuwid, ang pagbuo ng maihahambing na integration ay nangangailangan ng pagbibigay ng mga execution tool at pagbabalik ng mga render o error ng mga ito sa agent.

Pinagmulan ng video: Ant Ling — Frontend design and professional tools. Inilalarawan ng mga halimbawang ito ang mga workflow na iniulat ng author, hindi mga independiyenteng pagsusuri ng katumpakan.

Mga Application, Access, at Limitasyon

May kaugnayan ang mga demonstrasyon sa visual na prototyping, pag-ulit sa materyal, at mga assistant na nagpapatakbo ng umiiral na 3D software. Praktikal ang mga ito dahil maaaring gumabay ang isang reference sa magkakasunod na pagbabago sa isang scene sa halip na isang beses lang na tekstuwal na paglalarawan. Nakadepende pa rin ang kalidad ng asset, pagiging nae-edit, at mga available na export sa mga napiling tool at gawain.

Nag-aalok ang opisyal na platform ng chat access at API documentation na may mga request interface na compatible sa OpenAI at Anthropic. Nagbibigay ang mga interface na ito ng access sa modelo; hiwalay pa rin ang gumaganang Blender integration. Ang sinuring 3.2 release ay hindi nagbibigay ng open weights, standalone technical paper, o source ng 3D demonstration workflow nito. Hindi dapat ituring ang mga naunang open Ling release bilang implementasyon ng 3.2.

Walang natukoy na partikular na 3D roadmap para sa 3.2 o listahan ng future work sa mga sinuring opisyal na materyal. Samakatuwid, inilalarawan ng artikulong ito ang mga isiniwalat na mekanismo at demonstrasyon nang hindi nagdaragdag ng mga iminungkahing arkitektura o ipinangakong kakayahan sa pag-export. Hindi independiyenteng pinatakbo ang modelo at mga demonstrasyon para sa pagsusuring ito.