Ling-3.2-flash: Від візуальних референсів до 3D-робочих процесів

Основні положення та докази

Ling-3.2-flash — мультимодальна базова модель Ant Ling для інтерпретації зображень, тексту й відео та виконання завдань за допомогою інструментів. Для розробників 3D найцікавішою демонстрацією є робочий процес, який перетворює візуальний референс на скрипти й багаторазово перевіряє результати їхнього рендерингу. Загальнодоступні докази стосуються створення та доопрацювання матеріалів під керуванням моделі; вони не підтверджують наявність спеціалізованої мережі image-to-mesh.

Джерело відео: Ant Ling — 3D-сцени з 2D-референсів.

В офіційних специфікаціях модель описується як суміш експертів із загальною кількістю 560 мільярдів параметрів, близько 25 мільярдів із яких активуються для кожного токена, і контекстним вікном обсягом до одного мільйона токенів. У релізі наголошується на складному візуальному розумінні, мультимодальних агентах тривалої роботи, а також на розумінні 3D та взаємодії з 3D.

Ant Ling повідомляє результат 92.21 в OmniDocBench 1.5, 43.71 у ZEROBench (Sub) і 85.86 у Vision2Web, тоді як для порівнюваної моделі Opus 5 max наведено відповідно 90.56, 39.52 і 80.20. Це результати, заявлені постачальником для відповідних оцінювань. Вони не вимірюють геометричну точність 3D, придатність активів до використання або час моделювання від початку до кінця. У розглянутому релізі наведено демонстрації, а не стандартизований тест реконструкції 3D.

Як працює 3D-робочий процес

Офіційний 3D-приклад починається з 2D-референсу й використовує скрипти для відтворення активів гри або симуляції. Модель аналізує безголові рендери матеріальних сфер, порівнює шорсткість, ефекти карт нормалей і деталізацію рельєфу, а потім доопрацьовує скрипти. Якщо розглядати це на рівні робочого процесу, цикл складається з інтерпретації референсу, створення коду, виконання, візуальної перевірки та виправлення. Геометрія й матеріали зберігаються у сцені, створеній інструментом; модель використовує зображення цієї сцени як зворотний зв’язок.

Це розділяє два подання, які легко сплутати. Нейронна модель обробляє мультимодальний контекст, тоді як зовнішній інструмент авторингу підтримує явні об’єкти сцени, параметри матеріалів і виконуваний код. Продемонстровані зміни застосовуються до скриптів і стану інструмента. У релізі не розкриваються 3D-латентна сітка, декодер mesh-токенів, розклад дифузійного уточнення або цільова функція навчання геометрії, тому ці механізми не можна вивести з відео.

Розкритий механізм MoE стосується обчислень усередині мовної моделі: маршрутизація токенів активує вибрані підмережі експертів, а не весь пул параметрів на кожному кроці. Це не означає, що кожен експерт відповідає окремій частині 3D. Так само контекстний ліміт в один мільйон токенів — це можливість зберігати інформацію про завдання, а не гарантія того, що тривалий сеанс моделювання залишатиметься точним.

В окремому офіційному прикладі показано взаємодію з Blender через дії в інтерфейсі та зміни параметрів, тоді як інший приклад перетворює інженерні креслення на 3D-вебконтент. Вони демонструють альтернативні інтерфейси інструментів, а не доводять, що кожен актив проходить один фіксований конвеєр. У загальнодоступних матеріалах не вказано відтворювану оболонку 3D-агента, бюджет ітерацій, правило зупинки або уніфікований формат експорту. Тому для створення порівнюваної інтеграції потрібно надати інструменти виконання й повертати їхні рендери або помилки агенту.

Джерело відео: Ant Ling — дизайн фронтенду та професійні інструменти. Ці приклади ілюструють робочі процеси, про які повідомив автор, а не незалежні тести точності.

Застосування, доступ і обмеження

Демонстрації актуальні для візуального прототипування, ітераційної роботи з матеріалами та асистентів, які керують наявним 3D-програмним забезпеченням. Їхня практична цінність полягає в тому, що референс може спрямовувати послідовні зміни сцени, а не лише одноразовий текстовий опис. Якість активів, можливість редагування та доступні формати експорту й надалі залежать від вибраних інструментів і завдання.

Офіційна платформа пропонує доступ через чат і документацію API з інтерфейсами запитів, сумісними з OpenAI та Anthropic. Ці інтерфейси надають доступ до моделі; робоча інтеграція з Blender залишається окремим компонентом. Розглянутий реліз 3.2 не містить відкритих ваг, окремої технічної статті або вихідного коду робочого процесу 3D-демонстрації. Попередні відкриті релізи Ling не слід вважати реалізацією 3.2.

У розглянутих офіційних матеріалах не виявлено конкретної дорожньої карти 3D для 3.2 або переліку майбутніх робіт. Тому в цій статті описано розкриті механізми й демонстрації без додавання запропонованих архітектур або обіцяних можливостей експорту. Модель і демонстрації не запускалися незалежно в межах цього огляду.