Ling-3.2-flash：從視覺參考到 3D 工作流程

重點與證據

Ling-3.2-flash 是 Ant Ling 用於解讀圖像、文字和影片，並透過工具執行任務的多模態基礎模型。對 3D 開發者而言，有趣的示範是一種將視覺參考轉換為腳本，並反覆檢查其算繪結果的工作流程。公開證據涉及模型引導的創作與修訂；但並未證明存在專用的圖像轉網格網路。

影片來源：Ant Ling — 來自 2D 參考的 3D 場景。

官方規格說明這是一個混合專家模型，總參數量為 5600 億，每個 token 約啟用 250 億個參數，且上下文視窗最多可容納 100 萬個 token。該版本強調複雜的視覺理解、長時間執行的多模態代理，以及 3D 理解與互動。

Ant Ling 報告其在 OmniDocBench 1.5 上的分數為 92.21、在 ZEROBench (Sub) 上為 43.71，以及在 Vision2Web 上為 85.86；相比之下，其 Opus 5 max 比較項目的相應分數為 90.56、39.52 和 80.20。這些是供應商針對上述評測報告的結果。它們無法衡量 3D 幾何準確度、資產可用性或端到端建模時間。本次檢視的版本提供的是示範，而非標準化的 3D 重建基準測試。

3D 工作流程如何運作

官方 3D 範例從 2D 參考開始，並使用腳本重建遊戲或模擬資產。模型檢查材質球的無頭算繪結果，比較粗糙度、法線貼圖效果和凹凸細節，然後修訂腳本。在工作流程層面來看，這個迴圈包括參考解讀、程式碼建構、執行、視覺檢查和修正。幾何體與材質存在於工具生成的場景中；模型則使用該場景的圖像作為回饋。

這區分了兩種容易混淆的表示方式。神經模型處理多模態上下文，而外部創作工具維護明確的場景物件、材質參數和可執行程式碼。示範中的編輯操作作用於腳本和工具狀態。該版本未披露 3D 潛在網格、網格 token 解碼器、擴散細化排程或幾何訓練目標，因此無法從影片推斷這些機制。

已披露的 MoE 機制涉及語言模型內部的計算：token 路由會啟用選定的專家子網路，而非在每個步驟啟用整個參數池。這並不表示每個專家都對應一個 3D 部件。同樣地，100 萬個 token 的上下文限制代表維持任務資訊的容量，而不保證長時間的建模工作階段仍能保持準確。

另一個官方範例展示了透過 UI 操作和參數變更與 Blender 互動，還有一個範例將工程圖轉換為 3D 網頁內容。這些展示的是不同的工具介面，而非證明每個資產都遵循同一個固定流程。公開資料未說明可重現的 3D 代理執行框架、迭代預算、停止規則或統一的匯出格式。因此，建立可比的整合需要提供執行工具，並將其算繪結果或錯誤回傳給代理。

影片來源：Ant Ling — 前端設計與專業工具。這些範例說明的是作者報告的工作流程，而非獨立的準確度測試。

應用、存取與限制

這些示範與視覺原型設計、材質迭代，以及操作現有 3D 軟體的助理相關。它們的實際吸引力在於，參考內容可以引導對場景進行連續變更，而不只是提供一次性的文字描述。資產品質、可編輯性和可用的匯出格式仍取決於所選工具和任務。

官方平台提供聊天存取功能，以及使用相容於 OpenAI 和 Anthropic 的請求介面的 API 文件。這些介面提供模型存取；可運作的 Blender 整合仍需另行建立。本次檢視的 3.2 版本未提供開放權重、獨立的技術論文，或其 3D 示範工作流程的原始碼。不應將較早的開放 Ling 版本視為 3.2 的實作。

在檢視的官方資料中，未發現具體的 3.2 3D 路線圖或未來工作清單。因此，本文描述的是已披露的機制和示範，未加入提議中的架構或承諾的匯出能力。本次檢視未對模型和示範進行獨立執行。