Ling 3.2 Flash: مدل بینایی که ۲۰۰ تصویر رو با هم میخونه
خلاصهٔ کاملتر
Ling 3.2 Flash جدیدترین مدل vision language از Inclusion AI هست. یه مدل hybrid reasoning (یعنی میشه حالت فکر کردنش رو روشن، کم یا خاموش کرد) با context یک میلیون توکنی که تا ۲۰۰ تصویر رو همراه یه پرامپت متنی قبول میکنه. ورودیش متن و تصویره ولی خروجیش فقط متنه، پس کارش فهمیدن تصویره نه ساختنش. یعنی میتونه یه سری تصویر از مراحل یه فرایند رو با هم ببینه و روی کلشون استدلال کنه.
تو یه تست عملی، هشت عکس از مراحل درست کردن دونر کباب به مدل داده شد (سیخ خالی، گوشت، ادویه، کباب روی گریل، چاقو، نون، سس و ساندویچ آماده) و ازش خواستن یه شبیهساز HTML تعاملی بسازه. مدل یه شبیهساز کامل ساخت که میشد توش مواد اضافه کرد، گوشت رو کباب کرد، برید و ساندویچ رو تموم کرد. ولی این کار بیشتر از یه ساعت طول کشید و مدل مدام کلی ابزار برای crop و ویرایش تصویر صدا میزد.
خوندن اسناد قویترین بخشش بود. یه عکس از یه فاکتور روی میز، با جدول، یادداشت دستنویس، مهر و امضا بهش داده شد. مدل همهچی رو به JSON ساختاریافته درآورد، همهٔ حسابها (جمع، مالیات، پیشپرداخت ۵۰ درصد) رو درست چک کرد، یادداشتها و مهر رو خوند و امضا رو با اسم چاپی تطبیق داد. حتی فهمید مالیات فقط روی subtotal حساب شده. تنها خطاش این بود که سال تو شمارهٔ فاکتور رو ۲۰۱۶ به جای ۲۰۲۶ خوند. این تست با thinking خاموش حدود ۳ دقیقه طول کشید.
تو بنچمارکهای خود Inclusion AI در برابر GPT، Claude Opus، GLM 5.23 Flash و DeepSeek V4.0 Flash (همه با بیشترین تنظیمات)، Ling 3.2 Flash تو document understanding، تبدیل اسکرینشات سایت به کد و درستی جوابهای پزشکی اول بوده. ولی تو visual math و بعضی تسکهای agentic، GPT و Claude جلوترن. نویسنده معتقده این مدل یه متخصص بیناییه، نه مدلی که بخواد تو همهچی اول باشه.
ضعف اصلیش تو خلاقیت چندزبانه دیده شد. ازش خواستن برای ۸۲ زبان یه اسم تیم ورزشی محلی و منحصربهفرد بسازه. فرمت خروجی درست بود ولی هندی و اردو یه اسم گرفتن، پنجابی و سرائیکی تقریباً یکی شدن و اندونزیایی و مالایی فقط یه حرف فرق داشتن. برای زبانهای کممنبع مثل سانسکریت و سینهالی کیفیت بدتر هم شد. خلاصهش اینه که برای پارس کردن اسناد، OCR با راستیآزمایی و تبدیل طراحی به کد گزینهٔ خوبیه، ولی اگه thinking روشن باشه باید منتظر زمان پاسخ طولانی بود.
نکات کلیدی:
- تا ۲۰۰ تصویر در هر درخواست و context یک میلیون توکنی.
- ورودی متن و تصویره، خروجی فقط متن.
- استخراج فاکتور با thinking خاموش حدود ۳ دقیقه طول کشید و فقط یه رقم اشتباه داشت.
- ساخت شبیهساز HTML از هشت عکس با thinking روشن بیشتر از یه ساعت طول کشید.
- تو document understanding، screenshot-to-code و جوابهای پزشکی از GPT و Claude جلوتره.
- تو visual math، تسکهای agentic و خلاقیت در زبانهای کممنبع عقبتره.




