【事件概述】 蚂蚁百灵官方开发文档于 2026 年 9 月 4 日更新并上线 Ling-3.0-flash-VL 的多模态调用说明。该视觉语言模型可在同一请求中理解文本、图片和视频，面向图像问答、多图分析、短视频理解以及需要视觉输入的智能体应用。 这次可确认的是模型已经进入蚂蚁百灵官方 API 文档和可选模型列表。官方文档没有在页面上提供开放权重、完整模型卡或参数规模，因此本文只报道 API 能力与明确限制，不把它写成已经开源的模型。 【模型与开发者】 模型：Ling-3.0-flash-VL 开发者：Ant Ling / 蚂蚁集团 官方文档上线与更新时间：2026 年 9 月 4 日 模型类型：视觉语言模型 输入模态：文本、图片、视频 接口：OpenAI 兼容 Chat Completions；Anthropic 兼容 Messages 获取方式：蚂蚁百灵 API 权重状态：官方页面未提供可下载权重链接 日期核对说明：官方多模态理解文档页尾明确标注 Last updated on September 4, 2026，OpenAI 兼容接口和集成文档也在同日加入 Ling-3.0-flash-VL。本文以 9 月 4 日作为可核实的官方文档上线日期，不把搜索摘要、第三方模型目录的抓取时间或社交平台转述当作模型事件日期。 【关键能力与调用方式】 1. 图文联合理解：OpenAI 兼容的 Chat Completions 可在 messages 中同时放入文字与 image_url 内容块，选择 Ling-3.0-flash-VL 后进行图像描述、文档问答或多图比较。 2. 多图输入：官方文档允许单次请求最多传入 40 张图片，格式为 JPEG 或 PNG。图片通过 Base64 data URL 传入，适合把一组页面、截图或连续画面放进同一上下文。 3. 视频理解：OpenAI 兼容接口支持 video_url 内容块，接受 MP4、MOV 和 WMV。官方限制视频时长不超过 30 秒、单次只能传入一个视频，采样率固定为 2fps，并设置最多 32 帧。 4. 两套兼容协议：OpenAI 兼容接口文档明确支持文本、图片和视频；Anthropic 兼容 Messages 示例当前明确展示文本与图片。开发者不能默认两套协议的所有多模态能力完全相同。 5. Base64 直传：图片和视频目前以 Base64 形式嵌入请求。单个 Base64 图片或视频字符串不超过 32MB，同时整个请求体也受 32MB 上限约束。 6. 智能体集成：官方 OpenAI 兼容接口支持 Function Calling，且文档给出在 Claude Code 与 Hermes Agent 中选择百灵模型的集成方式。视觉输入可以先被模型解释，再交给受控工具处理。 【输入限制必须看清】 图片支持 JPEG、PNG，单图像素不超过 16384×784；单张 Base64 字符串不超过 32MB，最多 40 张，但请求体总量仍不超过 32MB。因此“最多 40 张”并不代表 40 张都能接近单张大小上限。 视频支持 MP4、MOV、WMV，时长不超过 30 秒、一次一个、Base64 后不超过 32MB。固定 2fps 理论上会从 30 秒视频取得更多帧，但文档另设 32 帧上限，官方没有说明超过上限时的具体抽帧策略，关键画面密集的任务需要实际验证。 OpenAI 接口中的 messages.content.image_url.detail 当前不受支持，图像解析分辨率由推理引擎使用默认值。应用不能依赖 detail=high 等参数强制改变解析精度。 【适用对象】 Ling-3.0-flash-VL 适合需要快速接入图像问答、网页与应用截图理解、多页材料核对、商品图片分析、短视频内容摘要或视觉智能体原型的开发团队。已经使用 OpenAI 或 Anthropic 消息格式的项目，可以较少改动地切换到百灵端点进行验证。 如果任务需要处理长视频、原始超高清影像、精细医学图像、逐帧动作判断或离线私有部署，当前公开 API 限制可能不合适。此时应比较专用视觉模型、视频分段方案或可下载权重模型。 【实际影响】 Ling-3.0-flash 原本面向文本推理与智能体，VL 版本让同一百灵接口可以接收现实世界中的视觉证据。对自动化流程而言，模型不再只能读取结构化文本，还能先查看截图、图片或短视频，再生成解释或决定是否调用后续工具。 API 同时兼容两种常见消息协议，可以降低现有应用适配成本。但 Base64 会放大请求体，传输、日志、缓存和重试都可能增加带宽与隐私风险；多图和视频任务需要控制文件大小并避免在日志中保存原始敏感内容。 【限制与使用提醒】 第一，当前官方文档公开的是接口能力，不是完整技术报告。页面没有给出参数规模、训练数据、独立基准、每次调用价格或所有地区可用性，本文不推测这些信息。 第二，文档主说明使用模型名 Ling-3.0-flash-VL，但视频示例请求体中出现 Ling-3.0-flash-VL-rc1。两处标识不完全一致，开发者应以控制台当前模型列表和实际 API 返回为准，并在生产配置中固定经过验证的模型 ID。 第三，最多 32 帧意味着短视频中的瞬时字幕、快速镜头、按钮闪现或细微动作可能没有被采到。用于安全审查、质检、医疗或事故分析时，不能依赖一次模型回答替代逐帧检查。 第四，图片仅支持文档列出的 JPEG 与 PNG，视频仅支持 MP4、MOV 与 WMV；其他格式需要在客户端转换。转换过程可能改变分辨率、色彩、方向或时间戳，应保留原始文件并记录预处理步骤。 第五，视觉语言模型可能误读小字、图表刻度、表格单元格、坐标位置和遮挡物，也可能把缺失信息补成看似合理的描述。重要数字必须回到原图逐项核对，并为 OCR、公式和坐标任务设置结构化校验。 第六，接入 Function Calling 不代表可以无监督执行操作。视觉智能体应使用工具白名单、最小权限、截图脱敏、人工确认、调用限额和审计日志，尤其不能根据未经复核的屏幕理解直接付款、删除数据或提交高风险操作。 第七，图片和视频可能包含个人信息、商业机密或受版权保护内容。发送到 API 前必须获得授权、评估数据出境与保存规则，并遵守所在地法律及组织内部政策。 【官方来源】 蚂蚁百灵多模态理解文档：https://developer.ant-ling.com/zh-CN/docs/tutorials/multimodal-understanding/ OpenAI 兼容接口文档：https://developer.ant-ling.com/zh-CN/docs/api-reference/openai/ Claude Code 集成文档：https://developer.ant-ling.com/zh-CN/docs/integrations/claude-code/ Hermes Agent 集成文档：https://developer.ant-ling.com/zh-CN/docs/integrations/hermes-agent