Ling 3.2 Flash от Ant Group: мультимодальная модель с пространственным 3D-восприятиемЗаметка · дайджест за 10 ноября
Сюрреалистический натюрморт с выдвижением трёхмерной геометрии мебели из плоской фотографии в модели Ling 3.2 Flash
Заметка2 раздела≈ 4 мин

Ling 3.2 Flash от Ant Group: мультимодальная модель с пространственным 3D-восприятием

На презентации Ling 3.2 Flash инженеры китайского гиганта Ant Group из экосистемы Alibaba устроили живую проверку. Они подключили нейросеть напрямую к интерфейсу трёхмерного редактора Blender: алгоритм отрендерил сцену с разных углов, сам заметил огрехи в геометрии, переписал скрипт и проверил кадр без подсказок человека.

Ты наверняка спросишь: «Красивый трюк для 3D-художников, но при чём тут веб-разработка?» Связь прямая. Обычные мультимодальные сети видят снимок как плоскую аппликацию из пятен, поэтому попытка собрать объёмную витрину по фото комнаты даёт кашу из поплывших пропорций. Пространственное восприятие меняет сборку сайтов: видя за пикселями глубину и физическое расположение вещей, сеть переводит живые фотографии сразу в рабочий трёхмерный интерфейс.

Как единое пространство модальностей и разреженная архитектура считывают объём

Переход от плоской картинки к точному коду стал возможен потому, что создатели линейки BaiLing убрали внешние визуальные насадки-переводчики, теряющие перспективу по пути к текстовому ядру. Текст, код, фото, видео и пространственные координаты изначально живут в общем латентном пространстве: энкодер оценивает глубину кадра, дистанции между предметами и риск их физического пересечения.

Держать геометрическую интуицию и знание вёрстки помогает «смесь экспертов» (Mixture-of-Experts). Из общего пула в 560 млрд параметров диспетчер на шаг будит лишь 25 млрд активных весов — как в большом конструкторском бюро, где над твоим узлом трудится компактная бригада профильных мастеров. Отсюда скорость лёгкой сети и слово Flash в названии. Эту же базу я недавно разбирал у Ling 3.1 Flash на тесте AutomationBench, а теперь к ней добавили окно в 1 млн токенов под часовые видео и сотни схем.

В работе такая связка снимает старую боль мебельного интернет-магазина. Допустим, по фото гостиной — диван у стены, журнальный столик перед ним и торшер в углу — нужно собрать интерактивный 3D-каталог, чтобы покупатель крутил комнату мышкой и примерил честные габариты.

Обычная 2D-сеть видит плоский коллаж: столешница заслоняет подушку, поэтому в веб-сцене столик намертво впаивается в диван, а текстура дерева в тени плывёт. Ling 3.2 Flash считает пространственные координаты объектов, отделяет передний план от глубины комнаты и переносит пропорции с фактурой обивки в код. Следом включаются токены цикла «наблюдение — действие — проверка» (Observe-Act-Verify), как в опыте с Blender: собрав витрину, сеть осматривает рендер, замечает ушедшую сквозь пол ножку торшера и сама правит вёрстку.

Магазин получает не сырой набросок под переделку, а готовый интерактивный каталог с реальными размерами мебели прямо со снимка интерьера. Дни моделирования сжимаются до быстрой сборки объёмных карточек с камеры.

Проверка вёрстки на Design Arena, аудит чертежей и порог входа

Чувство объёма отразилось на замерах релиза от 5 ноября. В тестах самой Ant Group новинка обошла Claude Opus 5 в понимании документов, визуальном рассуждении и переводе картинок в веб-интерфейсы. К собственным отчётам корпораций я отношусь с прищуром — как и заявления о перевесе над моделями уровня Gemini Pro в китайских тестах навигации, эти цифры ждут независимой международной проверки.

Зато во фронтенде внешний арбитр уже есть: на Design Arena модель взяла 10-е место по сборке адаптивных сайтов с анимацией по скриншоту рядом с флагманами Meta, Anthropic и DeepSeek. На чертежах связка объёмного зрения и длинного контекста тоже работает — сверяя видео обхода цеха с моделью BIM и схемами CAD, сеть ловит смещение воздуховода на 15 сантиметров и риск задеть кабель, а по квартальной финсводке её агенты разом собирают отчёт, презентацию и видеорезюме.

На старте Ling-3.2-flash открыли бесплатно на две недели, но для продакшена есть жёсткий инфраструктурный барьер. Селф-хостинг требует держать весь полутриллионный массив весов на кластере с картами NVIDIA A100 или H100, а облако Ant Group заточено под корпоративный рынок Китая с верификацией юрлица, задержками и вопросами приватности макетов. Пока одни лаборатории синтезируют физику с нуля, как интерактивные 3D-миры в Google Genie 4, китайские инженеры оцифровывают реальность.

В ближайшие год-два это перекроит фронтенд: вместо ручного переноса товаров в плоские сетки браузера витрины начнут собираться через камеру смартфона. Когда пространственные сети станут легче и выйдут за рамки закрытых кластеров, объёмная карточка по видео шоурума станет такой же рутиной, как вёрстка лендинга по наброску, а инструменты веб-разработчика и «глаза» складских роботов сойдутся на общем понимании реального пространства.

Хочу подробный разборГолоса помогают выбрать, что разобрать подробно. За этот материал 0 голосов.
Источники · 2