Ling-3.0-flash-VL, про которую писал полторы недели назад ещё без весов, теперь лежит на HuggingFace под MIT. MoE, 5,5 активных из 124, на вход текст, картинки и видео, контекст 256K. На OpenRouter есть бесплатный вариант, платный стоит $0,06 за миллион входных токенов и $0,18 за выходные.

Внутри 42 слоя, где KDA и Gated MLA чередуются 5 к 1, плюс VideoRoPE, который кодирует и положение в кадре, и порядок во времени, отсюда поиск событий в длинном видео. На Artificial Analysis Intelligence Index модель набрала 42 против 38 у текстовой Ling-3.0-flash, то есть добавление зрения подняло и общий индекс.

Локально запускается через SGLang, готовый docker-образ и рецепты в карточке; на полные 256K контекста нужны четыре карты класса H200.

@neuro_channel