Wer mit eingescannten Verträgen, Foliensätzen oder Screenshots von Webseiten arbeitet, merkt schnell: Für viele KI-Modelle ist das Bild nur ein Anhang. Das Ling-Team von Ant Group stellt sein neues Modell als Gegenentwurf vor, als System, das Text, Bilder und Videos in einem Durchgang liest.
Ant Ling hat Ling-3.2-flash am 5. November 2026 veröffentlicht, so steht es im Changelog der Entwicklerdokumentation (Version 2.0.6). Das Unternehmen nennt es ein nativ multimodales Modell. Gemeint ist: Bild-, Text- und Videoeingaben verarbeitet das Modell selbst, statt sie über ein separates Bildmodul vor einem reinen Textmodell zu leiten.
Was 560 Milliarden Parameter mit 25 Milliarden aktiven bedeuten
Ant nennt 560 Milliarden Parameter insgesamt, von denen rund 25 Milliarden aktiviert werden. Diese Aufteilung ist typisch für eine Mixture-of-Experts-Architektur: Das Modell besteht aus vielen spezialisierten Teilnetzen, und für jede Eingabe wird nur ein kleiner Teil davon eingeschaltet. Praktisch heißt das: Du bekommst das Wissen eines sehr großen Modells, zahlst pro Anfrage aber ungefähr den Rechenaufwand eines deutlich kleineren.
Das Kontextfenster, also die Menge an Material, die das Modell gleichzeitig berücksichtigen kann, liegt bei maximal einer Million Tokens. Ein Token ist ein Textstück, etwa ein Wortteil. Einfach gesagt: Ein langer Bericht, mehrere Bilder und Videoeingaben passen in ein einziges Gespräch, ohne dass du sie zerlegen musst.
Auf welche Aufgaben Ant zielt
Ant nennt vier Schwerpunkte. Erstens komplexes visuelles Verständnis: über den Inhalt eines Bildes schlussfolgern, nicht nur beschreiben. Zweitens multimodale Agenten für lange Aufgaben, also mehrstufige Arbeitsabläufe, bei denen das Modell zwischendurch Bilder oder Videos auswertet. Drittens 3D-Verständnis und Interaktion. Viertens medizinische multimodale Aufgaben; die Modellseite beschreibt damit das Verstehen medizinischer Bilder und das Interpretieren von Befunden.
An dieser Stelle zählt die Passung mehr als die Modellgröße. Klären wir zuerst die Aufgabe. Wenn du im Alltag vor allem Dokumente und visuelles Material auswertest, betreffen dich diese vier Bereiche direkt. Schreibst und überarbeitest du überwiegend reinen Text, liefert der Start wenig Vergleichsmaterial, denn reine Textergebnisse hat Ant nicht veröffentlicht.
Was die Benchmark-Angaben aussagen
In seinem Startbeitrag auf X schreibt Ant Ling, Ling-3.2-flash schlage Claude Opus 5 (max) in den eigenen Release-Evaluierungen bei drei Tests: OmniDocBench1.5, ein Benchmark für Dokumentverständnis, mit 92,21 zu 90,56; ZEROBench (Sub), eine Teilmenge eines bewusst schweren Tests für visuelles Schlussfolgern, mit 43,71 zu 39,52; und Vision2Web, das die Umsetzung visueller Entwürfe in Webseiten misst, mit 85,86 zu 80,20.
Das sind Angaben des Unternehmens selbst. Die Testbedingungen beschreibt der Beitrag nicht, und alle drei Benchmarks hat Ant ausgewählt; sie sind durchweg visuell. Unsere Einschätzung: Das Ergebnis ist ein Grund, das Modell mit Dokumenten und Screenshots zu testen, aber kein Beleg, dass es insgesamt das stärkere Modell ist. Ein Vergleich trägt erst, wenn Aufgabe und Einstellungen gleich sind, und hier hat nur eine Seite gemessen.
Wie du es ausprobieren kannst
Ant bietet das Modell zum Testen in seiner Chat-Oberfläche und über eine API an, die sowohl mit OpenAI-kompatiblen als auch mit Anthropic-kompatiblen Protokollen funktioniert. Wenn deine Werkzeuge eines dieser Formate schon nutzen, musst du beim Wechsel vor allem Endpunkt und Modellnamen, Ling-3.2-flash, ändern, statt Code neu zu schreiben.
Laut Changelog ist der Zugang in den ersten zwei Wochen nach dem Start kostenlos. Das macht jetzt zu einem günstigen Zeitpunkt, eigene Beispieldateien durchlaufen zu lassen. Bevor du einen Arbeitsablauf darauf aufbaust, wirf einen Blick auf die Preisseite von Ant: Das kostenlose Fenster ist befristet, und die Kosten danach entscheiden, ob sich das Modell im Alltag lohnt.
