Ant Group stellt Ling-3.2-flash vor: Multimodal, günstig und in Benchmarks vor Claude Opus 5

Worum es geht

Die Ant Group, der chinesische Finanz- und Technologiekonzern hinter Alipay, hat am 6. November 2026 ein neues Modell ihrer Ling-Reihe vorgestellt: Ling-3.2-flash. Entwickelt hat es das Team „Bailing“ (international unter dem Namen inclusionAI bekannt). Laut IT之家 (ITHome) handelt es sich um ein nativ multimodales Modell. Es wurde also von Grund auf so gebaut, dass es Bilder, Videos und Text gemeinsam versteht – ihm wurde kein Bildmodul nachträglich angehängt.

Die Eckdaten: 560 Milliarden Parameter insgesamt, davon rund 25 Milliarden aktiv pro Token, und ein Kontextfenster von einer Million Token. Das Kontextfenster ist die Textmenge, die das Modell auf einmal „im Blick“ behalten kann – grob mehrere dicke Bücher. Ausprobieren kannst du das Modell über die Bailing-Plattform von Ant, entweder im Chatfenster im Browser oder per API. Die ersten zwei Wochen nach dem Start sind kostenlos.

Der Routing-Dienst OrcaRouter fasst den Unterschied zum Vorgänger in einem Satz zusammen: „Immer noch 560B, neues Gefühl“. Die Größe ist also gleich geblieben, die Fähigkeiten wurden verschoben – vor allem hin zu Bild- und Videoverständnis.

Was das Modell können soll

Ant nennt vier Schwerpunkte, die besonders gestärkt wurden:

• Komplexes visuelles Verständnis: Das Modell soll Bilder und Videos tiefgehend analysieren und daraus Schlüsse ziehen.
• Multimodale Langzeit-Agenten: Ein Agent ist eine KI, die eine Aufgabe selbstständig in vielen Schritten abarbeitet, etwa Webseiten bedient oder Dateien bearbeitet. Ling-3.2-flash soll dabei auch über viele Schritte das Ziel nicht aus den Augen verlieren und Entscheidungen auf Grundlage von Bild- und Textinformationen treffen.
• 3D-Verständnis und Interaktion: Das Modell soll dreidimensionale Szenen und räumliche Beziehungen erfassen.
• Medizinische Multimodalität: Es soll medizinische Bilder verstehen und Befundberichte auswerten können, um Fachleute bei der Analyse zu unterstützen.

Die Benchmarks: drei Siege gegen Claude Opus 5

Am meisten Aufsehen erregt Ants Behauptung, das Modell schlage in drei Tests Anthropics Spitzenmodell Claude Opus 5 in der stärksten Einstellung („max“). Alle Zahlen stammen von Ant selbst:

In der DesignArena, einer Rangliste, in der Nutzer bewerten, wie gut Modelle aus einem Bild eine Weboberfläche (Frontend) erzeugen, erreicht das Modell laut ITHome einen Elo-Wert von 1238. Elo ist ein Punktesystem wie beim Schach, das aus vielen Direktvergleichen eine Rangfolge errechnet. Damit liegt Ling-3.2-flash in den Top 10, in einer Reihe mit Modellen von Meta, DeepSeek und Anthropic.

Wichtig: Es handelt sich um drei ausgewählte Benchmarks, die Ant selbst gemessen hat. Wie das Modell in anderen Tests abschneidet, etwa beim Programmieren oder bei reinem Faktenwissen, geht aus den Quellen nicht hervor. Unabhängige Messungen gibt es noch nicht.

So funktioniert die Technik

Das Verhältnis von 560 zu 25 Milliarden Parametern verrät den Aufbau: Ling-3.2-flash ist ein Mixture-of-Experts-Modell (MoE). Das Modell besteht aus vielen spezialisierten Teilnetzen, den „Experten“. Für jedes Wort wird nur eine kleine Auswahl davon befragt – ähnlich wie in einem großen Krankenhaus, in dem nicht jeder Patient zu allen Ärzten geht. So bleibt das Wissen eines riesigen Modells erhalten, die Rechenarbeit pro Wort entspricht aber eher der eines mittelgroßen Modells.

Ob Ling-3.2-flash die gleiche Architektur nutzt wie der direkte Vorgänger, sagt Ant nicht ausdrücklich. Die gleiche Größe legt es aber nahe. Ling-3.1-flash, Ende September 2026 vorgestellt, kombiniert laut einer ausführlichen Analyse auf note.com zwei Arten von „Attention“. Damit ist der Mechanismus gemeint, mit dem ein Modell entscheidet, welche früheren Wörter für das aktuelle wichtig sind. Sieben von acht Schichten nutzen die sparsame lineare Variante KDA (Kimi Delta Attention, ursprünglich vom chinesischen Start-up Moonshot AI). KDA merkt sich den bisherigen Text in einem Speicher fester Größe und muss nicht jedes frühere Wort einzeln vorhalten. Jede achte Schicht ist eine aufwendigere Gated-MLA-Schicht, die für Genauigkeit sorgt. Dazu kommen 512 Experten, von denen pro Token 8 plus ein fester „Allround-Experte“ arbeiten. Diese Kombination erklärt, warum ein 560-Milliarden-Modell laut Artificial Analysis rund 219 Token pro Sekunde ausgeben kann.

Preis und Verfügbarkeit

Die API kostet 0,30 US-Dollar pro Million Eingabe-Token und 0,90 US-Dollar pro Million Ausgabe-Token. Laut der DesignArena-Rangliste ist das der niedrigste Preis unter Modellen dieser Leistungsklasse. Zum Vergleich: Anthropics Opus-Modelle kosten ein Vielfaches. Die API versteht sowohl das Format von OpenAI als auch das von Anthropic. Wer bereits Programme für diese Anbieter geschrieben hat, muss also meist nur Adresse und Modellnamen austauschen.

Die Preise entsprechen exakt denen von Ling-3.1-flash. Dabei gibt es eine Falle, auf die die note.com-Analyse beim Vorgänger hingewiesen hat: Der Checkpoint Ling-3.1-flash-1019 wurde zwar deutlich klüger (Artificial-Analysis-Index von 41 auf 44, Wissensarbeits-Benchmark AA-Briefcase plus 126 Elo). Gleichzeitig „denkt“ er aber viel länger nach, bevor er antwortet. Die Ausgabe pro Aufgabe stieg von 102.000 auf 145.000 Token, die tatsächlichen Kosten pro Aufgabe von 1,00 auf 1,49 Dollar. Ein niedriger Preis pro Token sagt also nicht alles. Ob Ling-3.2-flash ähnlich gesprächig ist, ist noch nicht gemessen.

Hintergrund: die Ling-Familie

Ant baut die Ling-Reihe in hohem Tempo aus. Ende Juli 2026 erschien Ling-3.0-flash mit 124 Milliarden Parametern (5,1 Milliarden aktiv), unter MIT-Lizenz frei herunterladbar und speziell als schnelles, günstiges „Ausführungsmodell“ für KI-Agenten gedacht. Laut Marktechpost hat NVIDIA kürzlich gezeigt, dass dieses Modell auf einem einzelnen Desktop-Rechner vom Typ DGX Spark läuft. Mit drei Optimierungen stieg die Ausgabegeschwindigkeit dort um 42,5 Prozent auf knapp 54 Token pro Sekunde, ohne messbaren Genauigkeitsverlust. Ende September folgte die 560-Milliarden-Version Ling-3.1-flash, deren Gewichte Mitte Oktober ebenfalls unter MIT-Lizenz veröffentlicht wurden. Der verbesserte Checkpoint 1019 war laut note.com zunächst nur per API erhältlich.

Für Ling-3.2-flash nennen die vorliegenden Quellen nur den API-Zugang. Ob und wann die Gewichte zum Download erscheinen, ist offen.

Einordnung

Ling-3.2-flash zeigt, wie schnell chinesische Anbieter zur Spitze aufschließen – zumindest bei ausgewählten Aufgaben. Wer Dokumente auslesen, Screenshots in Webseiten umwandeln oder visuelle Agenten bauen will, bekommt hier ein Modell, das laut Hersteller mit Claude Opus 5 mithält, aber nur einen Bruchteil kostet. Die kostenlosen zwei Wochen sind eine günstige Gelegenheit für eigene Tests.

Kritisch bleibt: Die Vergleiche mit Opus 5 stammen vom Hersteller und beschränken sich auf drei Bild-Benchmarks, in denen Ling offenbar besonders stark ist. Über allgemeines Schlussfolgern, Programmieren oder Halluzinationen sagt das wenig. Beim Vorgänger lag Ling bei Faktensicherheit und Kommandozeilen-Programmierung hinter der Konkurrenz. Auch die medizinischen Fähigkeiten sollten mit Vorsicht betrachtet werden – „unterstützt Fachleute“ ist keine Zulassung für die Diagnose. Und solange die Gewichte nicht verfügbar sind, ist Ling-3.2-flash anders als seine Vorgänger kein offenes Modell, sondern ein günstiger Cloud-Dienst eines chinesischen Konzerns. Für Nutzer in Europa ist das beim Datenschutz relevant.