Une image pour consigne, des agents pour la mettre en œuvre

Le modèle Ling-3.2-flash d’Ant Ling utilise les références visuelles pour piloter des outils, créer des livrables et en corriger le rendu.

Une image de référence, puis des rendus successifs pour ajuster les matières et les reliefs : c’est l’une des démonstrations choisies par Ant Ling pour présenter Ling-3.2-flash. Le nouveau modèle multimodal est décrit comme capable d’utiliser ce qu’il voit pour conduire une tâche, manipuler des logiciels et reprendre son travail après inspection du résultat. La lecture de l’image devient une étape de la fabrication.

Les exemples publiés concernent la création 3D et les interfaces web, mais aussi la production de documents. Leur point commun tient au suivi du projet : interpréter une référence, agir dans un outil, puis examiner ce qui a été produit. Des rendus 3D pour guider les corrections

Dans le scénario consacré aux objets pour le jeu et la simulation, une seule image 2D sert de référence. L’agent examine ensuite des rendus de sphères de matériaux pour comparer leur rugosité et les détails de surface. Il modifie progressivement les scripts à partir de ces observations. La qualité visuelle du résultat dépend ici d’une succession d’essais et de corrections, plutôt que d’une unique proposition.

Le pilotage de Blender illustre une autre forme d’intervention. D’après Ant Ling, l’agent agit dans l’interface du logiciel et en modifie les paramètres ; un autre exemple transforme des dessins techniques en modèles 3D destinés au web. Ces réalisations passent par des outils et du code. Elles ne doivent pas être confondues avec une sortie 3D directement générée par le modèle lui-même.

Le même travail à partir d’aperçus apparaît dans la mise en page de brochures. Des documents d’entreprise fournissent la matière initiale, puis le système contrôle visuellement la disposition des éléments et leurs espacements pour les affiner. Pour le développement web, les démonstrations décrivent des interfaces adaptées à plusieurs tailles d’écran et comportant des animations. Le retour visuel sert donc autant à organiser une page qu’à travailler l’apparence d’un objet. Plusieurs agents autour d’un même dossier

La collaboration entre agents prend pour exemple des données financières du deuxième trimestre. Des agents spécialisés, coordonnés autour d’un contexte partagé, en tirent un rapport d’analyse, une présentation de six diapositives pour un conseil d’administration et une vidéo de synthèse. Les livrables sont ensuite repris à la demande de l’utilisateur.

L’exercice porte sur la déclinaison d’un même dossier dans plusieurs formats. Il associe l’analyse du contenu à la réalisation de supports, puis à leur révision après retour. Le fil d’annonce ne précise ni la durée de cette mission ni son coût complet.

Les documents scientifiques constituent un autre matériau de départ. Selon l’équipe, le système lit les équations et les schémas de PDF de recherche pour traduire les méthodes présentées en code exécutable. Cet exemple mobilise la compréhension visuelle au sein même du document, là où la lecture du seul texte laisserait de côté une partie des informations nécessaires. Un grand contexte et un accès par API

La documentation du modèle annonce 560 milliards de paramètres au total, dont 25 milliards activés lors du traitement d’un token. Cette architecture à mélange d’experts, ou MoE, ne mobilise qu’une partie du modèle à chaque étape. Le nombre de paramètres actifs ne représente donc pas la taille totale du système.

Le contexte maximal annoncé atteint un million de tokens, avec prise en charge du texte, des images et de la vidéo en entrée. L’accès est proposé par une interface de conversation et par API, avec des protocoles compatibles avec ceux d’OpenAI et d’Anthropic. Le fil de lancement renvoie aussi vers la fiche du modèle sur Computrix pour l’essayer avec ses propres images.

Une offre de lancement prévoit la gratuité pendant les deux premières semaines. La page tarifaire annonce ensuite le retour aux prix habituels, mais ne donne pas encore de tarif propre à cette version dans son tableau. Trois scores face à Opus 5, dans les évaluations d’Ant Ling

Les résultats publiés au lancement placent Ling-3.2-flash devant Opus 5 en configuration « max » sur trois tests : 92,21 contre 90,56 sur OmniDocBench 1.5, 43,71 contre 39,52 sur ZEROBench (Sub) et 85,86 contre 80,20 sur Vision2Web. Ces chiffres sont ceux communiqués par Ant Ling, et non une comparaison indépendante.

La mention « Sub » signale en particulier l’emploi d’un sous-ensemble pour ZEROBench. Le fil d’annonce ne précise pas sa composition ni l’ensemble des conditions de reproduction. Ces scores ne donnent pas non plus le taux de réussite des projets présentés : terminer une scène dans Blender ou réviser plusieurs livrables exige d’enchaîner des opérations que ces trois valeurs ne décrivent pas.