/ Модель

Характеристики

Лицензия
MIT
Базовая модель
Ling-3.0-flash-VL
Библиотека
llama-cpp
Опубликована
3 окт 2026

Ling-3.0-Flash-VL-NVFP4-GGUF

Мультимодальная модель

Квантизированная в NVFP4 мультимодальная модель Ling-3.0-flash-VL для диалога, анализа изображений и видео и визуальных рассуждений в llama.cpp.

251скачиваний за 30 дней0лайковвеса обновлены3 окт 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Ling-3.0-flash-VL NVFP4 GGUF — квантизированная версия мультимодальной модели InclusionAI Ling-3.0-flash-VL, подготовленная автором репозитория WhiskyAKM для запуска в llama.cpp и других совместимых движках. Модель использует разреженную архитектуру MoE с KDA и Gated MLA: всего 124 млрд параметров, из которых для каждого токена активируются 5,5 млрд. Контекст — до 256 тысяч токенов.

Модель принимает текст, изображения и видео и предназначена для диалога, визуальных рассуждений, понимания временных изменений в видео, локализации событий и задач, где визуальную информацию нужно преобразовать в последовательность действий. Для обработки изображений и видео требуется файл мультимодального проектора mmproj.gguf. Карточка указывает многоязычную поддержку, но не перечисляет отдельные языки.

Репозиторий содержит веса в формате GGUF, квантизированные в NVFP4; заявлены сниженное потребление памяти и ускорение на совместимом оборудовании NVIDIA Blackwell. Лицензия — MIT. Практическая совместимость и качество зависят от движка и оборудования; точные требования к памяти и оценки качества в карточке не приведены.

Сценарии применения

  • ответы на вопросы по изображениям
  • анализ видеозаписей и временных изменений
  • локализация событий в видео
  • визуальные рассуждения по сцене
  • преобразование содержимого интерфейса в последовательность действий

Ограничения

Для мультимодального ввода изображений и видео необходим файл mmproj.gguf и совместимый движок. Поддержка конкретных языков, требования к памяти и количественные оценки качества в карточке не раскрыты.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Ling-3.0-flash-VL NVFP4 — GGUF

NVFP4 GGUF conversion of Ling-3.0-flash-VL, a next-generation native multimodal model from InclusionAI.

This repository provides the NVFP4 (NVIDIA 4-bit floating-point) GGUF files, making the model usable with llama.cpp and other GGUF-compatible inference engines.

Model Overview

Ling-3.0-flash-VL is a native multimodal model built upon Ling-3.0-flash. It integrates visual information into the complete process of understanding, reasoning, acting, and verification, advancing beyond simple perception to solving real-world tasks through vision.

The model features a sparse MoE architecture with 124B total parameters, but only 5.5B activated parameters per token, delivering powerful multimodal reasoning with exceptional efficiency.

Model Architecture

PropertyValue
ArchitectureSparse MoE (KDA & Gated MLA)
Total Parameters124B
Active Parameters5.5B
Context Length256K tokens
Visual EncoderViT with MLP Projector
Temporal EncodingVideoRoPE (Spatial + Temporal)
Backbone42-layer hybrid (KDA/MLA 5:1 ratio)
Supported ModalitiesText, Image, Video

GGUF Files

FileFormatDescription
ling-3.0-flash-vl-nvfp4.ggufNVFP4NVFP4 quantized model
mmproj.gguf—Multimodal projector (vision)

A chat_template.jinja file is also provided for use with chat-based inference.

About NVFP4: NVFP4 is NVIDIA's 4-bit floating-point format (E2M1) with microscaled per-block scaling factors. It offers significant memory savings while preserving quality close to bfloat16. NVFP4 inference is accelerated on NVIDIA Blackwell GPUs and supported via llama.cpp on compatible hardware.

Note on mmproj: The mmproj.gguf file contains the visual projector needed for multimodal (image/video) inference.

Usage

llama.cpp (CLI)

# Run text-only inference
./llama-cli \
  -m ling-3.0-flash-vl-nvfp4.gguf \
  -p "Explain the significance of multimodal LLMs." \
  --temp 0.6 --top-k 20 --top-p 0.95

llama-server (OpenAI-compatible API)

# Text-only
./llama-server \
  -m ling-3.0-flash-vl-nvfp4.gguf \
  --host [IP_ADDRESS] --port 8080

# Multimodal (image + video)
./llama-server \
  -m ling-3.0-flash-vl-nvfp4.gguf \
  --mmproj mmproj.gguf \
  --host [IP_ADDRESS] --port 8080

Multimodal (Image / Video)

For image and video inputs, use llama-server or llama-cli with the --mmproj flag pointing to mmproj.gguf. Refer to your inference engine's documentation for passing visual data alongside text prompts.

Generation Parameters

Recommended parameters based on the official configuration:

ParameterValueNote
Temperature0.61.0 recommended for some generative tasks
Top-K20
Top-P0.95

Thinking Mode

Ling-3.0-flash-VL has thinking mode enabled by default via the chat template.

  • Output format: When thinking is enabled, the model outputs internal reasoning (chain-of-thought) followed by the final answer.
  • Control: Thinking can typically be disabled per request via the chat_template_kwargs (e.g., "enable_thinking": false).

Key Features

  • Native Multimodal: Deep integration of vision into reasoning and acting.
  • Efficient Inference: MoE architecture activates only 5.5B parameters per token.
  • Long Context: Support for up to 256K tokens.
  • Video Understanding: VideoRoPE allows the model to understand temporal changes and event localization.
  • Agentic Capabilities: Designed to interact with interfaces and translate visual info into action sequences.

Acknowledgements

License

This project is licensed under the MIT License.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · llama-cpp

Нельзя запустить

Any-to-any модели пока не поддерживаются.

Ревизия весов
d153156

0 моделей