螞蟻集團(tuán)近日宣布開源其最新研發(fā)的全模態(tài)大模型 Ming-Flash-Omni 2.0，該模型在視覺語言理解、語音可控生成及圖像編輯等多個領(lǐng)域展現(xiàn)出卓越性能，部分指標(biāo)甚至超越了國際頂尖的 Gemini 2.5 Pro，為開源社區(qū)樹立了新的性能標(biāo)桿。

作為業(yè)界首個全場景音頻統(tǒng)一生成模型，Ming-Flash-Omni 2.0 突破了傳統(tǒng)模型的局限，能夠在同一條音軌中同時生成語音、環(huán)境音效與音樂，實(shí)現(xiàn)了音頻生成領(lǐng)域的重大創(chuàng)新。用戶只需通過自然語言指令，即可對音色、語速、語調(diào)、音量、情緒及方言等參數(shù)進(jìn)行精細(xì)調(diào)控，滿足多樣化的音頻創(chuàng)作需求。該模型在推理階段達(dá)到了 3.1Hz 的極低幀率，支持分鐘級長音頻的實(shí)時高保真生成，在推理效率與成本控制方面均處于行業(yè)領(lǐng)先地位。

多模態(tài)大模型的發(fā)展趨勢是走向更統(tǒng)一的架構(gòu)，以實(shí)現(xiàn)不同模態(tài)與任務(wù)之間的深層協(xié)同。然而，現(xiàn)有的“全模態(tài)”模型往往難以兼顧通用性與專精性，在特定單項(xiàng)能力上，開源模型通常不及專用模型。螞蟻集團(tuán)在全模態(tài)領(lǐng)域深耕多年，Ming-Omni 系列模型在此背景下持續(xù)迭代升級。早期版本構(gòu)建了統(tǒng)一的多模態(tài)能力基礎(chǔ)，中期版本驗(yàn)證了規(guī)模增長對能力提升的作用，而最新發(fā)布的 2.0 版本則通過更大規(guī)模的數(shù)據(jù)與系統(tǒng)性訓(xùn)練優(yōu)化，將全模態(tài)理解與生成能力提升至開源領(lǐng)先水平，并在部分領(lǐng)域超越了頂級專用模型。

Ming-Flash-Omni 2.0 的開源，意味著其核心能力將以“可復(fù)用底座”的形式向外界開放，為端到端多模態(tài)應(yīng)用開發(fā)提供統(tǒng)一的能力入口。這一舉措將顯著降低開發(fā)者在多模型串聯(lián)方面的復(fù)雜度與成本，推動全模態(tài)技術(shù)的廣泛應(yīng)用。

該模型基于 Ling-2.0 架構(gòu)（MoE，100B-A6B）進(jìn)行訓(xùn)練，圍繞“看得更準(zhǔn)、聽得更細(xì)、生成更穩(wěn)”三大目標(biāo)進(jìn)行了全面優(yōu)化。在視覺方面，通過融合億級細(xì)粒度數(shù)據(jù)與難例訓(xùn)練策略，模型顯著提升了對近緣動植物、工藝細(xì)節(jié)及稀有文物等復(fù)雜對象的識別能力；在音頻方面，實(shí)現(xiàn)了語音、音效、音樂的同軌生成，支持自然語言對音色、語速、情緒等參數(shù)的精細(xì)控制，并具備零樣本音色克隆與定制能力；在圖像方面，增強(qiáng)了復(fù)雜編輯的穩(wěn)定性，支持光影調(diào)整、場景替換、人物姿態(tài)優(yōu)化及一鍵修圖等功能，即使在動態(tài)場景中也能保持畫面連貫與細(xì)節(jié)真實(shí)。

百靈模型負(fù)責(zé)人周俊指出，全模態(tài)技術(shù)的核心在于通過統(tǒng)一架構(gòu)實(shí)現(xiàn)多模態(tài)能力的深度融合與高效調(diào)用。開源后，開發(fā)者可以基于同一套框架復(fù)用視覺、語音與生成能力，從而大幅降低開發(fā)成本與復(fù)雜度。目前，Ming-Flash-Omni 2.0 的模型權(quán)重與推理代碼已在 Hugging Face 等開源社區(qū)發(fā)布，用戶也可通過螞蟻百靈官方平臺 Ling Studio 在線體驗(yàn)與調(diào)用該模型。