AIPress.com.cn報道

2 月 11 日，螞蟻集團正式開源發布全模態大模型Ming-flash-omni 2.0。作為 Ming-Omni 系列的最新版本，該模型在視覺語言理解、語音可控生成、圖像生成與編輯等核心能力上實現系統性升級，在多項公開基準測試中達到開源領先水平，部分指標超過 Gemini 2.5 Pro。

Ming-flash-omni 2.0的更新重點之一在于音頻生成能力。模型支持在同一音軌中同時生成語音、環境音效與音樂，并允許用戶通過自然語言指令控制音色、語速、語調、音量、情緒和方言等參數。根據官方數據，模型在推理階段實現 3.1Hz 的推理幀率，可生成分鐘級音頻內容。

在視覺能力方面，模型通過引入更大規模細粒度數據和難例訓練策略，提升對復雜對象和長尾類別的識別能力。圖像生成與編輯功能也進行了優化，支持光影調整、場景替換、人物姿態修改等操作，并強調在復雜或動態場景中的穩定性。

架構上，Ming-flash-omni 2.02.0 基于 Ling-2.0（MoE，100B-A6B）架構訓練。官方表示，該版本在更大規模數據和系統化訓練優化基礎上，對多模態理解與生成能力進行了統一整合。

近年來，多模態大模型逐步向統一架構方向發展，但在實際應用中，模型往往難以同時兼顧通用性與單項能力表現。螞蟻方面表示，Ming-omni 系列經過多代迭代，從構建統一多模態能力底座，到擴大規模與訓練優化，再到 2.0 版本強化單項能力表現，逐步提升綜合性能。

百靈模型負責人周俊表示，全模態技術的關鍵在于統一架構下的能力融合與調用效率。開源后，開發者可在同一框架下調用視覺、語音與生成能力，減少多模型串聯帶來的工程復雜度。

目前，Ming-flash-omni 2.0的模型權重與推理代碼已在 Hugging Face 等開源社區發布，用戶也可通過螞蟻百靈平臺 Ling Studio 進行在線體驗。