11月5日，蚂蚁百灵上线 Ling-3.2-flash。官方的对比很提气：OmniDocBench 1.5 文档解析 92.21 对 90.56，ZEROBench（Sub）43.71 对 39.52，Vision2Web 85.86 对 80.20，三项都高于 Claude Opus 5（max）。 这是自测，无第三方复现。IT之家
上线第二天，测评者 AI产品狙击手 把它接进 agent，让它画一只骑自行车的鹈鹕。鹈鹕骑上去了，手没扶把。同一次测试里，弓箭平射乱窜，太空射击一片空白；生成的页面还要依赖谷歌字体。 两件事都是真的。哔哩哔哩
三项都是单轮的“看图给结果”：给一张图，输出文字、答案或代码。OmniDocBench 1.5 考文档解析，ZEROBench（Sub）是多步视觉推理题，Vision2Web 考从设计图生成网页。它们检验的是“看懂”，不是“做完”。差距分别是 1.65、4.19、5.66 分，其中 ZEROBench 的绝对分只有 43.71，这张卷子本来就难。
这不是说榜单没意义。Ling-3.2-flash 的卖点就是原生多模态：560B 总参数、25B 激活、1M 上下文，能读图、读视频。 文档解析和图生网页这些活，它确实有竞争力。问题是，拿这三项对标 Claude Opus 5，很容易被读成“全面超过”。文本和代码，不在官方主推的这三项里。百灵开发者文档
更值得看的是它怎么失败。上一版 Ling-3.1-flash-1019，同一个测评者记录：指令遵循会偷懒凑数字结尾，鹈鹕骑车倒着蹬，复合弓射箭违背物理，Trello 看板直接点不动。 到了 3.2，鹈鹕改成不扶把，弓箭平射，太空射击直接空白。姿势换了，问题没换：画面能生成，物理不对，完整的东西跑不起来。小红书
小佛懒羊 的前端测试是另一种卡法。雪山牧场跑了 2 小时 32 分钟，整体正常，他说大概只是 Kimi K3 的水平；仰望 U9 跑了 1 小时 47 分钟，尾翼、后视镜和部分曲线仍有 bug；中式建筑群 1 小时 21 分钟，精细度普通。他总结，整体用时很久，toks 不算快。小红书
官方在 Hopper、约 30K 上下文下测到 280 tokens/s，这是解码速度；长任务的总等待还包括思考长度、工具调用和返工。百灵大模型
不用等测评。官方发布文末尾有一节“局限性与不足”，写得很清楚：Ling-3.2-flash 目前在长程跨应用任务的状态维持、三维空间大尺度动态推理，以及 3D 资产的设计审美与细节保真度上，与领先的闭源旗舰模型仍有客观差距。 把这三句和测试对上：长程跨应用状态维持，对应上一版 Trello 点不动；三维空间大尺度动态推理，对应鹈鹕、弓箭和赛车；3D 资产审美与细节保真，对应 U9 的尾翼、后视镜和“普通”的中式建筑。官方划出的三条边界，正好是测评者撞上的地方。百灵大模型
规格上还有一点：3.2 和 3.1 都是 560B 总参数、25B 激活、1M 上下文。3.2 主推的新能力，是视觉反馈自检和异常恢复——把渲染画面当输入，检查几何、光影、版面，再改代码。 方向对着“做完”，但至少在这些测试里，自检没兜住物理一致性和交互稳定性。百灵大模型
所以，三项基准不是假的，只是范围窄。它能说明 Ling-3.2-flash 在这三项上已经能和 Claude Opus 5 掰手腕；说明不了它能不能替 Claude 写一整天代码、连续操作浏览器几个小时、把一个 3D 场景的细节做对。官方自己说了，和领先的闭源旗舰还有差距。
前两周免费，之后输入每百万 token 0.3 美元，输出 0.9 美元。 最划算的是拿手头的活跑一遍：一份长 PDF、一张设计稿、一个多轮小任务。榜单能告诉你它长了眼睛，只有你的任务能告诉你，它会不会干活。IT之家
