2 月 11 日，螞蟻集團開源發(fā)布全模態(tài)大模型 Ming-Flash-Omni 2.0。在多項公開基準測試中，該模型在視覺語言理解、語音可控生成、圖像生成與編輯等關鍵能力表現突出，部分指標超越 Gemini 2.5 Pro，成為開源全模態(tài)大模型性能新標桿。

Ming-Flash-Omni 2.0 也是業(yè)界首個全場景音頻統(tǒng)一生成模型，可在同一條音軌中同時生成語音、環(huán)境音效與音樂。用戶只需用自然語言下指令，即可對音色、語速、語調、音量、情緒與方言等進行精細控制。模型在推理階段實現了 3.1Hz 的極低推理幀率，實現了分鐘級長音頻的實時高保真生成，在推理效率與成本控制上保持業(yè)界領先。

（圖說：Ming-Flash-Omni-2.0 在視覺語言理解、語音可控生成、圖像生成與編輯等核心領域實測表現均已達到開源領先水準）

業(yè)內普遍認為，多模態(tài)大模型最終會走向更統(tǒng)一的架構，讓不同模態(tài)與任務實現更深層協(xié)同。但現實是，“全模態(tài)”模型往往很難同時做到通用與專精：在特定單項能力上，開源模型往往不及專用模型。螞蟻集團在全模態(tài)方向已持續(xù)投入多年，Ming-Omni系列正是在這一背景下持續(xù)演進：早期版本構建統(tǒng)一多模態(tài)能力底座，中期版本驗證規(guī)模增長帶來的能力提升，而最新2.0版本通過更大規(guī)模數據與系統(tǒng)性訓練優(yōu)化，將全模態(tài)理解與生成能力推至開源領先水平，并在部分領域超越頂級專用模型。

此次將 Ming-Flash-Omni 2.0 開源，意味著其核心能力以“可復用底座”的形式對外釋放，為端到端多模態(tài)應用開發(fā)提供統(tǒng)一能力入口。

Ming-Flash-Omni 2.0 基于 Ling-2.0 架構（MoE，100B-A6B）訓練，圍繞“看得更準、聽得更細、生成更穩(wěn)”三大目標全面優(yōu)化。視覺方面，融合億級細粒度數據與難例訓練策略，顯著提升對近緣動植物、工藝細節(jié)和稀有文物等復雜對象的識別能力；音頻方面，實現語音、音效、音樂同軌生成，支持自然語言精細控制音色、語速、情緒等參數，并具備零樣本音色克隆與定制能力；圖像方面，增強復雜編輯的穩(wěn)定性，支持光影調整、場景替換、人物姿態(tài)優(yōu)化及一鍵修圖等功能，在動態(tài)場景中仍保持畫面連貫與細節(jié)真實。

百靈模型負責人周俊表示，全模態(tài)技術的關鍵在于通過統(tǒng)一架構實現多模態(tài)能力的深度融合與高效調用。開源后，開發(fā)者可基于同一套框架復用視覺、語音與生成能力，顯著降低多模型串聯(lián)的復雜度與成本。未來，團隊將持續(xù)優(yōu)化視頻時序理解、復雜圖像編輯與長音頻生成實時性，完善工具鏈與評測體系，推動全模態(tài)技術在實際業(yè)務中規(guī)?；涞?。

目前，Ming-Flash-Omni 2.0 的模型權重、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 在線體驗與調用。