蚂蚁百灵大模型团队近日正式推出了全新开源全模态大模型——ming-flash-omni-preview，标志着首个参数规模突破千亿的全模态模型正式向社区开放。该模型基于ling 2.0的稀疏moe架构构建，总参数量达103b，激活参数仅为9b，在保持高效推理的同时显著提升了多模态理解与生成能力。
相较于此前广受好评的Ming-lite-omni-1.5，新模型在图像、视频、语音等多个模态任务中实现了全面升级，尤其在可控图像生成、流式视频理解和高精度语音识别方面表现突出，整体性能位居当前开源全模态模型前列。
Ming-flash-omni-Preview 模型结构示意图：
据团队介绍，Ming-flash-omni-Preview 在技术层面进行了多项关键优化，主要体现在以下三个方面：
1) 基于稀疏专家架构的全模态协同训练
本模型将Ling-flash-2.0所采用的稀疏MoE架构成功扩展至全模态场景，并沿用Ming-lite-omni提出的模态级路由机制，实现对不同模态数据分布和专家分配策略的精准建模，达成“大容量、小激活”的高效运行模式。通过在注意力层引入VideoRoPE（Video Rotary Position Embedding），增强了对长时视频内容的时空建模能力，显著提升视频交互理解水平。
在训练稳定性方面，团队采用了混合式专家负载均衡方案：
- 结合辅助负载均衡损失函数与路由器偏置动态更新机制，确保各专家模块被均匀激活，保障稀疏训练过程中的收敛性；
- 针对语音识别任务，提出上下文感知ASR训练范式，以任务类型或领域信息作为解码条件输入，有效提升专有名词识别准确率及转录一致性；
- 同时引入涵盖湖南话、闽南话、粤语等在内的15种高质量中国方言语料，使方言识别性能获得显著增强。
2）生成式分割与编辑一体化训练范式
在统一多模态系统中，如何深度融合图像的理解与生成能力是一大核心挑战。虽然Ming-lite-omni-1.5通过冻结语言通路并引入多尺度QueryToken注入层级化语义，在一定程度上实现了理解与生成的融合，但由于两类任务目标本质差异，诸如物体属性、空间关系等细粒度视觉知识仍难以有效迁移至生成端，限制了生成质量与控制精度。
为此，Ming-flash-omni-Preview创新性地提出 “生成式分割即编辑”（Generative Segmentation as Editing） 的协同训练框架。该方法将传统图像分割任务重构为语义保持型编辑指令，例如：“把香蕉涂成紫色”。这一设计的关键优势在于：
- 强制统一理解与生成的目标函数：成功的编辑必须依赖对目标对象轮廓和语义的精确理解；
- 编辑结果的质量直接构成对理解能力的监督信号，形成闭环反馈；
- 显著增强模型在时空维度上的细粒度语义控制能力，间接缓解文本到图像生成中的组合性难题。
实验表明，在GenEval基准测试中，Ming-flash-omni-Preview取得0.90分的成绩，超越所有非强化学习（non-RL）方法；在GEdit基准上的精准编辑任务（如物体删除、替换）平均得分从6.9跃升至7.9。这些成果验证了该范式不仅提升了编辑能力，还能有效泛化至自由文本驱动的图像生成任务。
3) 高效全模态训练架构设计
全模态基础模型的训练常面临两大瓶颈：数据异构性（各模态序列长度不一）与模型异构性（专用编码器结构差异导致并行困难），易引发负载不均、内存碎片和流水线气泡，严重影响训练效率。
针对上述问题，团队基于Megatron-LM框架实施了两项关键技术改进：
- 序列打包（Sequence Packing）：将多个变长多模态序列智能打包为固定长度批次，大幅提升内存利用率和计算密度；
- 弹性编码器分片（Flexible Encoder Sharding）：扩展支持模态特定编码器在数据并行（DP）、管道并行（PP）和张量并行（TP）维度上的细粒度切分，消除流水线等待，实现真正的负载均衡。
这些优化使得Ming-flash-omni-Preview的训练吞吐量相比基线系统提升近一倍，大幅缩短了大规模全模态模型的迭代周期。
目前，Ming-flash-omni-Preview 的完整模型权重与训练代码已全面开源，欢迎开发者与研究者使用：
GitHub: https://www.php.cn/link/eb901025f1ff4d8010f655b42a33210d
HuggingFace: https://www.php.cn/link/341c1d108df518a9ad0047345b7b641a
ModelScope: https://www.php.cn/link/fc815a0b7bc84dce6b9c6f8ca4c28ad5
