2月11日消息 今日，螞蟻集團開源發布全模態大模型 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，成為開源全模態大模型性能新標桿。

Ming-Flash-Omni 2.0 也是業界首個全場景音頻統一生成模型，可在同一條音軌中同時生成語音、環境音效與音樂。

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界領先。

螞蟻集團在全模態方向已持續投入多年，Ming-Omni 系列迭代三個版本，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，為端到端多模態應用開發提供統一能力入口。

據了解，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”三大目標全面優化。

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，增強復雜編輯的穩定性，支持光影調整、場景替換、人物姿態優化及一鍵修圖等功能，在動態場景中仍保持畫面連貫與細節真實。

目前，Ming-Flash-Omni 2.0 的模型權重、推理代碼已在 Hugging Face 等開源社區發布。用戶也可通過螞蟻百靈官方平臺 Ling Studio 在線體驗與調用。