蚂蚁集团开源Ming-flash-omni 2.0：多模态理解、图像编辑与语音生成全线升级

2月11日，蚂蚁集团发布并开源全模态大模型 Ming-flash-omni 2.0。多项公开基准显示，它在视觉-语言理解、可控语音生成，以及图像生成与编辑等核心能力上表现亮眼，部分评测数据超过 Gemini 2.5 Pro，堪称开源全模态模型的新标杆。

Ming-flash-omni 2.0 还是业内首个覆盖全场景的音频统一生成模型，能在同一音轨里同时产出语音、环境音与音乐。用户只需用自然语言指令，就能细致控制音色、语速、语调、音量、情绪、方言等参数。模型推理阶段达成了 3.1Hz 的超低帧率，支持分钟级长音频的实时高保真合成，在推理效率与成本上保持领先。

（图说：Ming-flash-omni 2.0 在视觉语言理解、可控语音生成、以及图像生成与编辑等方面的实测表现已处于开源领先水平）

行业普遍认为，多模态大模型终将走向统一架构，让不同模态与任务更好协同。但现实中，“全模态”模型常难以兼顾通用性与专精度：在某些单项上，开源方案仍弱于专用模型。蚂蚁集团多年深耕这一方向，Ming-omni 系列据此持续演进：早期版本打牢统一多模态能力底座，中期版本验证规模扩张带来的能力跃升，而最新 2.0 依托更大数据与系统化训练优化，把多模态理解与生成推至开源领先，并在部分领域超过顶级专用模型。

此次将 Ming-flash-omni 2.0 开源，意味着其核心能力以“可复用底座”的形式对外释放，为端到端多模态应用开发提供统一能力入口。

Ming-flash-omni 2.0 基于 Ling-2.0 架构（MoE，100B-A6B）训练，围绕“看得更准、听得更细、生成更稳”三大目标做了全面优化。视觉方面，融合亿级细粒度数据与难例训练策略，显著提升对近缘动植物、工艺细节和稀有文物等复杂对象的识别能力；音频方面，实现语音、音效、音乐同轨生成，支持用自然语言精细调控音色、语速、情绪等参数，并具备零样本音色克隆与定制能力；图像方面，增强复杂编辑的稳定性，支持光影调整、场景替换、人物姿态优化及一键修图等功能，在动态场景中也能保持画面连贯与细节真实。

百灵模型负责人周俊表示，全模态的关键在于用统一架构把多模态能力深度融合、高效调度。开源后，开发者可在同一框架内复用视觉、语音与生成能力，明显降低多模型串联的复杂度和成本。接下来，团队会继续强化视频时序理解、复杂图像编辑与长音频的实时生成，同时完善工具链和评测体系，推动全模态技术在业务场景中规模化落地。

目前，Ming-flash-omni 2.0 的模型权重与推理代码已在 Hugging Face 等开源社区上线，用户也可通过蚂蚁百灵官方平台 Ling Studio 在线体验与调用。