蚂蚁开源Ming-Flash-Omni 2.0：全模态模型性能对标Gemini 2.5 Pro

2月11日消息 今日，蚂蚁集团正式开源发布了全模态大型模型 Ming-Flash-Omni 2.0版本。

在多项公开基准测试中，该模型在视觉语言理解、语音可控生成、图像生成与编辑等关键能力上表现突出，部分指标甚至超越了 Gemini 2.5 Pro，堪称开源全模态大模型领域的性能新标杆。

Ming-Flash-Omni 2.0 也是业界首个可实现全场景音视频统一生成的模型，能够在同一条音轨中同步生成语音、环境音效与背景音乐。

用户仅需使用自然语言描述指令，即可实现对音色、语速、语调、音量、情绪与方言等进行精细控制。

模型在推理阶段实现了3.1Hz的极低推理帧率，能够以分钟级长度实现音频的实时高保真生成，在推理效率与成本控制方面保持业界领先。

蚂蚁集团在全模态方向已持续投入多年，Ming-Omni 系列历经三个版本的迭代。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了统一的能力入口。

据了解，Ming-Flash-Omni 2.0基于 Ling-2.0 架构训练，围绕“看得更准、听得更细、生成更稳”三大目标进行全面优化。

视觉方面，融合了亿级细粒度数据与难例训练策略，显著提升了对近缘动植物、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，支持通过自然语言精细控制音色、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，增强了复杂编辑的稳定性，支持光影调整、场景替换、人物姿态优化及一键修图等功能，在动态场景中仍能保持画面连贯与细节真实。

目前，Ming-Flash-Omni 2.0 的模型权重、推理代码已在开源社区发布。用户也可通过蚂蚁百灵最新平台 Ling Studio 进行在线体验与调用。