Ming-Flash-Omni: Eine spärliche, vereinheitlichte Architektur für multimodale Wahrnehmung und Erzeugung

Ming-Flash-Omni: A Sparse, Unified Architecture for Multimodal Perception and Generation

October 28, 2025

papers.authors: Inclusion AI, Bowen Ma, Cheng Zou, Canxiang Yan, Chunxiang Jin, Chunjie Shen, Dandan Zheng, Fudong Wang, Furong Xu, GuangMing Yao, Jun Zhou, Jingdong Chen, Jianing Li, Jianxin Sun, Jiajia Liu, Jianjiang Zhu, Jianping Jiang, Jun Peng, Kaixiang Ji, Kaimeng Ren, Libin Wang, Lixiang Ru, Longhua Tan, Lan Wang, Mochen Bai, Ning Gao, Qingpei Guo, Qinglong Zhang, Qiang Xu, Rui Liu, Ruijie Xiong, Ruobing Zheng, Sirui Gao, Tianqi Li, Tinghao Liu, Weilong Chai, Xinyu Xiao, Xiaomei Wang, Xiaolong Wang, Xiao Lu, Xiaoyu Li, Xingning Dong, Xuzheng Yu, Yi Yuan, Yuting Gao, Yuting Xiao, Yunxiao Sun, Yipeng Chen, Yifan Mao, Yifei Wu, Yongjie Lyu, Ziping Ma, Zhiqiang Fang, Zhihao Qiu, Ziyuan Huang, Zizheng Yang, Zhengyu He

cs.AI

papers.abstract

Wir stellen Ming-Flash-Omni vor, eine weiterentwickelte Version von Ming-Omni, die auf einer stärker sparsifizierten Mixture-of-Experts (MoE)-Variante von Ling-Flash-2.0 basiert. Das Modell verfügt über insgesamt 100 Milliarden Parameter, von denen pro Token nur 6,1 Milliarden aktiv sind. Diese Architektur ermöglicht ein hocheffizientes Skalieren (eine dramatische Verbesserung der Recheneffizienz bei gleichzeitiger signifikanter Erweiterung der Modellkapazität) und stärkt eine leistungsfähigere, vereinheitlichte multimodale Intelligenz über Vision, Sprache und Text hinweg, was einen wichtigen Schritt in Richtung einer Künstlichen Allgemeinen Intelligenz (AGI) darstellt. Im Vergleich zu seinem Vorgänger zeigt die weiterentwickelte Version substanzielle Verbesserungen bei multimodalem Verständnis und multimodaler Generierung. Wir haben die Sprachverarbeitungsfähigkeiten erheblich vorangetrieben und erreichen Spitzenleistungen in der kontextuellen automatischen Spracherkennung (ASR) sowie äußerst wettbewerbsfähige Ergebnisse in der dialektbewussten ASR. Bei der Bildgenerierung führt Ming-Flash-Omni hochpräzises Text-Rendering ein und zeigt deutliche Verbesserungen bei der Szenenkonsistenz und Identitätserhaltung während der Bildbearbeitung. Darüber hinaus führt Ming-Flash-Omni die generative Segmentierung ein – eine Fähigkeit, die nicht nur eine starke eigenständige Segmentierungsleistung erzielt, sondern auch die räumliche Kontrolle bei der Bildgenerierung verbessert und die Bearbeitungskonsistenz erhöht. Bemerkenswerterweise erzielt Ming-Flash-Omni Spitzenergebnisse in der Text-zu-Bild-Generierung und der generativen Segmentierung und setzt neue Bestmarken auf allen 12 Benchmarks für kontextuelle ASR – alles innerhalb einer einzigen, vereinheitlichten Architektur.

English

We propose Ming-Flash-Omni, an upgraded version of Ming-Omni, built upon a sparser Mixture-of-Experts (MoE) variant of Ling-Flash-2.0 with 100 billion total parameters, of which only 6.1 billion are active per token. This architecture enables highly efficient scaling (dramatically improving computational efficiency while significantly expanding model capacity) and empowers stronger unified multimodal intelligence across vision, speech, and language, representing a key step toward Artificial General Intelligence (AGI). Compared to its predecessor, the upgraded version exhibits substantial improvements across multimodal understanding and generation. We significantly advance speech recognition capabilities, achieving state-of-the-art performance in contextual ASR and highly competitive results in dialect-aware ASR. In image generation, Ming-Flash-Omni introduces high-fidelity text rendering and demonstrates marked gains in scene consistency and identity preservation during image editing. Furthermore, Ming-Flash-Omni introduces generative segmentation, a capability that not only achieves strong standalone segmentation performance but also enhances spatial control in image generation and improves editing consistency. Notably, Ming-Flash-Omni achieves state-of-the-art results in text-to-image generation and generative segmentation, and sets new records on all 12 contextual ASR benchmarks, all within a single unified architecture.