AutoHotkey v2 白嫖蚂蚁百灵 Ling-3.2-Flash:还在限时免费的 560B 原生多模态 Agent 模型,一个热键「截屏喂图问 AI」+ 让模型看着屏幕干活(完整可运行代码)
平时想把 AI 接进 AutoHotkey,多半只能发纯文本;想在脚本里让它「看懂你的屏幕」,就得自己折腾本地视觉模型或付费的多模态 API。蚂蚁百灵这周(11 月 6 日)放出的 Ling-3.2-Flash 有点不一样:560B 总参、原生支持图像/文本/视频输入、自带「视觉反馈自检 + 异常自动重试」的 Agent 能力,OpenAI 兼容协议,上线前两周还能白嫖。本文就用 AutoHotkey v2 把它做成全局「截屏喂图问 AI 助手」——选中屏幕、按个热键,让模型帮你读图、排错、甚至返回下一步动作。前两周限时免费窗口(约到 11 月 20 日)到本文发稿时还开着。
把大模型塞进 AutoHotkey,过去两年是 Windows 效率党最上头的玩法。但真正做下来你会发现一个尴尬:绝大多数主流方案都在「纯文本」这层打转——选中一段文字,发给云端 API,换回一段文字。可你的电脑上真正卡脖子的活儿,很多是「看得见」的:报错弹窗、软件界面、Excel 布局、游戏画面、PDF 里的图表……要 AI 处理这些,就得把画面喂给它。
以前想走「截屏问 AI」这条路,选项都不太痛快:
• 本地视觉模型(Ollama + Qwen2.5-VL / LLaVA):免费私密,但要让非程序员自己装机下好几个 GB 模型,门槛过高。
• 付费多模态云 API:GPT-4o、Claude、Gemini 都能看图,但都要 key、按 token 烧钱,还要把屏幕内容交给第三方。
蚂蚁百灵这周端上来的 Ling-3.2-Flash,正好把「免费 + 多模态 + Agent」三点凑齐了:总参数 560B、单步激活 25B、原生 1M 上下文,能同时看文本和图像,还针对「多模态长程 Agent / 桌面自动化」做了强化——它自带的视觉反馈自检机制,会把自己看到的画面和预期结果比对、发现问题自动重试补偿。简单说,这可能是目前「看得懂屏幕、还免费」的模型里最好接的一个。本文用 AutoHotkey v2 把它做成全局热键,代码可直接运行。

