
Ling-3.0-flash: Was wir jetzt über Ant Groups Open-Weight-Fast-Tier-MoE wissen
- OrcaNEUOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 pro 1 Mio. Tokens · 186 tok/s
- openaiNEUOpenAI: GPT-6.2 Astra2026-11-17$8.00 / $40.00 pro 1 Mio. Tokens · 86 tok/s
- openaiNEUOpenAI: GPT-6.2 Sol2026-11-17$2.00 / $10.00 pro 1 Mio. Tokens · 151 tok/s
- tencentNEUTencent: Hy4 Flash2026-11-16$0.02 / $0.07 pro 1 Mio. Tokens · 192 tok/s
- AlibabaNEUQwen: Qwen4 Max2026-11-16$1.50 / $4.50 pro 1 Mio. Tokens · 86 tok/s
- GoogleNEUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 pro 1 Mio. Tokens · 705 tok/s
- AnthropicNEUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 pro 1 Mio. Tokens · 246 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 pro 1 Mio. Tokens · 97 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 pro 1 Mio. Tokens · 138 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 pro 1 Mio. Tokens · 85 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 pro 1 Mio. Tokens · 122 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 pro 1 Mio. Tokens · 102 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 pro 1 Mio. Tokens · 70 tok/s
- openaiOpenAI: GPT-6.1 Terra2026-10-26$1.00 / $5.00 pro 1 Mio. Tokens · 35 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 pro 1 Mio. Tokens · 89 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 pro 1 Mio. Tokens · 38 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligenz
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 pro 1 Mio. Tokens · 231 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligenz
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 pro 1 Mio. Tokens · 101 tok/s
Ling-3.0-flash – Ant Groups InclusionAI-Fast-Tier-MoE, angekündigt am 24. Juli 2026 und am 7. August unter MIT quelloffen veröffentlicht – verfügt nun über einen konkreten Bereitstellungspfad für ein einzelnes Gerät. Am 27. Oktober veröffentlichte NVIDIA ein technisches Rezept, das zeigt, dass der FP4-Build des Modells auf einem DGX Spark 53,89 Token pro Sekunde dekodiert – 42,5 % mehr als 37,81 Tok/s –, und zwar über alle 1.319 GSM8K-Fragen hinweg, wobei die Genauigkeit statistisch unverändert bleibt. Dies sind NVIDIAs eigene Messungen auf NVIDIAs eigener Hardware, kein unabhängiger Drittanbieter-Lauf, und sie gelten für Batchgröße 1. Sie ersetzen nicht die unten aufgeführten Werte der gehosteten API. Sie verwandeln jedoch den zuvor vagen „Single-DGX-Spark-Bereitstellungspfad“ des Modells in eine veröffentlichte Konfiguration mit einer Baseline, einem Protokoll und einem dokumentierten Fehlerfall.
Das Modell selbst hat sich nicht verändert. Es ist ein natives Hybrid-Reasoning-Mixture-of-Experts mit insgesamt 124B Parametern und 5,1B aktiven Parametern pro Token, konzipiert als schnelle, günstige Stufe der Ling-Familie; die MIT-lizenzierten Gewichte sind seit dem 7. August auf Hugging Face und ModelScope verfügbar. Was sich seit der August-Version dieses Beitrags geändert hat, ist der umgebende Kontext. Die Auswertung von Artificial Analysis, die dieser Beitrag im August zitierte, bewertete Ling-3.0-flash mit 38 auf ihrem Intelligence Index und platzierte es auf die Open-Weights-Pareto-Frontier für Intelligenz gegenüber Gesamtparametern. Die Live-Seite von AA markiert das Modell jetzt zugunsten von Ling-3.1-flash als veraltet, verweist Leser dorthin und zeigt keinen aktuellen Intelligence Index mehr an. Die 38 ist nach wie vor die letzte unabhängige Bewertung, die dieser Checkpoint erhalten hat; sie ist keine aktuelle Live-Zahl.
Diese Überarbeitung integriert die DGX-Spark-Messung vom Oktober und korrigiert die Teile des August-Beitrags, die sich geändert haben – die aktuellen Geschwindigkeitswerte von AA und seinen Deprecation-Status –, während die Quellenkennzeichnungen unverändert bleiben. Wo Ant Group oder NVIDIA die einzige Quelle für eine Zahl ist, wird dies im Satz angegeben.
TL;DR. Ling-3.0-flash ist Ant Groups Open-Weight-MoE der schnellen Klasse: 124B gesamt / 5,1B aktiv, MIT-Lizenz, 256K nativer Kontext (262K in der Auslieferung). Es ist nicht mehr das neueste Ling – AA markiert es zugunsten von Ling-3.1-flash als veraltet –, bleibt aber verfügbar, dokumentiert und verfügt nun über eine gemessene Rezeptur für ein einzelnes Gerät. NVIDIAs DGX-Spark-Konfiguration vom 27. Oktober erreicht 53,89 Tok/s bei Batch-Größe 1 auf GSM8K, +42,5 % gegenüber der eigenen Baseline, laut Herstellerangabe. In der gehosteten API listet AA derzeit 243 Ausgabe-Tok/s und eine Time-to-First-Token von 2,79 s. Weiterhin nur Herstellerangaben: Ants Behauptung von über 1.100 Tok/s Spitzendurchsatz, die TTFT-Angabe von unter 100 ms und die Benchmark-Tabelle der Model Card. Die Preise der Erstanbieter-API liegen bei 0,075 $ Eingabe / 0,22 $ Ausgabe pro 1 Mio Token (80 % Rabatt bei Cache-Treffern); die kostenlose Startstufe endete am 3. August, und die 75-%-Rabatt-Aktion für Ling Studio endete am 31. August.
Wichtige Erkenntnisse
Es ist die schnelle, günstige Stufe – nicht das Flaggschiff. Das 1T-Parameter-Flaggschiff der vorherigen Generation bleibt InclusionAIs größtes Modell; Ling-3.0-flash ist das kleinere, schnellere Geschwistermodell, das auf Text in hohem Volumen und Tool-Calling ausgerichtet ist.
• Die Modellgewichte sind weiterhin unter der MIT-Lizenz offen. Sie sind am 7. August auf Hugging Face (inclusionAI/Ling-3.0-flash) und ModelScope erschienen, und der MXFP4-Build, den NVIDIA für den DGX Spark dokumentiert, wird zusammen mit den BF16- und FP8-Checkpoints ausgeliefert.
• Der unabhängige Score ist inzwischen Geschichte. Der in diesem Beitrag im August zitierte AA-Lauf bewertete es mit 38 – 24 mehr als Ling-2.6-flash – und setzte es auf die Pareto-Frontier der Open-Weights; AA's Live-Seite kennzeichnet das Modell nun zugunsten von Ling-3.1-flash als veraltet und zeigt keinen aktuellen Intelligence Index.
• Bei der Geschwindigkeit gibt es drei Referenzpunkte, und sie sind nicht austauschbar. AA listet derzeit 243 Output-tok/s auf der gehosteten API auf; NVIDIA misst 53,89 tok/s auf einem einzigen DGX Spark bei Batch-Größe 1; Ant behauptet weiterhin 1.100+ tok/s auf spezifizierter Cluster-Hardware.
• Die Preise stehen fest, und die Aktionen sind beendet. 0,075 $ für Eingaben / 0,22 $ für Ausgaben pro 1 Mio Token mit 80 % Rabatt bei Cache-Treffern; das kostenlose Startangebot endete am 3. August, und der 75%-Rabattzeitraum von Ling Studio endete am 31. August.
• Es ist ein Teil einer Familie aus drei Modellen. InclusionAI unterteilt seine Modellpalette in Ling (Allzweck-Text- und Tool-MoE, dieses Modell), Ring (Reasoning) und Ming (multimodal).
Ein Hinweis dazu, wie dieses Update zu lesen ist: Es handelt sich um eine Überarbeitung der Vorschau vom 24. Juli und der vorausgegangenen Revision vom 8. August. Das DGX Spark-Ergebnis vom 27. Oktober ist das neue Material; die AA-Korrekturen sind Aufräumarbeiten, damit der Beitrag nicht einen Live-Score zitiert, den es nicht mehr gibt. Jede Spezifikation, jeder Benchmark und jeder Preis unten ist mit Quellenangabe gekennzeichnet.
Was wir tatsächlich wissen
Die Architektur ist auf der Model Card vollständig dokumentiert. Ling-3.0-flash verwendet einen nativen hybrid-linearen Attention-Stack – Kimi Delta Attention (KDA) und Gated-MLA-Schichten im Wechsel im Verhältnis 5:1 (35 KDA + 7 MLA, insgesamt 42 Schichten), mit feinkörnigem diagonalem Gating bei KDA – aufbauend auf einem 1/64-sparse MoE (512 geroutete Experten, 8 pro Token aktiviert, plus ein gemeinsamer Experte). So erreicht es 124 Mrd. Gesamtparameter bei nur 5,1 Mrd. aktiven. Das Kontextfenster umfasst nativ 256K, in den Inference-Rezepten werden 262.144 Token bedient, und Ant behauptet, die Architektur lasse sich auf 1M skalieren. Die maximale Ausgabelänge wird nicht offengelegt. Das Modell ist rein textbasiert und unterstützt Tool-Calling; multimodale Eingaben sind in der separaten Ming-Reihe angesiedelt.
Zwei Gewichtsformate werden vom Labor veröffentlicht — BF16 (rund 255 GB) und FP8 (rund 128 GB) — und von der Community quantisierte Varianten sind auf der Modellkarte verlinkt. Das DGX-Spark-Rezept verwendet ein drittes: einen MXFP4-Build, der in die 121 GB Unified Memory des Geräts passt. Die eigenen Deployment-Rezepte des Labors zielen auf SGLang und vLLM ab; NVIDIAs Spark-Pfad nutzt einen SGLang-Build von InclusionAI mit ergänztem Humming-MoE-Backend.
Verfügbarkeit: offene Gewichte unter MIT
Am 7. August hat das InclusionAI-Team von Ant Group die Gewichte unter der MIT-Lizenz auf Hugging Face (inclusionAI/Ling-3.0-flash) und ModelScope als Open Source veröffentlicht. Das ist eine permissive, kommerziell nutzbare Lizenz – dieselbe, unter der Ling 2.0 und Ling 2.6 erschienen sind – und sie bedeutet, dass Sie Ling-3.0-flash selbst hosten, feinabstimmen und bereitstellen können, statt es über eine API zu mieten. Das Modell ist außerdem über Ants eigene Entwickler-API und mehrere Drittanbieterplattformen aufrufbar. Für ein Modell der schnellen Kategorie zu diesem Preis ist die interessante Frage nicht mehr, ob Sie selbst hosten können; sie lautet, ob ein einzelnes 121-GB-Gerät ausreicht. InclusionAIs Ling Cookbook enthält jetzt ein DGX-Spark-Notebook, das gemeinsam Ant Group und NVIDIA zugeschrieben wird, und der verwendete MXFP4-Checkpoint wird zusammen mit den anderen Formaten veröffentlicht. Der folgende Abschnitt ist die erste gemessene Antwort auf diese Frage.

Unabhängige Bewertungen: ein Ergebnis vom August, heute historisch
Die größte einzelne Veränderung gegenüber dem Juli-Beitrag war, dass unabhängige Zahlen auftauchten. Die Auswertung von Artificial Analysis, die dieser Beitrag im August zitierte, bewertete Ling-3.0-flash mit 38 auf dem Intelligence Index – 24 Punkte über der vorherigen Fast-Tier-Generation, Ling-2.6-flash (14), und gleichauf mit MiMo-V2.5 und Qwen 3.6 27B, während es nur einen Bruchteil von deren Parametern aktivierte. AA setzte das Modell außerdem auf die Open-Weights-Pareto-Frontier für Intelligenz gegenüber Gesamtparametern: Damals erzielte kein Open-Weights-Modell mit weniger Gesamtparametern einen höheren Wert. Der Open-Weights-Spitzenreiter im Flash-Tier bei AA, DeepSeek V4 Flash, erzielte einen noch höheren Wert (Index 52 bei maximalem Reasoning-Aufwand).
Dieser Eintrag wurde inzwischen zurückgezogen statt widerlegt. Die Live-Seite von AA für Ling-3.0-flash kennzeichnet das Modell jetzt zugunsten von Ling-3.1-flash als veraltet, verweist Leser auf das neuere Modell und zeigt keinen aktuellen Intelligence Index an. Die 38 bleibt der letzte unabhängige Wert, den dieser Checkpoint erhalten hat; betrachten Sie sie als datiertes Ergebnis, nicht als Live-Ranking. Wenn Sie heute ein Ling-Modell wählen, sollten Sie den Vergleich mit Ling-3.1-flash anstellen, das AA derzeit abdeckt.
Auch die agentischen und Long-Context-Ergebnisse dieser Evaluation waren in der Tendenz ebenfalls stark. In der Banking-Suite τ3-Bench von AA erzielte Ling-3.0-flash 27 % und lag damit unter den Open-Weight-Modellen der Flash-Klasse hinter DeepSeek V4 Flash (39 %) auf dem zweiten Platz. Auf GDPval-AA v2 erreichte es einen Elo-Wert von 1108, ein Anstieg von 545 bei Ling-2.6-flash. Ant trainierte das Modell in über 10.000 interaktiven Umgebungen (laut Anbieter) und bewirbt es als Ausführungsknoten für Agenten-Workflows – schnell, günstig und verzichtbar, wobei das aufwendige Reasoning einem größeren Flaggschiffmodell überlassen bleibt.
Ein Vorbehalt zur Quellenlage: Die Benchmark-Tabelle auf der Modellkarte von Ant — SWE-Bench Pro 56.6, SWE-bench Multilingual 72.4, MathArena AIME 2026 93.2, HLE 22.7 — ist vom Hersteller angegeben und wurde nicht unabhängig reproduziert. Betrachten Sie sie als die eigenen Angaben des Labors, in derselben Kategorie wie die unten aufgeführten Spitzengeschwindigkeitswerte.
Geschwindigkeit: drei Zahlen, drei verschiedene Setups
Die Geschichte zur Geschwindigkeit umfasst jetzt drei Zahlen, und als Erstes gilt es, sie nicht länger als dieselbe Messung zu behandeln.
Auf der gehosteten API führt Artificial Analysis derzeit 243 Ausgabe-Tokens pro Sekunde und eine Time-to-First-Token von 2,79 s auf. Das ist niedriger als die 368 Tok/s und 1,98 s, die dieser Beitrag im August nannte – das Anbieterpanel und die Testläufe von AA ändern sich, und die Live-Seite ist heute die maßgebliche Quelle. Das Modell rangiert damit weiterhin nahe der Spitze seiner Geschwindigkeitsklasse.
Auf einem einzelnen DGX Spark meldet NVIDIA 53,89 Decode-Token pro Sekunde bei Batch-Größe 1 auf GSM8K, eine Steigerung von 42,5 % gegenüber der eigenen Baseline. Das ist ein lokaler Wert für einen einzelnen Nutzer, nicht vergleichbar mit einer API-Durchsatzzahl und kein Parallelitätsergebnis. Der nächste Abschnitt schlüsselt ihn auf.
Auf angegebener Cluster-Hardware behauptet {{1}}Ant{{/1}}, mit einer hierarchischen Caching-Schicht auf Basis von {{2}}SGLang HiCache{{/2}} und {{3}}Mooncake{{/3}} eine durchschnittliche Ausgaberate von über 1.100 Token pro Sekunde und eine Time-to-First-Token unter 100 ms zu erreichen. Das bleibt weiterhin eine reine Herstellerangabe — gemessen auf Hardware und Batch-Setups, die {{4}}Ant{{/4}} kontrolliert, ohne dass eine unabhängige Wiederholung veröffentlicht wurde. Verwenden Sie für die Planung den {{5}}AA{{/5}}-Wert für gehostete Workloads, den {{6}}NVIDIA{{/6}}-Wert für einen einzelnen Spark und behandeln Sie 1.100+ Token/s als Obergrenze, die an Ihrem eigenen Workload zu verifizieren ist.
Ein DGX Spark: Was die 42,5 % tatsächlich messen
Am 27. Oktober veröffentlichte der technische Blog von NVIDIA eine Anleitung zum Bereitstellen von Ling-3.0-flash-fp4 auf einem DGX Spark – dem GB10-Desktop-System mit 121 GB Unified Memory –, und das Ling Cookbook von InclusionAI enthält das entsprechende Notebook, das gemeinsam Ant Group und NVIDIA zugeschrieben wird. Ant Groups eigener Bericht beschrieb die Arbeit als technische Zusammenarbeit mit NVIDIA. Dies ist ein sorgfältiger Benchmark statt einer Demo: alle 1.319 GSM8K-Fragen, Five-Shot-Chain-of-Thought, Batchgröße 1, Temperatur 0,6, Top-p 0,95, Top-k 29 und eine Obergrenze von 32.768 Tokens.
Die Basislinie ist ein W4A8-Build, der mit FlashInfers MXFP4-MoE-Kernels, CUTLASS-Dense-GEMM und einem 32-Bit-LM-Head bereitgestellt wird. Auf dieser Basislinie läuft die Decodierung mit 37,81 Tok/s. Mit drei kombinierten Änderungen läuft sie mit 53,89 Tok/s — die 42,5 % aus der Schlagzeile. Die mittlere Zeit pro Ausgabe-Token sinkt von 26,45 ms auf 18,56 ms (−29,8 %), die mittlere End-to-End-Latenz von 15,21 s auf 11,49 s (−24,5 %), P50 von 8,36 s auf 6,11 s und P95 von 50,20 s auf 38,60 s. Die GSM8K-Genauigkeit verändert sich von 96,89 % auf 96,82 %, eine Differenz von 0,08 Punkten, die NVIDIA als statistisch nicht nachweisbar bezeichnet. Die mittlere Zeit bis zum ersten Token ist praktisch unverändert, 0,207 s bis 0,214 s. Dies sind Decodierungsgewinne, keine Prefill-Gewinne.
Die drei Änderungen zielen auf unterschiedliche Kosten ab:
• Humming-MXFP4-MoE-Kernels ersetzen das FlashInfer-Backend. Humming kompiliert die Kernels zur Laufzeit mit NVRTC für die exakten Shapes des Modells – einschließlich seiner schmalen 768-breiten MoE-Zwischengröße – und speichert sie in ~/.humming/cache zwischen. In NVIDIAs synthetischem Test steigert allein dies den Durchsatz um 9,3 %.
• Online-FP8-Quantisierung des LM-Heads. Der Head bleibt im Checkpoint BF16, und seine GEMM der Größe 157.184 × 2.560 liest bei jedem Token den gesamten Gewichtsblock; eine Quantisierung auf FP8 beim Laden halbiert diesen Leseaufwand. Sie wird mit SGLANG_ENABLE_FP8_LM_HEAD=1 aktiviert, was mit dem --enable-fp32-lm-head der Baseline kollidiert, und ergibt 11,4 % mehr als Humming allein.
• NEXTN-Multi-Token-Vorhersage. Die integrierte NEXTN-Schicht des Modells entwirft drei Tokens und verifiziert ein Fenster von vier Tokens. Auf GSM8K beträgt die durchschnittlich akzeptierte Entwurfslänge 2,68 Tokens pro Runde.
Im selben Beitrag gibt es eine zweite, lautere Zahl: Eine synthetische Workload mit 32K-Eingabe / 2K-Ausgabe steigt bei Batch-Größe 1 von 36,09 auf 102,88 tok/s, +185,1 %. NVIDIA selbst warnt davor, daraus zu verallgemeinern. Dieser Lauf nutzte Greedy-Decoding, eine feste 2K-Ausgabe und repetitiven Text; die Akzeptanz erreichte 3,90 Tokens pro Runde gegenüber 2,68 bei GSM8K. Die 42,5 % bei GSM8K sind die Zahl, an der man sich orientieren sollte. Die 185,1 % sind eine synthetische Obergrenze im Bestfall.
Eine betriebliche Falle wiegt schwerer als der Geschwindigkeitsgewinn. FP8-LM-Head-Quantisierung und MTP lassen sich nur kombinieren, wenn das Draft-Modell das gesamte LM-Head-Modul des Target-Modells teilt und nicht bloß dessen Gewichtstensor. Ohne diese Schnittstelle fällt das Framework stillschweigend zurück, liest FP8-Gewichte als BF16, senkt die Akzeptanzrate auf 1,00 und kann am Ende langsamer sein als die nicht optimierte Baseline. NVIDIAs Empfehlung lautet, beim Start zu prüfen, ob jede Optimierung aktiv ist, statt dies aus späteren Zeitmessungen abzuleiten.
Was das für Leserinnen und Leser ändert: Der Single-Spark-Pfad ist keine Herstellerfolie mehr. Er ist ein veröffentlichtes Rezept mit einer Basislinie, einem Messprotokoll und einem ausdrücklich genannten Fehlermodus – genug, um ihn auf dem eigenen Gerät zu reproduzieren oder zu verwerfen. Was sich nicht ändert: Es ist weiterhin eine Messung von NVIDIA selbst, auf einem Gerät, bei Batchgröße 1, für Decode. Sie sagt nichts über gleichzeitiges Serving, Durchsatz bei langem Kontext oder die gehostete API aus. Und sie gilt speziell für den FP4-Build; die BF16- und FP8-Checkpoints haben andere Speicher- und Bandbreitenprofile.
Preise: günstig, und die Aktion ist vorbei.
Artificial Analysis führt die First-Party-API mit 0,075 USD pro 1 Mio. Eingabe-Tokens und 0,22 USD pro 1 Mio. Ausgabe-Tokens auf, bei Cache-Treffern 0,015 USD (−80 %) – alles vom Anbieter festgelegte Preise. Die kostenlose Startstufe (500.000 kostenlose Tokens/Tag, kostenloser API-Zugang) endete am 3. August. Der temporäre Rabattzeitraum von 75 % auf Ling Studio lief bis zum 31. August 2026; seit dem 1. September gilt der Listenpreis. Selbst zum vollen Listenpreis liegt Ling-3.0-flash mit 0,075/0,22 USD eindeutig im günstigen Segment – für ein Modell mit einem Index von 38 in dieser Bewertung.
Bei so niedrigen Preisen zählen die Wechselkosten mehr als der Preis pro Token. Die Aufgabe von OrcaRouter ist es, die gehostete Seite dieses Vergleichs ehrlich zu halten: eine API für über 200 Modelle, die Listenpreise der Anbieter werden mit 0 % Aufschlag durchgereicht, und automatisches Failover zwischen Anbietern. Eine lokale DGX Spark-Bereitstellung muss einen echten, aktuellen Marktpreis schlagen und nicht eine Anbieterpräsentation — und wenn ein gehosteter Anbieter seinen Preis ändert, zeigt die Durchreichung es am selben Tag auf demselben Schlüssel.
Die Familie Ling / Ring / Ming
Ling-3.0-flash existiert nicht isoliert – InclusionAI organisiert seine Releases in drei benannte Familien, die jeweils auf eine andere Aufgabe ausgerichtet sind. Ling ist die universelle MoE-Reihe für alltägliche Textgenerierung und Tool-Calling, und Ling-3.0-flash liegt an ihrem schnellen/günstigen Ende, eine Stufe unter dem 1T-Parameter-Flaggschiff der vorherigen Generation. Ring ist die auf Reasoning fokussierte Reihe, konzipiert für mehrstufige Gedankengänge (Chain-of-Thought). Ming ist die multimodale Reihe. Wenn Ihre Aufgabe schwereres Reasoning oder Bildeingaben erfordert, ist das richtige InclusionAI-Modell wahrscheinlich nicht Ling-3.0-flash – es ist auf Durchsatz und Geschwindigkeit innerhalb der Text-und-Tools-Spur ausgelegt.
Für wen es gedacht ist: vier Szenarien
1. Hochvolumige, latenzempfindliche Text- oder Tool-Aufruf-Pipelines
Das ist das Terrain des Modells. Mit MIT-Lizenz, einem veröffentlichten Single-Spark-Rezept und einem datierten unabhängigen Index-Wert von 38 ist die Wette auf das Fast-Tier testbar statt hypothetisch — führe dein eigenes Evaluationsset damit durch oder lade die Gewichte herunter und hoste selbst. Bau nur nicht auf der Obergrenze des Anbieters von 1.100+ tok/s auf, bevor du sie auf deiner Workload gemessen hast.
2. Teams, die langen Kontext mit begrenztem Budget benötigen
Ein nativer Kontext von 256K (262K bereitgestellt) mit einem angegebenen Weg zu 1M zu $0.075/$0.22 ist eine attraktive Kombination für retrieval-intensive oder dokumentenverarbeitende Arbeiten. Die Langkontext-Zahlen der Modellkarte sind vom Anbieter angegeben, daher sollten Sie das Modell gegenüber etablierten Langkontext-Optionen in die engere Auswahl aufnehmen und es an Ihrem eigenen Korpus verifizieren, bevor Sie sich festlegen.
3. Beobachter, die die chinesische MoE-Landschaft und die InclusionAI-Roadmap verfolgen
Die Juli-Frage – würde InclusionAI offen bleiben? – hat jetzt eine Antwort: ja, MIT, und zwar schnell. Dass Ling-3.0-flash mit 5,1B aktiven Parametern auf der AA-Pareto-Front landete, war ein Datenpunkt. Das Oktober-DGX-Spark-Rezept ist ein zweiter: ein 124B-Modell, das mit 53,89 tok/s auf einem einzigen Desktop-Rechner bei Batchgröße 1 dekodiert – und das Rezept wurde veröffentlicht.
4. Teams mit einem einzelnen DGX Spark auf dem Schreibtisch
Wenn du die Box bereits besitzt, ist NVIDIAs Rezept die erste Konfiguration, die es sich zu kopieren lohnt: MXFP4-Build, InclusionAIs SGLang-Fork, Humming-MoE-Kernel, ein FP8-LM-Head und NEXTN-MTP. Betrachte es als die Messung eines einzelnen Herstellers bei Batch-Größe 1 und prüfe beim Start, ob die FP8- und MTP-Komponenten tatsächlich aktiv sind – der stille Fallback als Fehlermodus ist real. Wenn du keinen Spark besitzt, ist das Rezept ein Datenpunkt dazu, was 121GB Unified Memory bringt, kein Grund, einen zu kaufen.
Was ist noch unverifiziert?
Eine kurze Liste, jetzt, da die großen Lücken geschlossen sind. Ants Spitzengeschwindigkeitsangaben (1.100+ tok/s, TTFT unter 100 ms) wurden weiterhin nicht unabhängig nachgemessen. Die Benchmark-Tabelle der Modellkarte bleibt eine Anbieterangabe. Die FP4/INT4-Builds und der Single-DGX-Spark-Pfad sind nicht mehr vage — NVIDIA hat die Konfiguration veröffentlicht und InclusionAI liefert das Notebook — doch die Angaben 53,89 tok/s und 96,82 % sind NVIDIAs eigene Messungen auf einem Gerät bei Batchgröße 1, keine Reproduktion durch Dritte. Der unabhängige Score ist historisch: Die in diesem Beitrag im August zitierte Bewertung gab ihm 38, und die Live-Seite markiert das Modell inzwischen zugunsten von Ling-3.1-flash als veraltet. Und beim Wissen zeigte der Omniscience Index aus dieser Bewertung, dass die Verbesserung gegenüber der vorherigen Generation größtenteils durch Enthaltung zustande kam — Halluzinationen gingen zurück (97 % → 44 %), während die Genauigkeit nur leicht stieg (16 % → 18 %) — verwechseln Sie den prominenten Sprung des Index also nicht mit einem umfassenden Wissenssprung.
Wann nicht verwenden
Für multimodale Arbeit sollten Sie Ling-3.0-flash überspringen – das ist die Ming-Linie. Überspringen Sie es, wenn Sie ein schweres Reasoning-Flaggschiff statt eines schnellen Executors brauchen – das ist Rings Revier. Wenn Sie Self-Hosting planen, kalkulieren Sie die tatsächliche Hardware ein: BF16 belegt rund 255 GB, FP8 rund 128 GB, und der MXFP4-Build ist der, der in einen DGX Spark mit 121 GB passt. Wenn Sie ein Ling-Modell neu auswählen, statt ein bestehendes Deployment zu warten, vergleichen Sie zuerst mit Ling-3.1-flash; AA hat seine Abdeckung dorthin verlagert. Und wenn Ihnen eine Behauptung wichtig ist, überprüfen Sie sie – die Zahlen zur Spitzengeschwindigkeit und zum Langkontext stammen von Ant, bis ein unabhängiges Labor sie erneut prüft.
FAQ
Ist Ling-3.0-flash Open Weight?
Ja. Die Gewichte wurden am 7. August unter der MIT-Lizenz auf Hugging Face (inclusionAI/Ling-3.0-flash) und ModelScope als Open Source veröffentlicht. Das ist eine freizügige, kommerziell nutzbare Lizenz — dieselbe, unter der Ling 2.0 und Ling 2.6 veröffentlicht wurden.
Wie schneidet Ling-3.0-flash bei Benchmarks ab?
Die Bewertung von Artificial Analysis, die in diesem Beitrag im August zitiert wurde, bewertete es mit 38 Punkten auf dem Intelligence Index – 24 Punkte mehr als Ling-2.6-flash – und ordnete es auf der Pareto-Grenze für Open-Weights-Modelle für Intelligenz gegenüber Gesamtparametern ein. Die Live-Seite von AA kennzeichnet das Modell inzwischen zugunsten von Ling-3.1-flash als veraltet und zeigt keinen aktuellen Intelligence Index an, weshalb 38 ein historisches Ergebnis ist. Die Benchmark-Tabelle auf der Modellkarte von Ant (zum Beispiel SWE-Bench Pro 56,6) beruht auf Herstellerangaben und wurde nicht unabhängig reproduziert.
Wie schnell ist es wirklich?
Es gibt drei verschiedene Zahlen für drei verschiedene Setups. AA listet derzeit 243 Ausgabe-Tokens pro Sekunde und eine Time-to-First-Token von 2,79 s auf der gehosteten API. NVIDIA meldet 53,89 Decode-Tok/s bei Batch-Größe 1 auf einem DGX Spark. Ant gibt an, 1.100+ Tok/s und eine TTFT von unter 100 ms auf der angegebenen Cluster-Hardware zu erreichen. Nur die AA-Zahl ist unabhängig; die anderen beiden sind Herstellermessungen auf unterschiedlicher Hardware.
Was kostet Ling-3.0-flash?
{{1}}AA{{/1}} führt die First-Party-API mit $0.075 pro 1 Mio. Eingabe-Tokens und $0.22 pro 1 Mio. Ausgabe auf, mit 80 % Rabatt bei Cache-Treffern. Das kostenlose Startangebot endete am 3. August, und der temporäre 75%-Rabattzeitraum für Ling Studio endete am 31. August 2026.
Was ist der Unterschied zwischen Ling, Ring und Ming?
Ling ist InclusionAIs allgemeine MoE-Reihe für Text- und Tool-Calling-Aufgaben, und Ling-3.0-flash bildet das schnelle und günstige Ende dieser Reihe. Ring ist die auf Reasoning ausgerichtete Reihe. Ming übernimmt multimodale Aufgaben. Es handelt sich um getrennte Familien für unterschiedliche Aufgaben, nicht um Stufen eines einzigen Modells.
Kann Ling-3.0-flash auf einem einzelnen DGX Spark laufen?
Ja. NVIDIA hat am 27. Oktober ein Rezept für den MXFP4-Build auf einem DGX Spark (121 GB vereinheitlichter Speicher) veröffentlicht, unter Verwendung von Humming-MXFP4-Kernels, einem FP8-LM-Head und NEXTN-Multitoken-Vorhersage. Es meldet 53,89 tok/s Decode bei Batchgröße 1 über 1.319 GSM8K-Fragen, ein Zuwachs von 42,5 %, bei 96,82 % Genauigkeit. Die Ergebnisse stammen von NVIDIA selbst, wurden nicht unabhängig reproduziert und gelten nur bei Batchgröße 1; die Kombination von FP8 mit MTP erfordert, dass der Draft den vollständigen LM-Head teilt, da sonst der Durchsatz unter die unoptimierte Baseline fallen kann.
Sollte ich heute Ling-3.0-flash in der Produktion einsetzen?
Es ist ein ausgereiftes Modell mit offenen Gewichten, aber nicht mehr das neueste Ling: AA stuft es zugunsten von Ling-3.1-flash als veraltet ein. Wenn Sie bereits Ling-3.0-flash betreiben, ist das DGX-Spark-Rezept eine konkrete Optimierung, die es sich lohnt zu reproduzieren. Wenn Sie sich neu entscheiden, vergleichen Sie mit Ling-3.1-flash und testen Sie mit Ihrem eigenen Evaluationsset; die MIT-Lizenz und der Preis von $0.075/$0.22 machen es weiterhin zu einer glaubwürdigen günstigen Preisstufe.
Fazit
Ling-3.0-flash ist nicht mehr das neueste Ling, und die Live-Seite von AA sagt das auch. Was es hat, das die meisten Open-Weight-Modelle nie bekommen, ist eine gemessene Einzelgeräte-Konfiguration: ein DGX Spark, 53,89 Dekodier-tok/s bei Batch-Größe 1, 96,82 % auf GSM8K, wobei Baseline, Protokoll und Fehlermodus daneben veröffentlicht wurden. Betrachte die 42,5 % als NVIDIAs eigenes Ergebnis statt als unabhängiges Urteil und betrachte den August-Index von 38 als Geschichte. Innerhalb dieser Grenzen bleibt das Modell eine glaubwürdige lokale Option für die schnelle Stufe; wenn du von vorn beginnst, ist Ling-3.1-flash der erste Vergleich, den du anstellen solltest.
