Ling-3.0-flash-VL vs. Ling 3.0 Flash: Ein 124B-Gehirn, jetzt mit Augen

Ling-3.0-flash-VL und Ling 3.0 Flash sind keine Konkurrenten, und wer diese Paarung als einen Wettstreit zwischen Modellen liest, wird zu einer falschen Schlussfolgerung kommen. Ling-3.0-flash-VL ist der Vision-Language-Checkpoint, den das inclusionAI-Labor von Ant Group diese Woche veröffentlicht hat – die Gewichte liegen seit dem 4. September 2026 unter einer MIT-Lizenz auf Hugging Face – und er basiert direkt auf Ling 3.0 Flash, dem Textmodell des Labors mit 124B Parametern und offenen Gewichten, das seit Ende Juli dessen schnelle Stufe verankert. Beide teilen sich dasselbe hybride lineare MoE-Design, dieselbe Ökonomie sparsamer Aktivierung, dasselbe Serving-Rezept für einen 256K-Kontext und dieselbe MIT-Lizenz. Was der VL-Checkpoint hinzufügt, ist das Eine, was dem Textmodell nie zur Verfügung stand: native Bild- und Videoeingabe, umgesetzt über einen ViT-Encoder, einen zweischichtigen MLP-Projektor und VideoRoPE-Zeitkodierung. Damit reduziert sich der Vergleich auf eine einzige praktische Frage – wenn dein Workload nie ein Bild betrachtet, lohnt sich dann der Wechsel zu dem Modell mit Augen?

Die Frage ist überhaupt nur deshalb eine Überlegung wert, weil inclusionAI Ling-3.0-flash-VL nicht als separate Produktlinie präsentiert. Die Model Card bezeichnet es als „unser natives multimodales Modell der nächsten Generation“, das auf Ling-3.0-flash aufbaut, dessen Sprach-, Denk- und Langkontextfähigkeiten erbt und sie um Vision erweitert, die am gesamten Kreislauf aus Verstehen, Denken, Handeln und Verifizieren teilnimmt – nicht als Vision, die lediglich als nachgerüstete Eingabe hinzugefügt wird. Für eine Modellfamilie, deren frühere Flaggschiff-Veröffentlichung ausdrücklich rein textbasiert war, ist das eine echte Veränderung, und sie verändert, welchen Checkpoint ein Text-und-Tools-Team als Standard wählen sollte.

Zwei Checkpoints, ein Backbone

Ling 3.0 Flash, der Gegner in diesem Vergleich, ist der ausgereiftere der beiden. Angekündigt Ende Juli 2026 und am 7. August unter der MIT-Lizenz als Open Source veröffentlicht, ist es ein hybrid-lineares Mixture-of-Experts-Modell mit insgesamt 124B Parametern und etwa 5,1B aktiven pro Token – 35 KDA-Schichten und 7 Gated-MLA-Schichten im Stapelverhältnis 5:1, 512 geroutete Experten mit 8 aktivierten, ein nativer Kontext von 256K, der mit 262.144 Token bedient wird. Es ist rein textbasiert, mit Tool-Calling-Unterstützung, Denken standardmäßig über die Chat-Vorlage aktiviert, und einem für seine Größe ungewöhnlich niedrigen Kostenprofil. Es ist auch die dokumentierte Hälfte des Paares: Artificial Analysis führt es auf seinem Live-Ranking, wo es unter den 63 Modellen seiner Klasse auf Platz eins steht, und hat auf der Anbieter-API eine Ausgabe von etwa 313 Token pro Sekunde gemessen.

Ling-3.0-flash-VL behält diese Architektur bei und ergänzt sie um einen visuellen Stack. Die Karte beschreibt einen visuellen ViT-Encoder, dessen Merkmale durch einen zweischichtigen MLP-Projektor in den Textraum überführt werden, wobei VideoRoPE sowohl räumliche Position als auch zeitliche Reihenfolge codiert, sodass das Modell Ereignislokalisierung und Reasoning bei langen Videos durchführen kann. Das Backbone ist derselbe 5:1-KDA-zu-MLA-Hybrid, diesmal mit insgesamt 124B / 5,5B aktiven Parametern pro Token und einem 42-Layer-Trunk. Eingaben sind Text, Bild und Video; die Ausgabe ist Text. Der Kontext wird mit bis zu 1M Token angegeben, wobei das empfohlene SGLang-Rezept 256K über YaRN-Skalierung bedient. Wie sein Text-Pendant ist es standardmäßig mit aktiviertem Thinking ausgestattet (pro Anfrage über chat_template_kwargs deaktivierbar) und läuft entweder unter SGLang oder einem benutzerdefinierten inclusionAI-vLLM-Fork. Die BF16-Version umfasst etwa 250 GB auf der Festplatte, verteilt auf 64 Safetensor-Shards – dieselbe Klasse von einem Viertel-Terabyte wie die Gewichte des Textmodells.

Wie aktuell ist das? Zum Zeitpunkt der Erstellung dieses Textes hat das VL-Repository eine Download-Zahl im zweistelligen Bereich, seine Modellkarte wurde noch aktualisiert, und Artificial Analysis hat es nicht gelistet. Alles unten, was nicht ausdrücklich Artificial Analysis zugeschrieben wird, ist inclusionAIs eigene Berichterstattung.

Die Anzeigetafel

Die Asymmetrie hier ist nicht Qualität — es ist Modalität. Sechs Dimensionen erfassen die Entscheidung:

• Intelligenz (Herstellerkarte, AA Index v4.1.1) — Ling-3.0-flash-VL: 42, vom Hersteller angegeben. Ling 3.0 Flash: 38, der frühere Indexwert, den die Karte anführt.

• AA live board heute (v4.3) — Ling-3.0-flash-VL: noch nicht gelistet. Ling 3.0 Flash: geschätzt 25, auf Platz #1 von 63 in seiner Klasse.

• Eingaben — Ling-3.0-flash-VL: Text, Bild und Video. Ling 3.0 Flash: nur Text.

• Kontext — beide geben bis zu 1M Token an; beide werden heute praktisch mit 256K (262.144) bereitgestellt.

• Preis — Ling-3.0-flash-VL: noch kein Listenpreis, nur offene MIT-Gewichte. Ling 3.0 Flash: etwa 0,07 $ pro 1 Mio. Eingabe-Token und 0,22 $ pro 1 Mio. Ausgabe-Token über die eigene API des Anbieters.

• Wählen Sie es für — Ling-3.0-flash-VL: Dokumente, Screenshots, Diagramme, Video und GUI-agierende Agenten. Ling 3.0 Flash: textlastiges Tool-Calling und langfristige agentische Pipelines.

Die Anzeigetafel, in die das Textmodell nicht gelangen kann.

Hier gehen die beiden tatsächlich auseinander, und die Divergenz ist struktureller Natur, nicht wettbewerbsbedingt: Bei Bild- und Video-Benchmarks hat das reine Textmodell Ling 3.0 Flash überhaupt keinen Eintrag, weil es die Eingabe nicht annehmen kann. Die eigene Tabelle von Ling-3.0-flash-VL – die nicht reproduzierte Auswertung von inclusionAI, teils intern durchgeführt und teils gegen die APIs der Wettbewerber unter offiziellen Testbedingungen – zeigt Zahlen in den drei Bereichen, die das Datenblatt hervorhebt. Beim Verständnis komplexer Bilder erreicht es einen MMMU-Pro von 79.0 und einen MathVision von 84.87, mit einem deutlich niedrigeren Wert von 19.88 bei Humanity's Last Exam-Multimodal, was zeigt, wie schwer dieser Datensatz für alle ist. Bei Dokument- und Diagrammarbeit ist es stark: OmniDocBench1.5 mit 91.35 und CharXiv_RQ mit 81.30. Und bei den agentischen multimodalen Suiten, die dieses Release interessant machen – ClawEval-MM mit 59.9, WebVoyager mit 90.83, Vision2Web mit 57.69 – wird es aufgefordert, eine Benutzeroberfläche zu lesen und darauf zu handeln, was genau die GUI-Agenten-Aufgabe ist, die das Textmodell nicht übernehmen kann.

Liest man diese in ihrem Kontext, ergibt sich ein stimmiges Bild: Dies ist kein Modell, das darauf trainiert ist, Wissensfragen über Bilder zu gewinnen, sondern ein Modell, das darauf trainiert ist, Pixel in Aktionen umzusetzen – das Layout lesen, der Grafik folgen, die Seite bedienen. Auf der eigenen Grafik des Anbieters führt es das dreigliedrige Vergleichsfeld (Qwen3.8-27B mit hohem Reasoning-Aufwand, Gemini 3.5 Flash-Lite und Kimi-K2.6) bei OmniDocBench, WebVoyager und ClawEval-MM an und liegt bei anspruchsvollen Wissens- und Denkaufgaben wie MathVision und HLE-MM zurück. Behandeln Sie jede dieser Zahlen als eine Behauptung von inclusionAI, bis ein neutrales Labor sie bestätigt – doch die Ausrichtung des Trainings ist klar und konsistent.

Die eine Zahl, über die es sich zu streiten lohnt: 42 gegen 38

Die Behauptung, die ein reines Text-Team am ehesten zum Wechsel bewegen dürfte, ist die Schlagzeilen-Behauptung: inclusionAI meldet, dass Ling-3.0-flash-VL im Artificial Analysis Intelligence Index (v4.1.1) 42 Punkte erzielt, vier Punkte über den 38, die es dem Ling 3.0 Flash in derselben Indexversion zuschreibt. Man beachte, was dieser Index misst: Sein v4.1.1-Verbundwert stützt sich auf Text- und Agentic-Suiten – GDPval, Terminal-Bench, SciCode, GPQA Diamond, Humanity's Last Exam und Ähnliche –, keine davon sind Bildaufgaben. Der Anbieter behauptet also, dass das Hinzufügen von visuellem Training zum gemeinsamen Backbone die textseitige Intelligenz des Modells um vier Punkte verbessert hat, nicht nur, dass es nun Bilder beschreiben kann. Das ist eine bemerkenswerte und durchaus plausible Behauptung – multimodales Instruction-Tuning hebt häufig die Textfähigkeit.

Zwei quellenbezogene Vorbehalte halten diese Zahl in der richtigen Proportion. Erstens ist die 38 ein Wert aus einer früheren Indexgeneration: Artificial Analysis hat sein Live-Board inzwischen auf eine neuere Indexversion (v4.3) umgestellt, auf der Ling 3.0 Flash derzeit mit geschätzten 25 Punkten geführt wird und weiterhin den ersten Platz unter den 63 Modellen seiner Klasse belegt. Das 42-zu-38-Paar des Anbieters liegt auf der älteren Skala und sollte daher nicht als „vier Punkte über dem Wert, den AA dem Textmodell heute zuweist“ gelesen werden. Zweitens ist die 42 ein eigener Wert von inclusionAI für ein Modell, das Artificial Analysis noch nicht gelistet hat; zudem hat inclusionAI die Ergebnisse des VL-Checkpoints für die einzelnen Text-Suites (SWE-Bench, Terminal-Bench), die in der eigenen Textmodell-Grafik separat ausgewiesen werden, nicht veröffentlicht. Vier Punkte sind genau die Größe des Zugewinns, die man reproduzieren möchte, bevor man eine reine Text-Pipeline allein auf dieser Grundlage migriert.

Preis: einer hat einen Listenpreis, der andere nicht.

Der Kostenvergleich enthält derzeit nur einen einzigen Preis. Ling 3.0 Flash ist heute über die eigene API des Anbieters aufrufbar, zu etwa 0,07 $ pro 1 Mio. Eingabe-Tokens und 0,22 $ pro 1 Mio. Ausgabe-Tokens – vom Anbieter festgelegte Preise, bestätigt im Listing von Artificial Analysis. Dabei sind gecachte Eingaben günstiger, und die Einführungsrabatte sind ausgelaufen. Für Ling-3.0-flash-VL gibt es nirgendwo einen veröffentlichten API-Preis; man kann dafür noch nicht pro Token bezahlen. Wenn man es diese Woche nutzen möchte, muss man es selbst hosten: MIT-lizenzierte Gewichte mit etwa 250 GB in BF16, auf derselben Hardwareklasse, die das Textmodell bereits benötigt – 4× 141-GB-GPUs (H20-3e oder H200), ein Blackwell-Knoten mit 4 GPUs und Tensor-Parallelität 4 oder 8× 80-GB-H100/H800-GPUs bei TP8.

Das verschiebt die wirtschaftliche Rechnung für ein reines Text-Team. Wenn Sie Token kaufen, ist das Textmodell zu 0,07/0,22 USD günstig und bewährt. Wenn Sie das 124B-Textmodell bereits selbst betreiben, ist der VL-Checkpoint kein zweiter Infrastrukturkauf – es sind lediglich weitere ~250 GB an Gewichten auf derselben Serverklasse, gerechtfertigt allein durch Workloads, die tatsächlich Pixel verarbeiten. Das Modell mit Augen rentiert sich nur, wenn Augen im Spiel sind.

Wer sollte welche auswählen?

• Für reine Text-Workloads und hohe Volumina — bleiben Sie bei Ling 3.0 Flash. Sie erhalten ein bewährtes, AA-gelistetes Modell, einen echten Preis pro Token und ausgereiftes Tool-Calling. Beim VL-Modell ist der Vier-Punkte-Indexgewinn nicht reproduziert und sein Textdurchsatz nicht gemessen worden; es gibt noch keine Belege dafür, dass es das bessere Textmodell ist, sondern nur die Behauptung, dass es das sei.

• Vision kommt in den Loop — Dokumente, Screenshots, Diagramme, Fotos, Videoframes oder eine UI, die Ihr Agent lesen und bedienen muss — Ling-3.0-flash-VL ist die naheliegende Wahl, denn es ist dasselbe Reasoning-Grundgerüst, das Sie bereits kennen, ergänzt um den Vision-Stack, und kein separates multimodales Modell, das Sie von Grund auf neu evaluieren müssen.

• Mischverkehr, unentschieden – der risikoarme Schritt ist, beide erreichbar zu halten und pro Anfrage zu routen, statt die Architektur um eine Option herum neu aufzubauen. Genau das soll ein Modell-Gateway bieten: eine API für über 200 Modelle, die Listenpreise der Anbieter ohne Aufschlag zu 0 % Marge und automatisches Failover, wenn ein Anbieter nachlässt. Keiner der Ling-Checkpoints liegt bisher hinter einem OrcaRouter-Endpoint – der Preis des Textmodells ist der des Anbieters selbst, und das VL-Modell hat überhaupt keinen gehosteten Preis – aber sobald das VL einen solchen Preis bekommt, ist das Verschieben eines Teils des Traffics dorthin und das Messen eine Konfigurationsänderung und kein Integrationsprojekt.

Was fehlt noch?

• Ein unabhängiger Lauf von Ling-3.0-flash-VL auf einem aktuellen Artificial Analysis Intelligence Index — die 42 ist inclusionAIs Angabe zu einer früheren Indexversion.

• Jeder Preis für eine gehostete API des VL-Modells, der das größte Hindernis für die gelegentliche Nutzung darstellt.

• Veröffentlichte reine Text-Splits (SWE-Bench Pro, Terminal-Bench 2.1) für den VL-Checkpoint, damit ein textlastiges Team verifizieren kann, dass der Vision-Stack keinerlei Einbußen verursacht hat.

Ein End-to-End-Latenz- oder Durchsatzwert für VL unter Bildlast — die Geschwindigkeit des Textmodells wird gemessen; die des Bildmodells nicht.

Neutrale Bestätigung des Vision-Benchmark-Diagramms; Teile davon wurden auf inclusionAIs eigener Testumgebung ausgeführt, und mindestens ein interner Benchmark ist für eine spätere Veröffentlichung vorgesehen.

Das Urteil

Hier geht es nicht um einen Modellqualitäts-Wettbewerb; es ist eine Modalitätsentscheidung mit einer vierteiligen These. Wenn Ihre Eingaben Text sind, bleiben Sie bei Ling 3.0 Flash – es ist günstiger, AA-gelistet und empirisch belegt, und der Vorteil des VL-Modells gegenüber ihm ist derzeit eine Herstellerangabe auf einer älteren Indexskala. Wenn Ihr Workload von einem Bildschirm ausgeht – einer Dokumentseite, einem Screenshot, einer Grafik, einem Videobild, einer GUI, die Ihr Agent bedienen muss – dann ist Ling-3.0-flash-VL dasselbe 124B-Gehirn, das Sie bereits kennen, jetzt mit der Fähigkeit zu sehen, und das ist eine wirklich neue Option, die es in der schnellen Ling-Stufe vor einer Woche noch nicht gab. Setzen Sie es ein, wo Vision real ist, validieren Sie die 42, bevor Sie irgendetwas auf dieser Grundlage migrieren, und halten Sie die Wahl auf der Routing-Ebene reversibel, bis eine unabhängige Bewertung und ein Listenpreis vorliegen.