Ling-3.1-flash-1019 vs. Ling-3.1-flash: Gleiche Größe, gleicher Preis, eine höhere Token-Rechnung

Wenn Sie pro Token zahlen, Ling-3.1-flash-1019 ist ein kostenloses Upgrade gegenüber Ling-3.1-flash. Beide sind mit 0,30 US-Dollar pro Million Eingabe-Tokens und 0,90 US-Dollar pro Million Ausgabe-Tokens gelistet, beide stehen unter der MIT-Lizenz, beide sind 560-B-Parameter-Mixture-of-Experts-Modelle mit 25 B aktiven Parametern und beide belegen 573,8 GB auf der Festplatte. Wenn Sie pro erledigter Aufgabe zahlen, ist das Upgrade eher etwa 47 % teurer: Artificial Analysis hat für den 1019-Build 1,49 US-Dollar pro Intelligence-Index-Aufgabe gegenüber 1,01 US-Dollar für den Vorgänger gemessen, weil das neuere Modell etwa 59 % mehr Ausgabe-Tokens erzeugt, um zu seinen Antworten zu gelangen. Der Zuwachs von drei Punkten im Index zwischen ihnen – 44 gegenüber 41 – ist real. Die Frage, die diese Seite beantwortet, ist, wer dafür zahlen sollte.

Die Daten sind wichtig für das Verständnis des Restes. Ling-3.1-flash wurde Mitte Oktober unter MIT quelloffen gestellt, sein Repository am 13. Oktober erstellt und Ants Ankündigung folgte am 15. Oktober. Der 1019-Build wurde am 22. Oktober mit einer Punktzahl und ohne Download angekündigt, und seine Gewichte plus ein Basis-Checkpoint erschienen am 27. Oktober. Das ist also keine Generationenlücke. Es ist ein einziger Post-Training-Lauf, angewendet auf dieselbe Architektur, ausgeliefert fünf Tage nach der Zahl, die ihn beschreibt.

Was die beiden Checkpoints gemeinsam haben

Die Überlappung ist groß genug, dass die Migrationskosten praktisch null sind, was das Hauptargument für den neueren Build ist:

• Architektur — 72 Schichten, aufgeteilt in 63 KDA-Linear-Attention-Schichten und 9 gated MLA-Schichten im Verhältnis 7:1, plus 4 dichte Schichten.

• Experten — 512 geroutet, 8 pro Token aktiviert, 1 geteilt; versteckte Größe 4.096; Vokabular 157.184.

• Gewichte auf der Festplatte — 573,8 GB FP8-Safetensors über 54 Shards für beide, nach unserer Zählung aus den Dateiauflistungen der beiden Repositories.

• Lizenz — MIT für beide, einschließlich kommerzieller Weiterverbreitung.

• Preis — 0,30 $ Eingabe, 0,90 $ Ausgabe, 0,06 $ Cache-Lesen, ein kombinierter Preis von 0,19 $ bei einem Cache-Treffer-/Eingabe-/Ausgabe-Verhältnis von 7:2:1.

• Angegebener Kontext — ein 1M-Token-Fenster auf beiden Modellkarten; 262.144 Positionen und keine RoPE-Skalierung in beiden config.json-Dateien.

Diese letzte Zeile ist das Erste, was man verinnerlichen sollte, bevor man sie vergleicht. Auf dem Papier bieten beide Modelle eine Million Tokens. In der ausgelieferten Konfiguration sind beide bei 256K gedeckelt, es sei denn, man fügt ein Skalierungsschema hinzu, das Ant nicht enthalten hat. Die Einschränkung ist auf beiden Seiten identisch, entscheidet also nicht über den Vergleich – aber sie bedeutet, dass keiner der beiden Builds das Millionen-Token-Modell ist, das die Datenblätter bewerben, und wer eine 1M-Token-Workload plant, wählt zwischen zwei Modellen, die beide Arbeit erfordern, um dorthin zu gelangen.

Woher die drei Punkte kommen

Artificial Analysis misst die Headline-Lücke selbst: 41 für Ling-3.1-flash und 44 für Ling-3.1-flash-1019 auf dem Intelligence Index v4.3.2, wobei das ältere Modell den achten Platz von 122 und das neuere den vierten belegt. Das ist eine unabhängige Messung beider Endpunkte, was das Drei-Punkte-Delta zur verlässlichsten Zahl in diesem Vergleich macht.

Die Aufschlüsselung nach Benchmark ist herstellerangaben zufolge und sollte auch so verstanden werden – sie stammt aus der Model Card von Ant, nicht aus einem öffentlichen Harness:

• **{{1}}AA-Briefcase{{/1}}** — ungefähr 1.400 Elo bis 1.524 Elo. Dies ist der Benchmark für Artefakte aus Wissensarbeit, und eine Verschiebung um 124 Punkte ist der größte relative Zugewinn im Set.

• AutomationBench-AA — 62 % bis 68 %, eine Verbesserung um sechs Prozentpunkte bei der Automatisierung agentischer Aufgaben.

• CritPt — 18 % bis 26 %, der größte proportionale Sprung: acht Punkte in einem Physik-Reasoning-Set, bei dem die absoluten Punktzahlen für alle niedrig sind.

• SciCode — 54 % auf 57 %, die kleinste Veränderung der vier und diejenige, die am vorsichtigsten zu gewichten ist; Artificial Analysis weist SciCode für dieses Modell als „under review“ aus.

Zusammengenommen passt das Muster zu dem, was Ant nach eigenen Angaben getan hat: mehr Post-Training zu Reasoning und mehrstufiger Agentenarbeit, keine neue Fähigkeitsoberfläche. Die Zugewinne konzentrieren sich dort, wo Entscheidungsketten lang sind und wo eine teilweise richtige Antwort Teilpunkte einbringt. Am dünnsten fallen sie bei der reinen wissenschaftlichen Codegenerierung aus – genau dort, wo man erwarten würde, dass eine Post-Training-Auffrischung statt einer Architekturänderung am wenigsten bewirkt.

Die Rechnung: 59 % mehr Nachdenken

An diesem Punkt sind die beiden Modelle nicht mehr austauschbar. Artificial Analysis verzeichnete 220 Mio. Ausgabe-Tokens für den Index-Lauf von Ling-3.1-flash und 350 Mio. für den 1019-Lauf – ein Verhältnis von 1,59 – und ordnet den neueren Build bei der Ausführlichkeit auf dem letzten Platz von 48 Modellen ein, gegenüber einem Median von 140 Mio. Die Kosten für den Abschluss des Index stiegen von 1,01 $ auf 1,49 $ pro Aufgabe.

Skaliert man das auf eine Arbeitslast hoch: Bei 10.000 index-förmigen Aufgaben ergeben die Pro-Aufgabe-Werte etwa 10.100 $ beim älteren Checkpoint und 14.900 $ beim neueren. Die Tokenseite skaliert auf dieselbe Weise: Eine Arbeitslast, die auf Ling-3.1-flash 2,2 Milliarden Ausgabe-Tokens verbraucht, würde beim 1019-Build nach dem gemessenen Verhältnis etwa 3,5 Milliarden verbrauchen, was bei 0,90 $ pro Million 1.980 $ gegenüber 3.150 $ ergibt. Der Rest der Pro-Aufgabe-Lücke stammt aus Input- und Cache-Preisen, aber die Richtung wird durch die Tokenanzahl bestimmt: Sie kaufen drei Indexpunkte mit ungefähr sechs Zehnteln einer zusätzlichen Antwort pro Antwort.

Ob das ein guter Tausch ist, hängt vom Fehlermodus ab, gegen den Sie sich absichern. In einer Agentenschleife, in der ein falscher Tool-Aufruf einen Wiederholungsversuch, ein erneutes Einlesen des Kontexts oder eine menschliche Überprüfung auslöst, sind zusätzliche 59 % Tokens billig gegenüber einer vermiedenen Schleife. Bei Klassifikation, Extraktion, kurzem Chat oder jeder hochvolumigen Aufgabe, bei der die Antwort aus ein oder zwei Sätzen besteht, ist dasselbe Verhältnis reiner Overhead – und der Index wird es nie zeigen, weil der Index die schwierigen Fälle belohnt, auf die das Post-Training abzielte.

Die andere Hälfte des Kostenbildes ist die Preisstabilität. OrcaRouter stellt 200+ Modelle hinter einem einzigen Schlüssel zu 0 % Aufschlag auf die Listenpreise der Anbieter, sodass eine Preisänderung eines Anbieters für die von uns gerouteten Modelle noch am selben Tag durchgereicht wird. Die Ling-Reihe ist derzeit nicht in diesem Katalog enthalten, was bedeutet, dass die obigen Zahlen der Listenpreis von Ant und nichts anderes sind. Genau deshalb ist die Rechnung pro Aufgabe wichtiger als der Preis pro Token: Der Preis ist bei diesen beiden Modellen identisch, kann Ihnen bei der Auswahl also nicht helfen.

Geschwindigkeit: Es gibt eine Zahl, und sie gehört zum älteren Modell.

Artificial Analysis hat Ling-3.1-flash mit 215,7 Ausgabe-Tokens pro Sekunde und einer Zeit bis zum ersten Token von 1,73 Sekunden gemessen; damit rangiert es bei der Geschwindigkeit auf Platz sechs von 78 Modellen. Für Ling-3.1-flash-1019 enthält dieselbe Seite keine Angabe zur Ausgabegeschwindigkeit – zum Messzeitpunkt gab es keine öffentlich verfügbare API, die man hätte messen können, und die Gewichte wurden erst heute veröffentlicht. Welches Modell das schnellere ist, ist also keine Frage der Meinung; es ist das einzige der beiden, für das eine Messung vorliegt.

Kombiniert man das mit dem Token-Verhältnis, erhält man eine belastbare Schätzung, die klar als Arithmetik und nicht als Benchmark gekennzeichnet ist. Wenn beide Builds mit 215,7 Tokens pro Sekunde dekodierten, würde eine Antwort, die auf Ling-3.1-flash 1.000 Tokens umfasst, etwa 4,6 Sekunden Dekodierung dauern; die entsprechende 1.590-Token-Antwort im 1019-Build würde etwa 7,4 Sekunden dauern. Die Zeit bis zum ersten Token ist eine separate Variable und könnte sich in beide Richtungen bewegen. Der Punkt ist, dass ein Anstieg um 59 % bei den Tokens in realer Zeit nicht kostenlos sein kann, es sei denn, das neuere Modell dekodiert ebenfalls deutlich schneller, und niemand hat Belege veröffentlicht, dass es das tut.

Self-Hosting: identischer Footprint, anderes README

Auf Ihrer eigenen Hardware ist die Wahl einfacher, da das Deployment-Ziel unverändert bleibt. Beide Checkpoints benötigen dieselbe dokumentierte Konfiguration – acht H200s bei TP8 plus EP8 oder vier GB300s bei TP4 plus EP4 – und dasselbe SGLang-Day-0-Image, mit einem vLLM-Rezept, das Tensor-Parallelität von 8, Experten-Parallelität und drei spekulative Token nutzt. Da die Architekturen und Dateigrößen identisch sind, ist 1019 ein Drop-in-Ersatz: Tauschen Sie den Weight-Pfad aus, behalten Sie den Serving-Stack bei, und nichts anderes in Ihrer Infrastruktur muss davon wissen.

Zwei praktische Warnungen. Erstens: Die Quickstart der Modellkarte zu 1019 verweist in ihrem SGLang-Befehl noch auf inclusionAI/Ling-3.1-flash und sendet in ihrem Client-Beispiel "model": "Ling-3.1-flash"; wer das wörtlich übernimmt, serviert das Modell mit 41 Punkten, während er glaubt, das mit 44 Punkten zu testen. Zweitens: Der Basis-Checkpoint, den Ant zusammen mit 1019 veröffentlicht hat, ist Ling-3.1-flash-base — die Basis des älteren Modells, kein Snapshot von 1019 vor dem Post-Training. Wenn Sie das Upgrade fine-tunen wollen, ist das Rezept, das es hervorgebracht hat, nicht im Download enthalten. Wenn Sie etwas Eigenes auf einer 560B-Basis unter MIT aufbauen wollen, ist die Basis der richtige Ausgangspunkt, und die Indexlücke zwischen diesen beiden Checkpoints ist für Sie irrelevant.

So nennen wir sie: ein Name, zwei Builds

Die API-Lage ist unübersichtlicher als die Lage bei den Gewichten. Der Build 1019 ist ein mit Datumsstempel versehener Checkpoint unter einem Namen, den der meiste Serving-Code als denselben Modell-String wie seinen Vorgänger behandelt – einschließlich Ants eigenen Beispielen, die Ling-3.1-flash an beide schicken. Wenn Sie einen gehosteten Endpoint aufrufen, legen Sie den Build explizit fest, sonst wissen Sie nicht, welcher geantwortet hat. Artificial Analysis führte zum Zeitpunkt der Messung keine öffentlich verfügbare API für 1019 auf, daher läuft die Verfügbarkeit heute über die eigene API des Anbieters und mehrere Drittanbieter-Plattformen statt über einen etablierten, breit gespiegelten Endpoint.

Diese Unklarheit ist das stärkste Argument für Self-Hosting, wenn dir Reproduzierbarkeit wichtig ist, und das stärkste Argument fürs Warten, wenn nicht. Ein Modell, dessen Name seinen Build nicht erkennen lässt, ist ein Modell, das man im Nachhinein nicht prüfen kann, und „44 im Index“ ist keine Versionsnummer.

Welchen, je nach Job?

• Anspruchsvolles Schlussfolgern und Agentenarbeit über lange Zeiträume – nehmen wir Ling-3.1-flash-1019. Die Zugewinne konzentrieren sich genau dort, und die zusätzlichen Token sind der Mechanismus, kein Nebeneffekt.

• Hochvolumige Extraktion, Klassifizierung und kurze Chats – bleiben Sie bei Ling-3.1-flash. Sie würden 47 % mehr pro Aufgabe für Fähigkeiten zahlen, die diese Workloads nicht nutzen.

• Latenzempfindliche Produkte — bei Ling-3.1-flash bleiben, bis ein unabhängiger Durchsatzwert für 1019 vorliegt. Es ist das einzige der beiden mit einer gemessenen Geschwindigkeit.

• Feintuning oder Domänenanpassung – beginnen Sie mit Ling-3.1-flash-base und ignorieren Sie diesen Vergleich. Keiner der ausgerichteten Checkpoints liefert ein Trainingsrezept.

• Ein Modell, gemischter Traffic – Ling-3.1-flash-1019 als Standard, mit dem älteren Build dahinter für die günstigen, kurzen Anfragen. Die beiden teilen sich eine Architektur, einen Preis und einen Serving-Stack, sodass die Aufteilung des Traffics zwischen ihnen operativ nichts kostet.

Was dieses Urteil ändern würde, ist eine gemessene Dekodiergeschwindigkeit für den 1019-Build. Wenn sich herausstellt, dass er deutlich schneller als 215,7 Token pro Sekunde ist, schrumpft der Wall-Clock-Nachteil, und die Token-Rechnung wird zum einzigen echten Einwand. Ist er gleich schnell oder langsamer, taucht die 59 % zweimal auf – einmal auf der Rechnung und einmal bei der Latenz –, und das Argument, beide Checkpoints zu betreiben, statt flächendeckend zu upgraden, wird stärker. Bis jemand diese Zahl veröffentlicht, lautet die ehrliche Zusammenfassung, dass Ling-3.1-flash-1019 Qualität mit Tokens erkauft und Ling-3.1-flash Durchsatz zum selben Tarif verkauft. Keines ist die falsche Antwort; es sind verschiedene Produkte mit derselben Architektur.