Ling 3.0 Flash Fin: Ant Groups Finanzmodell mit offenen Gewichten, jetzt unabhängig bewertet

Ling 3.0 Flash Fin, das finanzfokussierte Mixture-of-Experts-Modell aus dem inclu​sionAI-Labor von Ant Group, hat jetzt etwas, das ihm in seinen ersten drei Wochen fehlte: einen Benchmark-Wert von jemand anderem als dem Labor, das es gebaut hat. Artificial Analysis hat eine unabhängige Bewertung von Ling 3.0 Flash Fin veröffentlicht, bewertet es mit 23 im Intelligence Index (v4.3) und 24 im Finance & Accounting Index und platziert es auf der Pareto-Frontier dieses Index für Intelligenz gegenüber aktiven Parametern. Das Modell tauchte am 27. August 2026 als unangekündigter kostenloser API-Eintrag auf und erhielt am 3. September seine MIT-lizenzierten Gewichte; die externe Bewertung ist die erste echte Überprüfung, ob das Finanz-Tuning zusätzlich zu Ling 3.0 Flash etwas bringt — und sie fällt etwas anders aus, als die eigene Darstellung des Anbieters nahelegt.

Der Schnappschuss

Alles Folgende stammt aus der Modellkarte, dem Hugging-Face-Repository und der Bewertung von Artificial Analysis. Die ersten beiden wurden vom Anbieter verfasst; die dritte nicht.

• Was es ist — ein auf Finanzen spezialisiertes Mixture-of-Experts-Modell, das auf demselben Grundgerüst wie Ling 3.0 Flash basiert: 124B Gesamtparameter mit ~5,1B aktiven pro Token.

• Wo es steht — rein textbasiert, ein Kontextfenster von 262.144 Token und bis zu 32.768 Ausgabe-Token, in derselben Serving-Form wie sein übergeordnetes Modell.

• Was es kostet — 0 $ pro 1 Mio. Eingabe und 0 $ pro 1 Mio. Ausgabe in einer einmonatigen kostenlosen API-Testphase, die mit der Ankündigung vom 28. August eröffnet wurde; Artificial Analysis listet unabhängig denselben Nullpreis. Es wurde kein bezahlter Listenpreis veröffentlicht. Die BF16-Gewichte sind kostenlos zum Herunterladen und Selbsthosten.

• Was es tut — Reasoning ist standardmäßig aktiviert und kann deaktiviert werden, Funktionsaufrufe werden unterstützt, und strukturierte JSON-Ausgabe wird nicht erzwungen.

• Was sich geändert hat — ein offizieller Start am 28. August mit CICC, MIT-lizenzierte BF16-Gewichte auf Hugging Face am 3. September zusammen mit dem FinFIRST-Benchmark und am 16. September eine erste unabhängige Bewertung von Artificial Analysis.

• Was noch fehlt — ein bezahlter Listenpreis und ein Durchlauf von FinFIRST selbst durch Dritte.

Was die Modellkarte sagt

Die Modellkarte liegt auf Hugging Face unter der eigenen Organisation von inclu​sionAI, mit Gewichten dahinter. Seine Aussagen stammen weiterhin vom Anbieter selbst — Artificial Analysis misst das Modell und veröffentlicht eigene Indexwerte, führt aber Ants FinFIRST-Suite nicht erneut aus — lesen Sie die Karte also als Absichtserklärung und behandeln Sie ihre Benchmark-Zahlen als die von Ant. Es beschreibt Ling 3.0 Flash Fin als das „erste finanzoptimierte Modell“ der Familie, das Ling 3.0 Flash „durch kontinuierliches Training mit hochwertigen Finanzdaten“ erweitert, und stellt die Veröffentlichung in den Mittelpunkt: End-to-End-Finanzrecherche, quellenbasierte Suche, Multi-Dokumenten-Reasoning über Einreichungen hinweg sowie Bewertungs- und Tabellenkalkulations-Workflows.

• Architektur — 124B gesamt / ~5,1B aktive MoE, beschrieben als auf Ling 3.0 Flash aufbauend, das selbst einen hybriden Ki​mi Delta Attention + MLA-Stack mit 1/64 Sparse-MoE verwendet (Herstellerangabe).

• Kontext — 262.144 Eingabe-Token, bis zu 32.768 Ausgabe-Token.

• Modalität — Texteingabe, Textausgabe; keine Bild-, Audio- oder Videoeingabe.

• Reasoning — standardmäßig aktiviert, kann auf Anfrage deaktiviert werden.

— Tool-Aufrufe werden unterstützt, einschließlich Tools und tool_choice; response_format wird jedoch nicht unterstützt, daher ist gepipter JSON nicht garantiert.

Gewichte und Lizenz — MIT; der Checkpoint wird in BF16 (etwa 255 GB über 64 Shards) auf Hugging Face als inclusionAI/Ling-3.0-flash-Fin veröffentlicht, was dem permissiven Open-Weights-Standard der Familie entspricht.

• Bereitstellung — auf der Karte steht, dass Fin sich die Architektur mit Ling 3.0 Flash teilt und mit den SGLang- und vLLM-Runtimes kompatibel ist, die bereits das übergeordnete Modell bedienen. Diese Kompatibilität ist eine vom Anbieter getätigte Behauptung; die vorhandene Geschwindigkeitsangabe stammt von Artificial Analysis, nicht von Ant.

Was sich seit dem Release geändert hat — und was noch unbestätigt ist

Die Unbekannten, die vor drei Wochen am wichtigsten waren, sind geklärt. Ant Group hat am 28. August offiziell Ling 3.0 Flash Fin in Partnerschaft mit CICC angekündigt, es als das erste finanzoptimierte Modell der Familie positioniert und eine einmonatige kostenlose API-Testphase gestartet. Dann, am 3. September, erschien der BF16-Checkpoint in der Hugging-Face-Organisation von inclu​sionAI unter einer MIT-Lizenz – denselben permissiven Bedingungen wie beim Rest der Ling-3.0-Familie – sodass das Modell nun heruntergeladen, selbst gehostet und feinabgestimmt werden kann. Die fehlenden Gewichte waren der größte einzelne Grund, vorsichtig zu bleiben; dieser Einwand ist ausgeräumt.

Die Referenz für den Betrieb von Fin ist das oben gezeigte übergeordnete Modell. Da die beiden Modelle dieselbe Architektur teilen, verweist die Fin-Karte auf den Deployment-Leitfaden von Ling 3.0 Flash, anstatt einen zweiten zu veröffentlichen, und sie gibt an, dass Fin mit den SGLang- und vLLM-Runtimes kompatibel ist, die bereits das übergeordnete Modell bedienen. Das wird vom Anbieter behauptet, nicht mit einem Fin-spezifischen Production-Serving-Benchmark nachgewiesen – allerdings meldet Artificial Analysis Fin mit 162,4 Ausgabe-Tokens pro Sekunde in seiner eigenen Testumgebung, was schneller ist als der Median von 115, den es für vergleichbare Open-Weight-Modelle erfasst.

Was die Veröffentlichung zu mehr als einer bloßen Gewichtsveröffentlichung macht, ist FinFIRST – Financial Information Retrieval, Sourcing and Traceability – der Benchmark, den Ant Group mit dem Investmentbanking-Team von CICC entwickelt und am selben Tag veröffentlicht hat. Er testet, ob ein Modell die richtigen Daten finden, autoritative Primärquellen zitieren, die Berechnung korrekt durchführen und hinter dem Prozess stehen kann, wobei jede Antwort anhand von 701 granularen Punkten bewertet wird, die Ergebnis, Prozess und Belege abdecken. Das Set ist klein, aber anspruchsvoll: Mehr als 50 Finanzfachleute haben die Fragen geschrieben und validiert, nur 9,78 % der Kandidatenelemente haben das Screening überstanden, und die verbleibenden 123 sind zu 61,8 % rechenlastig und zu 32,5 % multiquellig. Da die Fragen, Referenzantworten und Bewertungskriterien unter einer Apache-2.0-Lizenz öffentlich sind, gibt FinFIRST Dritten einen gemeinsamen Maßstab, mit dem sie die Behauptungen von Ant überprüfen können. Ein Werkzeug für unabhängige Tests ist jedoch kein Ersatz dafür – und drei Wochen später hat niemand außerhalb von Ant einen FinFIRST-Durchlauf veröffentlicht.

Geld ist jetzt der wichtigste offene Punkt. Die API ist während der einmonatigen Testphase kostenlos, womit das Ende des kostenlosen Zeitfensters etwa auf Ende September fällt, und es wurde kein bezahlter Listenpreis veröffentlicht – Budgetplanung mit Fin über diesen Zeitpunkt hinaus bedeutet also weiterhin Raten. Alles andere, was im August offen war, hat inzwischen eine Zahl dahinter.

Warum ein finanzoptimiertes Ling 3.0 Flash ein echter Schachzug ist.

Die Finanzausrichtung ist das am wenigsten Überraschende an diesem Release, denn die Familie deutete bereits in diese Richtung. In Ants eigener Model-Card-Evaluierung für Ling 3.0 Flash berichtete das Labor von 27 % beim τ3-Bench Banking – Platz zwei unter den offenen Modellen der Flash-Klasse hinter DeepSeek V4 Flash – und dem höchsten End-to-End-Elo auf GDPVal v2-AA von etwa 1.107. Das sind herstellerseitig gemeldete Werte für den Generalisten; ein Spezialist existiert, um genau diese Zahlen nach oben zu treiben. Ant Group setzt KI in Alipay, Zahlungen, Risiko- und Anlageprodukten ein, daher ist ein auf Finanzen abgestimmtes Ausführungsmodell das erklärte Playbook der Familie – „Trennung von Planung und Ausführung“ – angewandt auf die Vertikale, in der das Unternehmen tatsächlich Geld verdient.

Der Screenshot oben zeigt, wie der unabhängige Referenzpunkt der Familie im August aussah: Artificial Analysis zeigte Ling 3.0 Flash mit 38 in einem älteren Build seines Intelligence Index. Diese Zahl ist inzwischen veraltet, und der Grund dafür lohnt sich zu verstehen, bevor man sie mit irgendetwas vergleicht. Artificial Analysis bewertet Modelle neu, wenn es den Index überarbeitet, und sein aktueller v4.3-Build setzt Ling 3.0 Flash bei 21 an – gegenüber einem Median von 8. Die 38 ist nicht mit einer v4.3-Zahl vergleichbar – auch nicht mit der von Fin.

Was v4.3 aussagt, ist interessanter als ein reines Downgrade. Ling 3.0 Flash Fin erreicht in diesem Index 23 Punkte – oberhalb seines eigenen Generalisten-Elternmodells mit 21 und nur knapp hinter Ling 3.0 Flash VL mit 25. Im Finance & Accounting Index liegen Fin und die VL-Variante mit 24 gleichauf. Artificial Analysis platziert Fin außerdem auf der Pareto-Frontier des Intelligence Index im Verhältnis zu aktiven Parametern: Es erreicht dieselbe Punktzahl von 23 wie MiniMax-M2.7, während es 5,1B Parameter pro Token aktiviert, im Vergleich zu den 10B jenes Modells. Die Nuance schlägt jedoch auch in die andere Richtung aus: Beide Ling-Modelle liegen unterhalb der Gesamtparameter-Frontier, wo Qwen3.8 27B (xhigh) mit 27B Gesamtparametern 34 Punkte erzielt.

Das Finanz-Tuning ist ebenfalls kein glatter Durchmarsch. Fins Genauigkeit beim Business-Wissen schlägt die der VL-Variante (17 % gegenüber 11 %), doch seine Halluzinationsrate ist schlechter (33 % gegenüber 19 %), und bei den agentischen Metriken liegt es zurück: 7 % bei AutomationBench-AA gegenüber 16 %, 1.171 Elo gegenüber 1.225 bei GDPval-AA v2 und 0 % bei Terminal-Bench v4.0 für beide. Außerdem verbraucht es rund 67.000 Ausgabe-Tokens pro Intelligence-Index-Aufgabe, etwa 34 % mehr als VL. Das ist das Profil eines Modells, das stark auf dokumentenlastige Finanzarbeit statt auf allgemeine agentische Ausführung ausgerichtet ist – was dem nahekommt, was Ant dafür beansprucht, und enger ist, als „besser in Finanzen“ klingt.

Kostenlose Testversion plus offene Gewichte — was das wert ist

Eine einmonatige kostenlose API-Testphase plus MIT-lizenzierte Gewichte sind eine deutlich bessere Ausgangslage als die kostenlose, gewichtslose Woche, die dieses Modell anfangs hatte. Die Chance ist zweigeteilt: Testen Sie das Finanz-Tuning an Ihren eigenen mehrstufigen Investment-Aufgaben zu null Tokenkosten über die API, oder laden Sie den BF16-Checkpoint herunter und führen Sie ihn selbst aus – und stimmen Sie ihn fein ab. Die Vorsicht ist geringer geworden, aber sie ist nicht verschwunden. Eine unabhängige Evaluierung ist ein echtes Signal, keine Produktionsgarantie, und was sie zeigt, ist eine Spezialisierung, die dokumentengestützte Genauigkeit um den Preis einer gewissen Einbuße bei Halluzinationskontrolle und agentischer Ausführung erkauft. Lassen Sie Ihre eigenen Aufgaben laufen, bevor Sie Geld darüber leiten.

Genau für diese Situation ist eine Routing-Ebene gemacht. Über eine einzige API, die über 200 Modelle anbindet, kannst du Ling 3.0 Flash Fin auf einen Testpfad setzen – mit automatischem Failover auf einen bewährten Generalisten. Wenn das neue Modell hinter den Erwartungen zurückbleibt oder das kostenlose Kontingent dich drosselt, verschiebt sich der Traffic, ohne dass du den Anwendungscode anfassen musst. Wenn die Testphase endet und ein Listenpreis feststeht, zeigt ein Router, der Anbieterpreise mit 0 % Aufschlag durchreicht, die neue Zahl noch am selben Tag, sodass sich dein Kostenmodell ohne Neuverhandlung aktualisiert. Probiere den Spezialisten aus, behalte das Sicherheitsnetz und entscheide anhand von Daten statt auf Basis von Anbieter-Werbetexten.

Wer sollte es aufladen

Finanz- und Agententeams, die Workflows für Investitionsanalysen, Recherche oder langfristige Entscheidungen entwickeln, sind die offensichtliche Zielgruppe, und sie teilen sich in zwei Lager: Teams, die vor Ablauf des kostenlosen Zeitfensters einen kostenlosen gehosteten Test des Finanz-Tunings wollen, und Teams, die selbst hosten oder feinabstimmen möchten, für die die offenen Gewichte der springende Punkt sind. Das Profil von Artificial Analysis schärft die Eignung – wenn Ihre Arbeitslast aus langen Einreichungen, quellenübergreifendem Abgleich und belegter Recherche besteht, sind Fins Bewertungen auf Sie zugeschnitten; wenn es um agentische Tool-Nutzung unter engen Token-Budgets geht, wirken die VL-Variante und das generalistische Muttermodell beide stärker.

Überspringen Sie es, wenn Sie eine erzwungene JSON-Ausgabe benötigen (der Endpunkt unterstützt kein response_format), wenn Sie eine bezahlte, produktionsreife API mit bekanntem Preis benötigen oder wenn Sie sich in einem regulierten Kontext befinden, in dem weder eine Anbieterkarte noch ein einzelner Drittanbieter-Index für sich genommen ein ausreichender Beleg ist. Der Open-Weights-Einwand, der im August galt, gilt nicht mehr — der MIT-Checkpoint ist auf Hugging Face. Für das am besten dokumentierte Mitglied der Familie bleibt Ling 3.0 Flash die sicherere Standardwahl.

Was zu sehen

Die August-Watchlist umfasste vier Punkte; drei sind jetzt erledigt. Abgeschlossen: die offizielle Ankündigung (28. August), die Veröffentlichung der Gewichte (3. September, MIT) und eine erste unabhängige Bewertung (16. September, Artificial Analysis). Noch offen, nach Wichtigkeit geordnet: ein Drittanbieter-Durchlauf von FinFIRST durch jemanden ohne Eigeninteresse an Ant, der den eigenen Benchmark des Anbieters auf neutralem Boden testen würde; ein kostenpflichtiger Listenpreis, der die Testkalkulation zu einer Budgetfrage macht; und Fin-spezifische Produktions-Serving-Zahlen auf vLLM oder SGLang, die die Card laut Architektur verspricht, aber niemand veröffentlicht hat.

Der ehrliche Status: Ling 3.0 Flash Fin ist zwanzig Tage alt, Open-Weights unter MIT, etwa weitere zehn Tage kostenlos über die API und jetzt mindestens einmal unabhängig bewertet. Im September war es keine Blackbox mehr – die Gewichte sind herunterladbar, FinFIRST gibt der Branche einen gemeinsamen Maßstab, und Artificial Analysis hat eine Zahl für das Modell statt für dessen Backbone vergeben. Was heute Realität ist: Ein auf Finanzen abgestimmtes Mitglied der am schnellsten voranschreitenden Open-Weight-Familie auf dem Markt ist kostenlos aufrufbar und kostenlos ausführbar, und die erste externe Messung besagt, dass die Spezialisierung echt, aber eng ist. Der erste FinFIRST-Score eines Dritten und der kostenpflichtige Preis werden aus dieser interessanten Veröffentlichung eine Entscheidung machen.