Ling-3.0-flash: Lo que ahora sabemos sobre el MoE de peso abierto de nivel rápido de Ant Group
Guides & Insights

Ling-3.0-flash: Lo que ahora sabemos sobre el MoE de peso abierto de nivel rápido de Ant Group

Autor

jinhao.song

Fecha de publicación

Últimos modelos · 20Ver todos los modelos →
Benchmarks: Artificial Analysis · actualizado a diario
Volver a todas las publicaciones

Ling-3.0-flash —el MoE de nivel rápido de InclusionAI de Ant Group, anunciado el 24 de julio de 2026 y publicado como código abierto bajo MIT el 7 de agosto— ahora cuenta con una ruta concreta de despliegue en un solo dispositivo. El 27 de octubre, NVIDIA publicó una receta técnica que muestra la compilación FP4 del modelo decodificando a 53,89 tokens por segundo en una única DGX Spark, un 42,5 % más que 37,81 tok/s, en las 1.319 preguntas de GSM8K, con una precisión estadísticamente sin cambios. Se trata de mediciones de NVIDIA en su propio hardware, no de una ejecución independiente de terceros, y se aplican a un tamaño de lote de 1. No sustituyen las cifras de la API alojada que aparecen a continuación. Sin embargo, convierten la antes vaga "ruta de despliegue en una única DGX Spark" del modelo en una configuración publicada con una línea base, un protocolo y un modo de fallo documentado.

El modelo en sí no ha cambiado. Es un modelo nativo de mezcla de expertos con razonamiento híbrido, con 124B parámetros totales y 5,1B activos por token, concebido como el nivel rápido y económico de la familia Ling; los pesos con licencia MIT están en Hugging Face y ModelScope desde el 7 de agosto. Lo que ha cambiado desde la versión de agosto de esta entrada es el historial que lo rodea. La evaluación de Artificial Analysis, citada en esta entrada en agosto, otorgó a Ling-3.0-flash una puntuación de 38 en su Índice de Inteligencia y lo situó en la frontera de Pareto de pesos abiertos en inteligencia frente a parámetros totales. La página en vivo de AA ahora marca el modelo como obsoleto en favor de Ling-3.1-flash, remite allí a los lectores y ya no muestra un Índice de Inteligencia actual. El 38 sigue siendo la última puntuación independiente que recibió este checkpoint; no es una cifra en vivo.

Esta revisión incorpora la medición de DGX Spark de octubre y corrige las partes de la publicación de agosto que han cambiado —las cifras de velocidad actuales de AA y su estado de deprecación—, manteniendo intactas las etiquetas de procedencia. Cuando Ant Group o NVIDIA es la única fuente de una cifra, la frase lo indica.

Resumen. Ling-3.0-flash es el MoE de pesos abiertos de gama rápida de Ant Group: 124B totales / 5,1B activos, licencia MIT, contexto nativo de 256K (262K tal como se sirve). Ya no es el Ling más reciente —AA lo marca como obsoleto en favor de Ling-3.1-flash—, pero sigue disponible, documentado y ahora cuenta con una receta medida para un solo dispositivo. La configuración DGX Spark de NVIDIA del 27 de octubre alcanza 53,89 tok/s con tamaño de lote 1 en GSM8K, +42,5 % sobre su propia línea base, según el proveedor. En la API alojada, AA indica actualmente 243 tok/s de salida y 2,79 s hasta el primer token. Aún solo del proveedor: la afirmación de Ant de más de 1.100 tok/s de rendimiento máximo, la cifra de TTFT inferior a 100 ms y la tabla de benchmarks de la ficha del modelo. El precio de la API de primera parte es 0,075 $ de entrada / 0,22 $ de salida por 1M de tokens (80 % de descuento en aciertos de caché); el nivel gratuito de lanzamiento terminó el 3 de agosto y la promoción de 75 % de descuento de Ling Studio terminó el 31 de agosto.

Puntos clave

• Es el nivel rápido y económico, no el buque insignia. El buque insignia de 1T de parámetros de la generación anterior sigue siendo el modelo más grande de InclusionAI; Ling-3.0-flash es el hermano menor y más rápido, orientado a texto de alto volumen y a la invocación de herramientas.

• Los pesos siguen abiertos bajo MIT. Se publicaron en Hugging Face (inclusionAI/Ling-3.0-flash) y ModelScope el 7 de agosto, y la compilación MXFP4 que NVIDIA documenta para la DGX Spark se distribuye junto con los checkpoints BF16 y FP8.

• La puntuación independiente ahora es histórica. La evaluación de AA que citó esta publicación en agosto le otorgó 38, 24 puntos más que Ling-2.6-flash, y lo situó en la frontera de Pareto de pesos abiertos; la página en vivo de AA ahora marca el modelo como obsoleto en favor de Ling-3.1-flash y no muestra ningún Índice de Inteligencia actual.

• La velocidad tiene tres puntos de referencia, y no son intercambiables. AA actualmente indica 243 tok/s de salida en la API alojada; NVIDIA mide 53,89 tok/s en un DGX Spark con tamaño de lote 1; Ant aún afirma 1.100+ tok/s en hardware de clúster especificado.

• Los precios ya están fijados y las promociones han terminado. $0.075 de entrada / $0.22 de salida por 1M de tokens con un 80% de descuento por acierto de caché; el nivel gratuito de lanzamiento finalizó el 3 de agosto, y el período de 75% de descuento de Ling Studio terminó el 31 de agosto.

• Es una pieza de una familia de tres modelos. InclusionAI divide su gama en Ling (MoE de texto general y herramientas, este modelo), Ring (razonamiento) y Ming (multimodal).

Una nota sobre cómo leer esta actualización: es una revisión de la vista previa del 24 de julio y de la revisión del 8 de agosto anterior a ella. El resultado del DGX Spark del 27 de octubre es el material nuevo; las correcciones de AA son labores de mantenimiento para que la publicación no cite una puntuación en vivo que ya no existe. Cada especificación, benchmark y precio a continuación está etiquetado por fuente.

Lo que realmente sabemos

La arquitectura está completamente documentada en la ficha del modelo. Ling-3.0-flash utiliza una pila de atención híbrida lineal nativa —capas de Kimi Delta Attention (KDA) y Gated MLA alternadas en una proporción de 5:1 (35 KDA + 7 MLA, 42 capas en total), con gating diagonal de grano fino en KDA— sobre un MoE disperso de 1/64 (512 expertos enrutados, 8 activados por token, más un experto compartido). Así es como alcanza 124B parámetros totales con solo 5,1B activos. La ventana de contexto es de 256K de forma nativa, servida a 262.144 tokens en las recetas de inferencia, y Ant afirma que la arquitectura escala a 1M. La longitud máxima de salida no se divulga. El modelo es solo de texto con soporte para llamada de herramientas; la entrada multimodal reside en la línea Ming separada.

El laboratorio publica dos formatos de pesos —BF16 (aproximadamente 255GB) y FP8 (aproximadamente 128GB)— y las variantes cuantizadas de la comunidad están enlazadas desde la tarjeta del modelo. La receta de DGX Spark usa un tercero: una compilación MXFP4 que cabe en los 121GB de memoria unificada del dispositivo. Las recetas de despliegue del propio laboratorio están orientadas a SGLang y vLLM; la ruta Spark de NVIDIA usa una compilación de SGLang de InclusionAI con el backend Humming MoE añadido.

Disponibilidad: pesos abiertos bajo la licencia MIT

El 7 de agosto, el equipo InclusionAI de Ant Group publicó los pesos como código abierto bajo la licencia MIT en Hugging Face (inclusionAI/Ling-3.0-flash) y ModelScope. Se trata de una licencia permisiva y apta para uso comercial —la misma bajo la que se distribuyeron Ling 2.0 y Ling 2.6— y significa que puedes autoalojar, ajustar finamente y desplegar Ling-3.0-flash por tu cuenta en lugar de alquilarlo mediante una API. El modelo también se puede invocar a través de la API para desarrolladores de Ant y de varias plataformas de terceros. Para un modelo de gama rápida a este precio, la pregunta interesante ya no es si puedes autoalojarlo; es si un único dispositivo de 121 GB es suficiente. El Ling Cookbook de InclusionAI incluye ahora un cuaderno de DGX Spark atribuido conjuntamente a Ant Group y NVIDIA, y el checkpoint MXFP4 que utiliza se publica junto con los otros formatos. La sección siguiente es la primera respuesta medida a esa pregunta.

Puntuaciones independientes: un resultado de agosto, ahora histórico

El cambio más importante respecto a la publicación de julio fue la aparición de cifras independientes. La evaluación de Artificial Analysis, que esta publicación citó en agosto, otorgó a Ling-3.0-flash una puntuación de 38 en el Índice de Inteligencia — 24 puntos por encima de la generación anterior de la categoría rápida, Ling-2.6-flash (14), y al mismo nivel que MiMo-V2.5 y Qwen 3.6 27B mientras activaba una fracción de sus parámetros. AA también situó el modelo en la frontera de Pareto de pesos abiertos en cuanto a inteligencia frente a parámetros totales: en ese momento, ningún modelo de pesos abiertos con menos parámetros totales obtenía una puntuación superior. El líder de pesos abiertos de la categoría rápida en AA, DeepSeek V4 Flash, obtuvo una puntuación aún mayor (Índice 52 con el máximo esfuerzo de razonamiento).

Ese registro se ha retirado desde entonces en lugar de anularse. La página activa de AA para Ling-3.0-flash ahora marca el modelo como obsoleto en favor de Ling-3.1-flash, remite a los lectores al modelo más reciente y no muestra ningún Intelligence Index actual. El 38 sigue siendo la última puntuación independiente que recibió este checkpoint; léelo como un resultado con fecha, no como una clasificación vigente. Si hoy eliges un modelo Ling, la comparación que debes hacer es con Ling-3.1-flash, que AA cubre actualmente.

Los resultados agénticos y de contexto largo de esa evaluación también fueron sólidos en cuanto a su orientación. En la suite Banking de τ3-Bench de AA, Ling-3.0-flash obtuvo un 27%, segundo entre los modelos de pesos abiertos de la categoría flash, por detrás de DeepSeek V4 Flash (39%). En GDPval-AA v2 alcanzó un Elo de 1108, frente a 545 de Ling-2.6-flash. Ant entrenó el modelo en más de 10.000 entornos interactivos (según el proveedor) y lo presenta como un nodo de ejecución para flujos de trabajo agénticos: rápido, barato y desechable, dejando el razonamiento pesado a un modelo insignia más grande.

Una salvedad sobre la procedencia: la tabla de benchmarks de la tarjeta de modelo de Ant —SWE-Bench Pro 56.6, SWE-bench Multilingual 72.4, MathArena AIME 2026 93.2, HLE 22.7— está reportada por el proveedor y no ha sido reproducida de forma independiente. Considérala como afirmaciones del propio laboratorio, en la misma categoría que las cifras de velocidad máxima que figuran a continuación.

Velocidad: tres números, tres configuraciones diferentes

La historia de la velocidad ahora tiene tres cifras, y lo primero que hay que hacer es dejar de tratarlas como si fueran la misma medición.

En la API alojada, Artificial Analysis indica actualmente 243 tokens de salida por segundo y un tiempo hasta el primer token de 2,79 s. Eso es inferior a los 368 tok/s y 1,98 s que esta publicación reportó en agosto: el panel de proveedores y las ejecuciones de AA cambian, y la página en vivo es la que debe citarse hoy. Sigue situando el modelo cerca de lo más alto de su categoría de velocidad.

En un solo DGX Spark, NVIDIA informa 53,89 tokens de decodificación por segundo con un tamaño de lote de 1 en GSM8K, una mejora del 42,5 % respecto a su propia línea base. Es una cifra local para un solo usuario, no comparable con una cifra de rendimiento de API ni un resultado de concurrencia. La siguiente sección lo desglosa.

En hardware de clúster específico, Ant afirma una tasa de salida promedio superior a 1.100 tokens por segundo y un tiempo hasta el primer token inferior a 100 ms con una capa de caché jerárquica basada en SGLang HiCache y Mooncake. Eso sigue siendo solo del proveedor — medido en hardware y configuraciones de lote que Ant controla, sin ninguna reejección independiente publicada. Para la planificación, use la cifra de AA para trabajo alojado, la cifra de NVIDIA para un único Spark, y trate 1.100+ tok/s como un techo que debe verificar en su propia carga de trabajo.

Un DGX Spark: qué mide realmente el 42,5%

El 27 de octubre, el blog técnico de NVIDIA publicó una receta para servir Ling-3.0-flash-fp4 en un único DGX Spark —el sistema de escritorio GB10 con 121 GB de memoria unificada— y el Ling Cookbook de InclusionAI incluye el cuaderno correspondiente, atribuido conjuntamente a Ant Group y NVIDIA. La propia cuenta de Ant Group describió el trabajo como una colaboración técnica con NVIDIA. Esta es una evaluación cuidadosa más que una demostración: las 1.319 preguntas de GSM8K, cadena de pensamiento de cinco ejemplos, tamaño de lote 1, temperatura 0.6, top-p 0.95, top-k 29 y un límite de 32.768 tokens.

La base de referencia es una compilación W4A8 servida con los kernels MoE MXFP4 de FlashInfer, GEMM denso de CUTLASS y una LM head de 32 bits. Sobre esa base, la decodificación se ejecuta a 37,81 tok/s. Con tres cambios acumulados, se ejecuta a 53,89 tok/s — el 42,5 % del titular. El tiempo medio por token de salida baja de 26,45 ms a 18,56 ms (−29,8 %), la latencia media de extremo a extremo de 15,21 s a 11,49 s (−24,5 %), la P50 de 8,36 s a 6,11 s y la P95 de 50,20 s a 38,60 s. La precisión en GSM8K pasa de 96,89 % a 96,82 %, una diferencia de 0,08 puntos que NVIDIA describe como no estadísticamente detectable. El tiempo medio hasta el primer token es esencialmente plano, de 0,207 s a 0,214 s. Se trata de ganancias en decodificación, no en prefill.

Los tres cambios apuntan a costos distintos:

• Los kernels MoE MXFP4 de Humming reemplazan el backend FlashInfer. Humming compila kernels en tiempo de ejecución con NVRTC para las formas exactas del modelo —incluido su estrecho tamaño intermedio MoE de 768— y los almacena en caché en ~/.humming/cache. En la prueba sintética de NVIDIA, por sí solo aumenta el rendimiento en un 9,3 %.

• Cuantización FP8 en línea de la cabeza LM. La cabeza permanece en BF16 en el checkpoint, y su GEMM de 157.184 × 2.560 lee el bloque de pesos completo en cada token; cuantizarla a FP8 durante la carga reduce a la mitad esa lectura. Se habilita con SGLANG_ENABLE_FP8_LM_HEAD=1, que entra en conflicto con --enable-fp32-lm-head de la línea base, y añade un 11,4 % respecto a Humming por sí solo.

• Predicción multi-token NEXTN. La capa NEXTN integrada del modelo genera propuestas de tres tokens y verifica una ventana de cuatro tokens. En GSM8K, la longitud media del borrador aceptado es de 2,68 tokens por ronda.

Hay un segundo número, más llamativo, en la misma publicación: una carga de trabajo sintética de 32K de entrada / 2K de salida con tamaño de lote 1 sube de 36.09 a 102.88 tok/s, +185.1%. La propia NVIDIA advierte contra generalizarlo. Esa ejecución usó decodificación voraz, una salida fija de 2K y texto repetitivo; la aceptación alcanzó 3.90 tokens por ronda frente a 2.68 en GSM8K. La cifra del 42.5% en GSM8K es con la que hay que planificar. El 185.1% es un techo sintético de mejor caso.

Una trampa operativa importa más que la aceleración. La cuantización FP8 de la LM-head y MTP solo se combinan si el modelo de borrador comparte todo el módulo LM-head del modelo objetivo, no solo su tensor de pesos. Sin esa interfaz, el framework recurre silenciosamente a una alternativa, lee los pesos FP8 como BF16, reduce la tasa de aceptación a 1.00 y puede terminar siendo más lento que la línea base sin optimizar. El consejo de NVIDIA es validar que cada optimización esté activa al arranque en lugar de inferirla a partir de las mediciones de tiempo posteriores.

Qué cambia esto para un lector: la ruta de un solo Spark ya no es una diapositiva de proveedor. Es una receta publicada con una línea base, un protocolo de medición y un modo de fallo declarado — suficiente para reproducirla o rechazarla en tu propio dispositivo. Qué no cambia: sigue siendo la medición propia de NVIDIA, en un solo dispositivo, con tamaño de lote 1, para decodificación. No dice nada sobre servicio concurrente, rendimiento con contexto largo ni la API alojada. Y es específica para la versión FP4; los checkpoints BF16 y FP8 tienen perfiles de memoria y ancho de banda diferentes.

Precios: baratos, y la promoción ha terminado.

Artificial Analysis reporta que la API propia cuesta $0,075 por 1 millón de tokens de entrada y $0,22 por 1 millón de salida, con aciertos de caché a $0,015 (−80 %); todos son precios fijados por el proveedor. El nivel gratuito de lanzamiento (500 000 tokens gratuitos al día, acceso gratuito a la API) finalizó el 3 de agosto. El período temporal de 75 % de descuento en Ling Studio estuvo vigente hasta el 31 de agosto de 2026; los precios de lista se aplican desde el 1 de septiembre. Incluso con el precio de lista completo, $0,075/$0,22 sitúa a Ling-3.0-flash firmemente en el nivel económico para un modelo con un Índice de 38 en esa evaluación.

A precios tan bajos, el coste de cambiar importa más que el precio por token. La labor de OrcaRouter es mantener honesta la parte alojada de esa comparación: una única API para más de 200 modelos, los precios de lista de los proveedores repercutidos con 0 % de margen y conmutación automática en caso de fallo entre proveedores. Una implementación local de DGX Spark tiene que superar un precio de mercado real y actual, no una diapositiva de proveedor; y cuando un proveedor alojado cambia su precio, la repercusión lo muestra en la misma clave el mismo día.

La familia Ling / Ring / Ming

Ling-3.0-flash no existe de forma aislada: InclusionAI organiza sus lanzamientos en tres familias con nombre, cada una orientada a una tarea diferente. Ling es la línea MoE de propósito general para la generación de texto y la invocación de herramientas del día a día, y Ling-3.0-flash se sitúa en su extremo rápido/económico, un escalón por debajo del modelo insignia de 1T parámetros de la generación anterior. Ring es la línea centrada en el razonamiento, diseñada para cadenas de pensamiento de varios pasos. Ming es la línea multimodal. Si tu tarea requiere un razonamiento más intensivo o entrada de imágenes, probablemente el modelo InclusionAI adecuado no sea Ling-3.0-flash: está diseñado para volumen y velocidad dentro del ámbito de texto y herramientas.

Para quién es: cuatro escenarios

1. Pipelines de texto o de llamada a herramientas de alto volumen y sensibles a la latencia

Este es el terreno natural del modelo. Con una licencia MIT, una receta single-Spark publicada y un Index independiente fechado de 38, la apuesta por la categoría rápida es comprobable, no hipotética: ejecuta tu propio conjunto de evaluación con él, o descarga los pesos y autoaloja. Eso sí, no construyas en torno al techo de 1.100+ tok/s del proveedor hasta que lo hayas medido con tu propia carga de trabajo.

2. Equipos que quieren un contexto largo con un presupuesto limitado.

Un contexto nativo de 256K (262K servidos) con una ruta declarada a 1M, a $0.075/$0.22, es una combinación atractiva para trabajo intensivo de recuperación o procesamiento de documentos. Las cifras de contexto largo de la ficha del modelo son reportadas por el proveedor, así que inclúyelo en la lista corta frente a opciones consolidadas de contexto largo y verifícalo con tu propio corpus antes de comprometerte.

3. Observadores que siguen el panorama de MoE en China y la hoja de ruta de InclusionAI

La pregunta de julio —¿seguiría InclusionAI abierta?— ya tiene respuesta: sí, MIT, y rápido. Que Ling-3.0-flash aterrizara en la frontera de Pareto de AA con 5,1B activos fue un dato. La receta de DGX Spark de octubre es un segundo dato: un modelo de 124B decodificando a 53,89 tok/s en un solo equipo de escritorio con tamaño de lote 1, y con la receta publicada.

4. Equipos con un único DGX Spark en el escritorio

Si ya tienes la caja, la receta de NVIDIA es la primera configuración que vale la pena copiar: build MXFP4, el fork de SGLang de InclusionAI, los kernels Humming MoE, una cabeza LM FP8 y NEXTN MTP. Trátala como la medición de un solo proveedor con batch size 1, y valida al arrancar que las piezas FP8 y MTP estén realmente activas — el modo de fallo por fallback silencioso es real. Si no tienes un Spark, la receta es un dato sobre lo que compran 121GB de memoria unificada, no una razón para comprar uno.

¿Qué sigue sin verificar?

Una lista breve, ahora que se han cerrado las grandes brechas. Las afirmaciones de Ant sobre la velocidad máxima (más de 1.100 tok/s, TTFT inferior a 100 ms) todavía no cuentan con una nueva medición independiente. La tabla de benchmarks de la ficha del modelo sigue siendo reportada por el proveedor. Las compilaciones FP4/INT4 y la ruta de un único DGX-Spark ya no son vagas —NVIDIA publicó la configuración e InclusionAI distribuye el notebook—, pero las cifras de 53,89 tok/s y 96,82 % son mediciones de la propia NVIDIA en un solo dispositivo con tamaño de lote 1, no una reproducción de terceros. La puntuación independiente es histórica: la evaluación que esta publicación citó en agosto le otorgó 38, y la página en vivo ahora marca el modelo como obsoleto en favor de Ling-3.1-flash. Y en cuanto a conocimiento, el Omniscience Index de esa evaluación mostró que la mejora respecto a la generación anterior se produjo en gran medida mediante abstención —las alucinaciones cayeron (97 % → 44 %) mientras que la precisión aumentó solo ligeramente (16 % → 18 %)—, así que no confundas el salto estrella del Index con un salto generalizado en conocimiento.

Cuándo no usarlo

Omite Ling-3.0-flash para trabajo multimodal: esa es la línea Ming. Omítelo si necesitas un buque insignia de razonamiento pesado en lugar de un ejecutor rápido: ese es el terreno de Ring. Si planeas autohospedarlo, presupuesta el hardware real: BF16 es de aproximadamente 255 GB, FP8 de aproximadamente 128 GB, y la compilación MXFP4 es la que cabe en un DGX Spark de 121 GB. Si vas a elegir un modelo Ling desde cero en lugar de mantener una implementación existente, compáralo primero con Ling-3.1-flash; AA ha trasladado su cobertura allí. Y si una afirmación te importa, verifícala: las cifras de velocidad máxima y de contexto largo son de Ant hasta que un laboratorio independiente las vuelva a medir.

Preguntas frecuentes

¿Ling-3.0-flash tiene pesos abiertos?

Sí. Los pesos se publicaron como código abierto el 7 de agosto bajo la licencia MIT, en Hugging Face (inclusionAI/Ling-3.0-flash) y ModelScope. Es una licencia permisiva y comercialmente utilizable — la misma bajo la que se lanzaron Ling 2.0 y Ling 2.6.

¿Cómo se desempeña Ling-3.0-flash en los benchmarks?

La evaluación de Artificial Analysis, que esta publicación citó en agosto, le otorgó 38 en el Intelligence Index, 24 puntos más que Ling-2.6-flash, y lo situó en la frontera de Pareto de pesos abiertos en inteligencia frente al total de parámetros. La página en vivo de AA ahora marca el modelo como obsoleto en favor de Ling-3.1-flash y no muestra ningún Intelligence Index actual, por lo que 38 es un resultado histórico. La tabla de benchmarks de la ficha del modelo de Ant (por ejemplo, SWE-Bench Pro 56.6) está reportada por el proveedor y no ha sido reproducida de forma independiente.

¿Qué tan rápido es realmente?

Hay tres cifras diferentes para tres configuraciones diferentes. AA actualmente indica 243 tokens de salida por segundo y un tiempo hasta el primer token de 2,79 s en la API alojada. NVIDIA informa 53,89 tok/s de decodificación con tamaño de lote 1 en una DGX Spark. Ant afirma más de 1100 tok/s y un TTFT inferior a 100 ms en hardware de clúster especificado. Solo la cifra de AA es independiente; las otras dos son mediciones del proveedor en hardware diferente.

¿Cuánto cuesta Ling-3.0-flash?

AA enumera la API de primera parte a $0.075 por 1M de tokens de entrada y $0.22 por 1M de salida, con un descuento del 80% en aciertos de caché. El nivel gratuito de lanzamiento terminó el 3 de agosto, y el período temporal de 75% de descuento en Ling Studio terminó el 31 de agosto de 2026.

¿Cuál es la diferencia entre Ling, Ring y Ming?

Ling es la línea MoE de propósito general de InclusionAI para texto y llamadas a herramientas, y Ling-3.0-flash se sitúa en su extremo rápido y económico. Ring es la línea centrada en el razonamiento. Ming se encarga de las tareas multimodales. Son familias separadas para distintos tipos de trabajo, no niveles de un mismo modelo.

¿Puede Ling-3.0-flash ejecutarse en un solo DGX Spark?

Sí. NVIDIA publicó una receta el 27 de octubre para la versión MXFP4 en un DGX Spark (121 GB de memoria unificada), utilizando kernels MXFP4 de Humming, una cabeza LM FP8 y predicción multitoken NEXTN. Informa 53,89 tok/s de decodificación con tamaño de lote 1 en 1.319 preguntas de GSM8K, una mejora del 42,5 %, con una precisión del 96,82 %. Los resultados son de NVIDIA, no reproducidos de forma independiente, y solo se mantienen con tamaño de lote 1; combinar FP8 con MTP requiere que el borrador comparta la cabeza LM completa, o el rendimiento puede caer por debajo de la línea base sin optimizar.

¿Debería usar Ling-3.0-flash en producción hoy?

Es un modelo maduro de pesos abiertos, pero ya no es el Ling más reciente: AA lo marca como obsoleto en favor de Ling-3.1-flash. Si ya ejecutas Ling-3.0-flash, la receta de DGX Spark es una optimización concreta que vale la pena reproducir. Si estás eligiendo desde cero, compáralo con Ling-3.1-flash y ejecuta tu propio conjunto de evaluación; la licencia MIT y el precio de $0.075/$0.22 todavía lo convierten en una opción económica creíble.

En resumidas cuentas

Ling-3.0-flash ya no es el Ling más reciente, y la página en vivo de AA lo indica. Lo que tiene y que la mayoría de los modelos de pesos abiertos nunca consigue es una configuración medida para un único dispositivo: una DGX Spark, 53,89 tok/s de decodificación con tamaño de lote 1, 96,82 % en GSM8K, con la línea base, el protocolo y el modo de fallo publicados junto a ello. Lee el 42,5 % como resultado propio de NVIDIA en lugar de un veredicto independiente, y lee el Índice de agosto de 38 como historia. Dentro de esos límites, el modelo sigue siendo una opción local creíble de la categoría rápida; si vas a empezar de cero, la comparación que conviene hacer primero es con Ling-3.1-flash.