Ling-3.1-flash-1019 vs Ling-3.1-flash: mismo tamaño, mismo precio, una factura de tokens más grande

Si pagas por token, Ling-3.1-flash-1019 es una actualización gratuita respecto a Ling-3.1-flash. Ambos tienen un precio de lista de $0.30 por millón de tokens de entrada y $0.90 por millón de salida, ambos tienen licencia MIT, ambos son modelos de mezcla de expertos de 560B parámetros con 25B activos y ambos ocupan 573.8 GB en disco. Si pagas por tarea completada, la actualización es casi un 47 % más cara: Artificial Analysis midió $1.49 por tarea del Intelligence Index para la versión 1019 frente a $1.01 para su predecesora, porque el modelo más nuevo genera aproximadamente un 59 % más de tokens de salida para llegar a sus respuestas. La ganancia de tres puntos en el índice entre ambos —44 frente a 41— es real. La pregunta que responde esta página es quién debería pagar por ello.

Las fechas importan para leer el resto. Ling-3.1-flash se abrió bajo MIT a mediados de octubre, con su repositorio creado el 13 de octubre y el anuncio de Ant llegando después, el 15 de octubre. La build 1019 se anunció el 22 de octubre con una puntuación y sin descarga, y sus pesos junto con un checkpoint base se publicaron el 27 de octubre. Así que esto no es una brecha generacional. Es una sola ejecución de post-entrenamiento aplicada a la misma arquitectura, publicada cinco días después de la cifra que la describe.

Lo que comparten los dos puntos de control

La coincidencia es lo bastante amplia como para que el coste de migración sea efectivamente nulo, lo cual constituye el principal argumento a favor de la versión más reciente:

• Arquitectura — 72 capas, divididas en 63 capas de atención lineal KDA y 9 capas MLA con compuerta en una proporción de 7:1, además de 4 capas densas.

• Expertos: 512 enrutados, 8 activados por token, 1 compartido; tamaño oculto 4.096; vocabulario 157.184.

• Pesos en disco — 573,8 GB de safetensors FP8 en 54 fragmentos para ambos, según nuestro recuento de los listados de archivos de los dos repositorios.

• Licencia — MIT para ambas, incluida la redistribución comercial.

Precio — $0.30 de entrada, $0.90 de salida, $0.06 de lectura de caché, un precio combinado de $0.19 con una mezcla de 7:2:1 de aciertos de caché/entrada/salida.

• Contexto declarado — una ventana de 1M de tokens en ambas tarjetas de modelo; 262.144 posiciones y sin escalado de RoPE en ambos archivos config.json.

Esa última línea es lo primero que hay que interiorizar antes de compararlos. Sobre el papel, ambos modelos ofrecen un millón de tokens. En la configuración de entrega, ambos se quedan en 256K a menos que añadas un esquema de escalado que Ant no ha incluido. La limitación es idéntica en ambos lados, así que no decide la comparativa, pero sí significa que ninguna de las dos versiones es el modelo de un millón de tokens que anuncian las fichas, y cualquiera que planifique una carga de trabajo de 1M de tokens está eligiendo entre dos modelos que necesitarán trabajo para llegar hasta ahí.

De dónde vienen los tres puntos

Artificial Analysis mide la brecha principal por sí misma: 41 para Ling-3.1-flash y 44 para Ling-3.1-flash-1019 en el Intelligence Index v4.3.2, con el modelo más antiguo en el octavo puesto de 122 y el más nuevo en el cuarto. Se trata de una medición independiente de ambos extremos, lo que convierte al delta de tres puntos en el dato más fiable de esta comparación.

El desglose por benchmark está reportado por el proveedor y debe interpretarse como tal: proviene de la tarjeta de modelo de Ant, no de un arnés público:

• AA-Briefcase — aproximadamente de 1.400 Elo a 1.524 Elo. Este es el benchmark de artefactos de trabajo de conocimiento, y un avance de 124 puntos es la mayor ganancia relativa del conjunto.

• AutomationBench-AA — 62% a 68%, una mejora de seis puntos en la automatización de tareas agénticas.

• CritPt — del 18% al 26%, el mayor salto proporcional: ocho puntos en un conjunto de razonamiento en física en el que las puntuaciones absolutas son bajas para todos.

• SciCode — del 54 % al 57 %, el menor cambio de los cuatro y el que hay que ponderar con más cautela; Artificial Analysis señala que SciCode está en revisión para este modelo.

Leído en conjunto, el patrón es consistente con lo que Ant dice que hizo: más post-entrenamiento en razonamiento y trabajo agéntico de múltiples pasos, no una nueva superficie de capacidades. Las mejoras se concentran donde las cadenas de decisiones son largas y donde una respuesta parcialmente correcta obtiene crédito parcial. Son más limitadas en la generación directa de código científico, que es exactamente donde cabría esperar que una actualización de post-entrenamiento, en lugar de un cambio de arquitectura, avanzara menos.

La factura: 59% más de pensamiento

Aquí es donde los dos modelos dejan de ser intercambiables. Artificial Analysis registró 220 M de tokens de salida para la ejecución del índice de Ling-3.1-flash y 350 M para la ejecución de 1019 —una proporción de 1,59— y ubica la compilación más reciente en el último lugar de 48 modelos en cuanto a verbosidad, frente a una mediana de 140 M. El costo de completar el índice aumentó de $1,01 a $1,49 por tarea.

Lleva eso a una carga de trabajo. Con 10.000 tareas con forma de índice, las cifras por tarea implican unos $10.100 en el checkpoint anterior y $14.900 en el nuevo. El lado de los tokens escala de la misma manera: una carga de trabajo que consume 2.200 millones de tokens de salida en Ling-3.1-flash consumiría unos 3.500 millones en la compilación 1019 con la proporción medida, lo que a $0,90 por millón son $1.980 frente a $3.150. El resto de la diferencia por tarea proviene del precio de entrada y de caché, pero la dirección la marca el recuento de tokens: estás comprando tres puntos de índice con aproximadamente seis décimas de respuesta adicional por respuesta.

Que eso sea un buen intercambio depende del modo de fallo contra el que te estés protegiendo. En un bucle de agente en el que una llamada incorrecta a una herramienta provoca un reintento, una relectura del contexto o una revisión humana, un 59 % adicional de tokens es barato frente a un solo bucle evitado. En clasificación, extracción, chat breve o cualquier tarea de gran volumen en la que la respuesta sea de una o dos frases, esa misma proporción es puro sobrecoste —y el índice nunca lo mostrará, porque el índice premia los casos difíciles a los que se orientaba el postentrenamiento.

La otra mitad del panorama de costos es la estabilidad de las tarifas. OrcaRouter pone más de 200 modelos detrás de una sola clave con un 0 % de margen sobre la lista del proveedor, por lo que un cambio de precio del proveedor se traslada el mismo día para los modelos que enrutamos. La línea Ling no está en ese catálogo hoy, lo que significa que las cifras anteriores son la tarifa de lista de Ant y nada más. Es precisamente por eso que la aritmética por tarea importa más que la tarifa por token: la tarifa es idéntica entre estos dos modelos, así que no puede ayudarte a elegir.

Velocidad: existe un único número, y pertenece al modelo más antiguo.

Artificial Analysis midió Ling-3.1-flash a 215,7 tokens de salida por segundo, con un tiempo hasta el primer token de 1,73 segundos, lo que lo sitúa en sexto lugar de 78 modelos por velocidad. Para Ling-3.1-flash-1019, la misma página no incluye ninguna cifra de velocidad de salida: en el momento de la medición no había ninguna API disponible públicamente para medir su tiempo, y los pesos solo aparecieron hoy. Así que el modelo más rápido no es cuestión de opinión; es el único de los dos con una medición.

Combina eso con la proporción de tokens y obtienes una estimación defendible, etiquetada claramente como aritmética y no como un benchmark. Si ambas versiones decodificaran a 215,7 tokens por segundo, una respuesta de 1.000 tokens en Ling-3.1-flash tardaría unos 4,6 segundos en decodificarse; la respuesta equivalente de 1.590 tokens en la versión 1019 tardaría unos 7,4 segundos. El tiempo hasta el primer token es una variable aparte y podría moverse en cualquiera de las dos direcciones. La cuestión es que un aumento del 59 % en tokens no puede salir gratis en términos de tiempo real a menos que el modelo más nuevo también decodifique significativamente más rápido, y nadie ha publicado pruebas de que lo haga.

Autoalojamiento: huella idéntica, README diferente

En tu propio hardware la elección es más sencilla, porque el destino de despliegue no cambia. Ambos checkpoints necesitan la misma configuración documentada —ocho H200 con TP8 más EP8, o cuatro GB300 con TP4 más EP4— y la misma imagen day-0 de SGLang, con una receta de vLLM que usa paralelismo tensorial de 8, paralelismo de expertos y tres tokens especulativos. Como las arquitecturas y los tamaños de archivo son idénticos, 1019 es un reemplazo directo: cambia la ruta de los pesos, mantén la pila de servicio y nada más en tu infraestructura necesita saberlo.

Dos advertencias prácticas. Primero, el Quickstart de la model card del 1019 sigue apuntando a inclusionAI/Ling-3.1-flash en su comando de SGLang y envía "model": "Ling-3.1-flash" en su ejemplo de cliente; si lo copias tal cual, estarás sirviendo el modelo de 41 puntos mientras crees que estás probando el de 44 puntos. Segundo, el checkpoint base que Ant publicó junto con 1019 es Ling-3.1-flash-base: la base del modelo anterior, no una instantánea de 1019 previa al postentrenamiento. Si tu plan es ajustar la actualización, la receta que la produjo no está en la descarga. Si tu plan es construir algo propio a partir de una base de 560B bajo MIT, el base es el punto de partida correcto y la diferencia de índice entre estos dos checkpoints es irrelevante para ti.

Cómo llamarlos: un nombre, dos compilaciones

La historia de la API es más enrevesada que la de los pesos. La compilación 1019 es un checkpoint con marca de fecha bajo un nombre que la mayoría del código de servicio trata como la misma cadena de modelo que su predecesora —incluidos los propios ejemplos de Ant, que envían Ling-3.1-flash a ambas. Si llamas a un endpoint alojado, fija la compilación explícitamente o no sabrás cuál te respondió. Artificial Analysis no listó ninguna API disponible públicamente para la 1019 en el momento de la medición, así que la disponibilidad hoy pasa por la propia API del proveedor y varias plataformas de terceros, en lugar de un endpoint consolidado y ampliamente replicado.

Esa ambigüedad es el argumento más fuerte a favor del autohospedaje si te importa la reproducibilidad, y el argumento más fuerte a favor de esperar si no te importa. Un modelo cuyo nombre no identifica su compilación es un modelo que no puedes auditar a posteriori, y «44 en el índice» no es un número de versión.

¿Cuál, por trabajo?

• Razonamiento difícil y trabajo de agentes de largo horizonte: toma Ling-3.1-flash-1019. Las mejoras se concentran exactamente ahí, y los tokens adicionales son el mecanismo, no un efecto secundario.

• Extracción, clasificación y chat breve de alto volumen: quédate en Ling-3.1-flash. Pagarías un 47 % más por tarea por una capacidad que esas cargas de trabajo no aprovechan.

• Productos sensibles a la latencia — permanezcan en Ling-3.1-flash hasta que exista una cifra independiente de rendimiento para 1019. Es el único de los dos con una velocidad medida.

• Ajuste fino o adaptación al dominio — comienza desde Ling-3.1-flash-base e ignora esta comparación. Ninguno de los checkpoints alineados incluye una receta de entrenamiento.

• Un solo modelo, tráfico mixto — Ling-3.1-flash-1019 como opción predeterminada, con la versión anterior detrás para las solicitudes cortas y económicas. Ambas comparten una arquitectura, un precio y una pila de servicio, así que repartir el tráfico entre ellas no te cuesta nada a nivel operativo.

Lo que cambiaría este veredicto es una velocidad de decodificación medida para la build 1019. Si resulta ser materialmente más rápida que 215,7 tokens por segundo, la penalización en tiempo real se reduce y la factura de tokens se convierte en la única objeción real. Si es igual o más lenta, entonces el 59 % aparece dos veces —una en la factura y otra en la latencia— y cobra más fuerza la idea de ejecutar ambos checkpoints en lugar de actualizar por completo. Hasta que alguien publique esa cifra, el resumen honesto es que Ling-3.1-flash-1019 compra calidad con tokens, y Ling-3.1-flash vende throughput a la misma tarifa. Ninguna es la respuesta incorrecta; son productos diferentes que visten la misma arquitectura.