Ling-3.2-flash vs Ling-3.1-flash: el mismo esqueleto de 560B, un nuevo sentido, sin nuevos pesos

La propia página de obsolescencia de Ant Ling hace que la decisión sobre Ling-3.2-flash sea más difícil que la publicación de lanzamiento. Tres modelos más antiguos —Ling-2.6-1T, Ring-2.6-1T y Ling-2.6-flash— se retiran el 15 de noviembre de 2026, y el reemplazo recomendado para los tres es Ling-3.1-flash. Así que el día en que llegó Ling-3.2-flash, su predecesor acababa de ser designado como la zona de destino oficial para todos los equipos que migran desde la generación 2.6. Esos equipos ahora tienen que elegir entre el modelo al que Ant les indicó que migraran y el modelo que Ant anunció esa misma semana. Los dos comparten cantidad de parámetros, comparten una ventana de contexto, comparten una superficie de API —y difieren exactamente en un eje que importa, más uno que importa más: Ling-3.2-flash ve, Ling-3.1-flash lee, y Ling-3.1-flash es el que se puede descargar.

Esa es la comparación que vale la pena hacer, y no es la que hizo la cobertura del lanzamiento. Ling-3.2-flash gana en capacidad. Ling-3.1-flash gana en todo lo que un equipo de producción necesita para comprometerse: un precio publicado, pesos con licencia MIT y una puntuación independiente que puedes consultar, aunque esa puntuación se haya retirado desde entonces de la clasificación en la que figuraba.

¿Qué es genuinamente idéntico?

Empieza por las partes que Ant no cambió, porque determinan cuánto trabajo supone realmente una migración.

• Tamaño — ambos tienen 560B de parámetros totales con 25B activos por token. La tabla de selección de modelos de Ant enumera las mismas dos cifras en ambas filas.

• Contexto — ambos tienen una ventana de 1M de tokens. Ling-3.0-flash, un nivel por debajo, está limitado a 256K, por lo que 1M ahora es la base estándar del buque insignia en lugar de un titular.

• Superficie de solicitud — ambos se sirven en api.ant-ling.com/v1 a través de un endpoint chat/completions compatible con OpenAI y un endpoint messages compatible con Anthropic. Ambos aceptan el objeto thinking con enabled o disabled; la referencia de Ant enumera las series 3.0, 3.1 y 3.2 por igual.

• Linaje — la misma familia MoE híbrida-lineal, la misma receta de atención de KDA a MLA con compuertas que Ant introdujo en 3.0 y refinó en 3.1, la misma topología de 512 expertos enrutados que el checkpoint abierto 3.1.

• Límites de frecuencia — el mismo límite global de dos consultas por segundo, con respuestas 429 por encima de él, y el mismo tiempo de espera síncrono de 90 segundos, con streaming recomendado. Un modelo nuevo no te aporta más rendimiento.

Así que una migración de Ling-3.1-flash a Ling-3.2-flash es un cambio en la cadena del modelo más lo que hagas de forma distinta con las imágenes. No hay un SDK nuevo, ni un endpoint nuevo, ni una autenticación nueva.

Lo que realmente cambió: el modelo aprendió a mirar

Ling-3.1-flash es texto de entrada, texto de salida. Eso no es una limitación que Ant ocultara: la propia guía de selección del proveedor lo posiciona para trabajo de oficina, desarrollo de software de horizonte largo y tareas complejas de agentes, y su material de lanzamiento de 2026 estaba lleno de benchmarks de ingeniería: un port de compilador de Lua a x86-64-ELF, una pasada de conformidad de Pyright, una reimplementación en Rust, un parche para el parser de OceanBase. Era un modelo para personas que escriben código para ganarse la vida.

Ling-3.2-flash se reposiciona en torno a cuatro capacidades visuales: comprensión visual compleja, agentes multimodales de horizonte largo, comprensión e interacción 3D y trabajo multimodal médico. La referencia de la API es explícita en que una solicitud a Ling-3.2-flash «acepta de forma nativa texto, imágenes y vídeos», usando bloques image_url para imágenes fijas y bloques video_url para vídeo. Las demos que publicó Ant muestran para qué sirve esto: leer renders headless de esferas de material y comparar mapas de rugosidad y normales para perfeccionar un script; controlar Blender mediante acciones de interfaz de usuario; convertir planos de ingeniería en modelos web 3D; transformar PDF de investigación con ecuaciones en código funcional; estimar porciones y calorías a partir de fotos de comidas.

Los tres benchmarks de lanzamiento de Ant son visuales y todos están reportados por el proveedor. OmniDocBench1.5 en 92.21 frente a 90.56 de Opus 5 con el máximo esfuerzo; ZEROBench(Sub) en 43.71 frente a 39.52; Vision2Web en 85.86 frente a 80.20. La afirmación que respaldan es limitada y específica: en el análisis de documentos, el razonamiento sobre escenas 3D y la implementación de visión a web, Ant considera que el nuevo modelo supera a un modelo cerrado de frontera. Ninguno de los tres dice nada sobre razonamiento textual, y Ant no publicó ningún benchmark de texto, lo cual es en sí mismo una señal, dado que el lanzamiento de Ling-3.1-flash consistió casi por completo en benchmarks de texto.

Si tu carga de trabajo es texto, la lectura honesta es que la ventaja de Ling-3.2-flash sobre Ling-3.1-flash no se ha medido. Si tu carga de trabajo implica mirar algo, ese es precisamente el punto.

La cuestión del precio es donde ambos divergen con más fuerza.

Ling-3.1-flash tiene una tarifa publicada, actualmente con descuento. La página de precios de Ant lo indica a ¥2,00 por millón de tokens de entrada y ¥6,00 por millón de salida, con un descuento del 75 % a ¥0,50 y ¥1,50, y las lecturas de caché a ¥0,40 que bajan a ¥0,10. La columna en USD que Ant publica para plataformas de terceros muestra $0,30 y $0,90 a precio de lista, con descuento a $0,075 y $0,225.

Ling-3.2-flash no tiene ninguna tarifa publicada en absoluto. La página de precios enumera Ling-3.1-flash, Ling-3.0-flash-VL, Ling-3.0-flash y dos modelos de imagen Ming; Ling-3.2-flash aparece solo en un banner promocional: "gratis durante las primeras 2 semanas tras el lanzamiento", y después se reanudan los precios originales, con una sugerencia de vigilar el saldo de tu cuenta. No hay tarifa de entrada, ni tarifa de salida, ni tarifa de caché y —más relevante para un modelo multimodal— tampoco hay ningún tratamiento publicado de los tokens de imagen o vídeo.

Para cualquiera que planifique capacidad, esa es la asimetría decisiva. Un modelo que no se puede tarificar es un modelo que no se puede incluir en un presupuesto, y un modelo de visión cuya contabilidad de tokens de imagen no está documentada es un modelo cuyo coste ni siquiera se puede estimar a partir de su tarifa de texto. La ventana gratuita se cierra alrededor del 19 de noviembre, cinco días antes de que la ola de depreciación de Ant llegue el día 15. Los equipos que migren desde Ling-2.6 se toparán con ambas fechas dentro de la misma quincena.

Pesos: el predecesor está abierto, el sucesor no

Esta es la parte que invierte el orden intuitivo. El modelo más antiguo es el que tiene pesos descargables.

El repositorio de Hugging Face inclusionAI/Ling-3.1-flash está bajo licencia MIT y contiene 572.120.680.768 bytes de safetensors —aproximadamente 572 GB—, con última modificación el 3 de noviembre de 2026. Su hermano Ling-3.1-flash-1019, la revisión de post-entrenamiento que Ant publicó a finales de octubre, también está bajo licencia MIT y contiene 54 fragmentos FP8 de unos 573,8 GB. Ambos son el checkpoint completo, no adaptadores, y ambos requieren trust_remote_code debido al código de modelado personalizado BailingMoeV3ForCausalLM.

Ling-3.2-flash no tiene repositorio. El listado reciente de la organización inclusionAI incluye Ling-3.1-flash-1019, Ling-3.1-flash, un checkpoint base, los modelos de visión ZwZ2 y los modelos de audio Ming — ninguna entrada de 3.2. En el anuncio de Ant, la respuesta con más me gusta es la de un usuario que desea que fuera de código abierto, y Ant no ha respondido.

Así que los dos modelos intercambian posiciones según lo que necesites. Si quieres ejecutar un MoE de 560B en tu propio hardware, evaluarlo sin conexión, ajustarlo o simplemente no depender del tiempo de actividad de un proveedor, Ling-3.1-flash está disponible bajo términos que permiten todo eso, y Ling-3.2-flash no. Si quieres el mejor modelo multimodal y no te importa alquilarlo, el orden se invierte.

Las puntuaciones independientes, tal como son.

Artificial Analysis reconstruyó su Intelligence Index a la versión v5.0.1 a finales de octubre, y la reconstrucción dejó a los dos modelos Ling en estados distintos. Leída hoy, la página de Ling 3.1 Flash no contiene ninguna cifra de Intelligence Index — el recuadro muestra N/A, junto con N/A para el tiempo por tarea del índice, el coste por tarea del índice y los tokens de salida. La página de Ling 3.1 Flash 1019, en cambio, muestra una puntuación activa de 30 en v5.0.1, con un coste ponderado de $3.19 por tarea del índice y 240M tokens de salida generados.

Ese 30 no es comparable con ninguna cifra de Ling anterior a la reconstrucción. Con la rúbrica anterior, Ling-3.1-flash-1019 marcaba 44; la rúbrica v5 es más exigente, asigna el 60 % del compuesto a conjuntos privados y de reserva (held-out), e hizo bajar a la mayoría de los modelos. El cambio de 44 a 30 es una nueva puntuación, no una regresión.

Ling-3.2-flash no tiene ninguna página de Artificial Analysis. No hay ninguna cifra de terceros, ninguna medición de velocidad, ninguna estimación de coste por tarea. Las únicas cifras que existen son los tres benchmarks visuales de Ant.

Cómo decidir

La regla de decisión que se deriva de todo lo anterior es inusualmente clara, porque los dos modelos no son realmente sustitutos.

Quédate con Ling-3.1-flash si tu carga de trabajo es de texto y tu cronograma es de producción. Obtienes una tarifa con descuento publicada, pesos MIT que puedes autoalojar, una puntuación independiente de 30 en la rúbrica actual para la compilación 1019 y la propia recomendación de Ant como reemplazo de tres modelos que se retiran. Nada de Ling-3.2-flash mejora nada de eso para trabajo de texto, excepto una posibilidad no medida.

Cambie a Ling-3.2-flash si el trabajo implica imágenes, video, documentos con maquetación, 3D o capturas de pantalla. Esa es la capacidad que Ling-3.1-flash simplemente no tiene, y es la única razón para aceptar un precio no publicado y pesos cerrados. Ejecute su evaluación durante la ventana gratuita —la integración es un cambio en la cadena del modelo en un SDK que ya tiene— y trate cualquier cosa que construya sobre él antes del 19 de noviembre como un piloto en lugar de un compromiso.

Ejecuta ambos si tienes tráfico mixto. Dirige el trabajo visual a 3.2 y el trabajo de texto a 3.1, que es para lo que sirve realmente la división en dos modelos, y ten en cuenta que el límite de velocidad de Ant es global por cuenta y no por modelo: el techo no se duplica porque estés llamando a dos modelos.

Dónde encaja un router y dónde no

Para ser precisos sobre nuestra propia situación, ya que es fácil dar a entender más: ni Ling-3.2-flash ni Ling-3.1-flash están en el catálogo de OrcaRouter. Volvimos a leer la lista de modelos en vivo el 6 de noviembre y devuelve 215 identificadores sin ninguna entrada de Ling, inclusionAI, Ring ni ERNIE; las únicas coincidencias con «ling» son los modelos de vídeo Kling. Así que nada de esta comparación está a una sola llamada de distancia hoy.

Lo que un router te aporta aquí es la ruta de salida en lugar de la de entrada. El límite de velocidad de Ant es de dos consultas por segundo por cuenta; un limitador global en un modelo insignia de 560B es exactamente la condición en la que la conmutación por error se justifica, y la forma práctica de ejecutar Ling-3.2-flash en un bucle de agente es poner un segundo proveedor detrás de él en lugar de hacer cola detrás de un 429. Por nuestra parte, ese segundo proveedor es un modelo con una tarifa publicada con la misma clave: Qwen3.8-Flash a 0,15 $ por millón de tokens de entrada y 0,47 $ por millón de salida para trabajo de visión, o DeepSeek V4.1 Flash a 0,15 $ y 0,60 $, y GLM-5.3-Flash a 0,15 $ y 0,50 $ para texto. Los precios son los de lista del proveedor, repercutidos sin margen, de modo que una rebaja del proveedor llega el mismo día en lugar de tras un ciclo de reajuste de precios. El DSL de enrutamiento combina varios modelos en una sola llamada, que es cómo el reparto anterior se convierte en un único endpoint en lugar de dos integraciones.

¿Qué lo zanjaría?

Tres publicaciones convertirían esto de una decisión subjetiva en una comparación de especificaciones. Una tarjeta de tarifas para Ling-3.2-flash, que incluya cómo se cuentan los tokens de imagen y vídeo. Un repositorio de Ling-3.2-flash bajo los mismos términos MIT que su predecesor, lo que haría desaparecer de la noche a la mañana la principal ventaja del modelo anterior. Y una tabla de benchmarks solo de texto —una batería de razonamiento, una de programación— que nos diría si la generación 3.2 mejoró aquello para lo que se construyó la 3.1, o si solo le añadió un sentido.

Hasta entonces, el orden es: Ling-3.2-flash es el mejor modelo, y Ling-3.1-flash es la mejor apuesta. Ant lanzó ambos con cinco semanas de diferencia —Ling-3.1-flash el 30 de septiembre de 2026 y Ling-3.2-flash el 5 de noviembre—, y solo uno de esos dos modelos tiene precio.