
Ling-3.0-flash : Ce que nous savons désormais sur le MoE à poids ouverts de niveau rapide d'Ant Group
- OrcaNOUVEAUOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 par million de tokens · 186 tok/s
- openaiNOUVEAUOpenAI: GPT-6.2 Astra2026-11-17$8.00 / $40.00 par million de tokens · 86 tok/s
- openaiNOUVEAUOpenAI: GPT-6.2 Sol2026-11-17$2.00 / $10.00 par million de tokens · 151 tok/s
- tencentNOUVEAUTencent: Hy4 Flash2026-11-16$0.02 / $0.07 par million de tokens · 192 tok/s
- AlibabaNOUVEAUQwen: Qwen4 Max2026-11-16$1.50 / $4.50 par million de tokens · 86 tok/s
- GoogleNOUVEAUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 par million de tokens · 705 tok/s
- AnthropicNOUVEAUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 par million de tokens · 246 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 par million de tokens · 97 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 par million de tokens · 138 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 par million de tokens · 85 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 par million de tokens · 122 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 par million de tokens · 102 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 par million de tokens · 70 tok/s
- openaiOpenAI: GPT-6.1 Terra2026-10-26$1.00 / $5.00 par million de tokens · 35 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 par million de tokens · 89 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 par million de tokens · 38 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligence
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 par million de tokens · 231 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligence
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 par million de tokens · 101 tok/s
Ling-3.0-flash — le MoE rapide d’InclusionAI, d’Ant Group, annoncé le 24 juillet 2026 et rendu open source sous licence MIT le 7 août — dispose désormais d’une voie de déploiement concrète sur un seul appareil. Le 27 octobre, NVIDIA a publié une recette technique montrant que la version FP4 du modèle décode à 53,89 tokens par seconde sur un seul DGX Spark, soit une hausse de 42,5 % par rapport à 37,81 tok/s, sur l’ensemble des 1 319 questions GSM8K, avec une précision statistiquement inchangée. Il s’agit des mesures de NVIDIA sur son propre matériel, et non d’un test indépendant réalisé par un tiers, et elles s’appliquent à une taille de lot de 1. Elles ne remplacent pas les chiffres de l’API hébergée ci-dessous. Elles transforment toutefois la « voie de déploiement sur un seul DGX Spark », auparavant vague, en une configuration publiée avec une référence de base, un protocole et un mode de défaillance documenté.
Le modèle lui-même n'a pas changé. C'est un mixture-of-experts à raisonnement hybride natif, avec 124 B de paramètres totaux et 5,1 B actifs par token, conçu comme le palier rapide et économique de la famille Ling ; les poids sous licence MIT sont disponibles sur Hugging Face et ModelScope depuis le 7 août. Ce qui a changé depuis la version d'août de cet article, c'est le contexte qui l'entoure. L'évaluation d'Artificial Analysis, citée dans cet article en août, a attribué à Ling-3.0-flash un score de 38 sur son Intelligence Index et l'a placé sur la frontière de Pareto des poids ouverts pour l'intelligence en fonction du nombre total de paramètres. La page en ligne d'AA marque désormais le modèle comme déprécié au profit de Ling-3.1-flash, y renvoie les lecteurs et n'affiche plus d'Intelligence Index actuel. Le 38 reste le dernier score indépendant obtenu par ce checkpoint ; ce n'est pas un chiffre actuel.
Cette révision intègre la mesure d’octobre du DGX Spark et corrige les parties de l’article d’août qui ont évolué — les chiffres de vitesse actuels d’AA et son statut de dépréciation — tout en conservant intacts les libellés de sources. Lorsque Ant Group ou NVIDIA est la seule source d’un chiffre, la phrase le précise.
TL;DR. Ling-3.0-flash est le MoE à poids ouverts de la gamme rapide d'Ant Group : 124B au total / 5,1B actifs, licence MIT, contexte natif de 256K (262K tel que servi). Ce n'est plus le Ling le plus récent — AA le marque comme déprécié au profit de Ling-3.1-flash — mais il reste disponible, documenté, et dispose désormais d'une recette mesurée sur un seul appareil. La configuration DGX Spark de NVIDIA du 27 octobre atteint 53,89 tok/s avec une taille de lot de 1 sur GSM8K, soit +42,5 % par rapport à sa propre référence, selon le fournisseur. Sur l'API hébergée, AA indique actuellement 243 tok/s en sortie et un temps jusqu'au premier token de 2,79 s. Toujours fournis uniquement par le vendeur : la revendication de débit de pointe de plus de 1 100 tok/s d'Ant, le chiffre de TTFT inférieur à 100 ms et le tableau de benchmarks de la fiche modèle. Le tarif de l'API de première partie est de 0,075 $ en entrée / 0,22 $ en sortie pour 1M de tokens (80 % de réduction sur les hits de cache) ; l'offre gratuite de lancement a pris fin le 3 août, et la promotion de 75 % de réduction sur Ling Studio a pris fin le 31 août.
Points clés
• C'est la gamme rapide/économique, pas le modèle phare. Le modèle phare de 1 T de paramètres de la génération précédente reste le plus grand modèle d'InclusionAI ; Ling-3.0-flash est le petit frère plus compact et plus rapide, destiné aux textes à fort volume et aux appels d'outils.
• Les poids sont toujours ouverts sous licence MIT. Ils sont arrivés sur Hugging Face (inclusionAI/Ling-3.0-flash) et ModelScope le 7 août, et la version MXFP4 que NVIDIA documente pour le DGX Spark est livrée aux côtés des checkpoints BF16 et FP8.
Le score indépendant appartient désormais au passé. L’évaluation AA citée dans cet article en août lui a attribué 38, soit 24 points de plus que Ling-2.6-flash, et l’a placé sur la frontière de Pareto des modèles à poids ouverts ; la page en direct d’AA marque désormais le modèle comme déprécié au profit de Ling-3.1-flash et n’affiche aucun Intelligence Index actuel.
• La vitesse a trois points de référence, et ils ne sont pas interchangeables. AA indique actuellement 243 tok/s en sortie sur l’API hébergée ; NVIDIA mesure 53,89 tok/s sur un DGX Spark avec une taille de lot de 1 ; Ant revendique encore 1 100+ tok/s sur le matériel de cluster spécifié.
• Les prix sont fixés et les promotions sont terminées. 0,075 $ en entrée / 0,22 $ en sortie par million de jetons, avec une remise de 80 % en cas de succès du cache ; l’offre gratuite de lancement s’est terminée le 3 août, et la période de remise de 75 % sur Ling Studio s’est terminée le 31 août.
• C'est l'un des trois modèles d'une même famille. InclusionAI répartit sa gamme entre Ling (MoE généraliste pour le texte et les outils, ce modèle), Ring (raisonnement) et Ming (multimodal).
Une note sur la manière de lire cette mise à jour : il s’agit d’une révision de l’aperçu du 24 juillet et de la révision du 8 août qui l’a précédée. Le résultat DGX Spark du 27 octobre constitue le nouveau contenu ; les corrections AA relèvent de l’entretien courant, afin que l’article ne cite pas un score en direct qui n’existe plus. Chaque spécification, benchmark et prix ci-dessous est étiqueté par source.
Ce que nous savons réellement
L’architecture est entièrement documentée sur la fiche du modèle. Ling-3.0-flash utilise une pile d’attention hybride linéaire native — des couches Kimi Delta Attention (KDA) et Gated MLA alternant dans un rapport de 5:1 (35 KDA + 7 MLA, 42 couches au total), avec le gating diagonal à grain fin de KDA — au-dessus d’un MoE clairsemé à 1/64 (512 experts routés, 8 activés par token, plus un expert partagé). C’est ainsi qu’il atteint 124 B de paramètres totaux avec seulement 5,1 B actifs. La fenêtre de contexte est nativement de 256 K, avec 262 144 tokens dans les recettes d’inférence, et Ant affirme que l’architecture peut monter en charge jusqu’à 1 M. La longueur maximale de sortie n’est pas divulguée. Le modèle est uniquement textuel avec prise en charge des appels d’outils ; l’entrée multimodale se trouve dans la gamme Ming distincte.
Le laboratoire publie deux formats de poids — BF16 (environ 255 Go) et FP8 (environ 128 Go) — et des variantes quantifiées de la communauté sont accessibles via des liens depuis la fiche du modèle. La recette DGX Spark en utilise un troisième : une version MXFP4 qui tient dans les 121 Go de mémoire unifiée de l’appareil. Les recettes de déploiement propres au laboratoire ciblent SGLang et vLLM ; le parcours Spark de NVIDIA utilise une version SGLang d’InclusionAI avec le backend MoE Humming ajouté.
Disponibilité : open weights sous licence MIT
Le 7 août, l’équipe InclusionAI d’Ant Group a publié en open source les poids sous licence MIT sur Hugging Face (inclusionAI/Ling-3.0-flash) et ModelScope. Il s’agit d’une licence permissive, utilisable à des fins commerciales — la même que celle sous laquelle Ling 2.0 et Ling 2.6 ont été publiés — ce qui signifie que vous pouvez héberger vous-même, affiner et déployer Ling-3.0-flash plutôt que de le louer via une API. Le modèle est également appelable via l’API développeur d’Ant et plusieurs plateformes tierces. Pour un modèle de gamme rapide à ce prix, la question intéressante n’est plus de savoir si vous pouvez l’héberger vous-même ; c’est de savoir si un seul appareil de 121 Go suffit. Le Ling Cookbook d’InclusionAI contient désormais un notebook DGX Spark crédité conjointement à Ant Group et NVIDIA, et le checkpoint MXFP4 qu’il utilise est publié aux côtés des autres formats. La section ci-dessous est la première réponse mesurée à cette question.

Scores indépendants : un résultat du mois d’août, désormais historique.
Le changement le plus important par rapport à l'article de juillet était l'apparition de chiffres indépendants. L'évaluation d'Artificial Analysis, citée par cet article en août, a attribué à Ling-3.0-flash un score de 38 sur l'Intelligence Index — soit 24 points de plus que la génération rapide précédente, Ling-2.6-flash (14), et au niveau de MiMo-V2.5 et Qwen 3.6 27B tout en n'activant qu'une fraction de leurs paramètres. AA a également placé le modèle sur la frontière de Pareto des modèles à poids ouverts pour l'intelligence par rapport au nombre total de paramètres : à l'époque, aucun modèle à poids ouverts comptant moins de paramètres au total n'obtenait un score supérieur. Le leader des modèles à poids ouverts de la catégorie rapide sur AA, DeepSeek V4 Flash, obtenait un score encore plus élevé (Index 52 avec un effort de raisonnement maximal).
Ce résultat a depuis été retiré plutôt qu’infirmé. La page en ligne d’AA consacrée à Ling-3.0-flash signale désormais le modèle comme obsolète au profit de Ling-3.1-flash, renvoie les lecteurs vers le modèle plus récent et n’affiche aucun Indice d’intelligence actuel. Le 38 reste le dernier score indépendant obtenu par ce checkpoint ; à lire comme un résultat daté, et non comme un classement actuel. Si vous choisissez un modèle Ling aujourd’hui, la comparaison à faire est avec Ling-3.1-flash, dont AA assure actuellement la couverture.
Les résultats de cette évaluation en matière d'agentivité et de contexte long étaient eux aussi solides en tendance. Sur la suite τ3-Bench Banking d'AA, Ling-3.0-flash a obtenu un score de 27 %, se classant deuxième parmi les modèles à poids ouverts de la gamme flash, derrière DeepSeek V4 Flash (39 %). Sur GDPval-AA v2, il a atteint un Elo de 1108, contre 545 pour Ling-2.6-flash. Ant a entraîné le modèle sur plus de 10 000 environnements interactifs (selon le fournisseur) et le présente comme un nœud d'exécution pour les workflows d'agents — rapide, économique et jetable, la lourde charge de raisonnement étant laissée à un modèle phare plus grand.
Un bémol sur la source des données : le tableau de benchmarks de la fiche modèle d’Ant — SWE-Bench Pro 56,6, SWE-bench Multilingual 72,4, MathArena AIME 2026 93,2, HLE 22,7 — est déclaré par le fournisseur et n’a pas été reproduit de manière indépendante. Considérez-le comme les affirmations du laboratoire lui-même, dans la même catégorie que les chiffres de vitesse de pointe ci-dessous.
Vitesse : trois nombres, trois configurations différentes
L’histoire de la vitesse comporte désormais trois chiffres, et la première chose à faire est de cesser de les traiter comme une seule et même mesure.
Sur l'API hébergée, Artificial Analysis indique actuellement 243 jetons de sortie par seconde et un délai jusqu'au premier jeton de 2,79 s. C'est inférieur aux 368 tok/s et 1,98 s rapportés dans cet article en août — le panel de fournisseurs et les exécutions d'AA évoluent, et c'est la page en direct qu'il faut citer aujourd'hui. Le modèle reste classé parmi les meilleurs de sa catégorie de vitesse.
Sur un seul DGX Spark, NVIDIA rapporte 53,89 jetons de décodage par seconde avec une taille de lot de 1 sur GSM8K, soit un gain de 42,5 % par rapport à sa propre référence. Il s’agit d’un chiffre local pour un seul utilisateur, non comparable à un chiffre de débit d’API et non un résultat de concurrence. La section suivante l’analyse en détail.
Sur un matériel de cluster spécifié, Ant revendique un débit de sortie moyen supérieur à 1 100 tokens par seconde et un délai jusqu’au premier token inférieur à 100 ms, grâce à une couche de mise en cache hiérarchique reposant sur SGLang HiCache et Mooncake. Cela reste propre au fournisseur — mesuré sur le matériel et les configurations par lots contrôlés par Ant, sans réexécution indépendante publiée. Pour la planification, utilisez le chiffre AA pour les charges de travail hébergées, le chiffre NVIDIA pour un seul Spark, et considérez 1 100+ tok/s comme un plafond à vérifier sur votre propre charge de travail.
Un DGX Spark : ce que les 42,5 % mesurent réellement
Le 27 octobre, le blog technique de NVIDIA a publié une recette pour servir Ling-3.0-flash-fp4 sur un seul DGX Spark — le système de bureau GB10 doté de 121 Go de mémoire unifiée — et le Ling Cookbook d’InclusionAI contient le notebook correspondant, attribué conjointement à Ant Group et NVIDIA. La propre communication d’Ant Group a décrit ce travail comme une collaboration technique avec NVIDIA. Il s’agit d’un benchmark rigoureux plutôt que d’une démo : les 1 319 questions GSM8K dans leur intégralité, une chaîne de raisonnement à cinq exemples, une taille de lot de 1, une température de 0,6, top-p 0,95, top-k 29 et une limite de 32 768 tokens.
La référence est une build W4A8 servie avec les noyaux MoE MXFP4 de FlashInfer, un GEMM dense CUTLASS et une tête LM 32 bits. Sur cette référence, le décodage tourne à 37,81 tok/s. Avec trois changements cumulés, il tourne à 53,89 tok/s — les 42,5 % du titre. Le temps moyen par token de sortie passe de 26,45 ms à 18,56 ms (−29,8 %), la latence moyenne de bout en bout de 15,21 s à 11,49 s (−24,5 %), le P50 de 8,36 s à 6,11 s et le P95 de 50,20 s à 38,60 s. La précision GSM8K passe de 96,89 % à 96,82 %, une différence de 0,08 point que NVIDIA décrit comme non détectable statistiquement. Le temps moyen jusqu’au premier token est essentiellement stable, de 0,207 s à 0,214 s. Ce sont des gains de décodage, pas des gains de préremplissage.
Les trois modifications visent des coûts différents :
• Les kernels MXFP4 MoE de Humming remplacent le backend FlashInfer. Humming compile les kernels à l’exécution avec NVRTC pour les formes exactes du modèle — y compris sa taille intermédiaire MoE étroite de 768 — et les met en cache dans ~/.humming/cache. Dans le test synthétique de NVIDIA, à lui seul, il augmente le débit de 9,3 %.
• Quantification FP8 en ligne de la tête LM. La tête reste en BF16 dans le checkpoint, et son GEMM 157,184 × 2,560 lit le bloc de poids complet à chaque token ; sa quantification en FP8 au chargement réduit de moitié cette lecture. Elle est activée avec SGLANG_ENABLE_FP8_LM_HEAD=1, ce qui entre en conflit avec l'option --enable-fp32-lm-head de la baseline, et ajoute 11,4 % par rapport à Humming seul.
• Prédiction multi-tokens NEXTN. La couche NEXTN intégrée au modèle génère trois tokens et vérifie une fenêtre de quatre tokens. Sur GSM8K, la longueur moyenne de proposition acceptée est de 2,68 tokens par tour.
Il y a un second chiffre plus impressionnant dans le même post : une charge de travail synthétique de 32K en entrée / 2K en sortie, avec une taille de lot de 1, passe de 36,09 à 102,88 tok/s, soit +185,1 %. NVIDIA elle-même met en garde contre toute généralisation. Cette exécution utilisait un décodage glouton, une sortie fixe de 2K et du texte répétitif ; l’acceptation a atteint 3,90 tokens par cycle, contre 2,68 sur GSM8K. Le chiffre de 42,5 % sur GSM8K est celui sur lequel il faut planifier. Les 185,1 % constituent un plafond synthétique correspondant au meilleur cas.
Un piège opérationnel compte davantage que l’accélération. La quantification FP8 de la tête LM et MTP ne se combinent que si le modèle de brouillon partage l’intégralité du module de tête LM de la cible, et pas seulement son tenseur de poids. Sans cette interface, le framework revient silencieusement à un mode de repli, lit les poids FP8 comme des BF16, fait chuter le taux d’acceptation à 1,00 et peut finir plus lent que la référence non optimisée. NVIDIA conseille de vérifier que chaque optimisation est active au démarrage plutôt que de l’inférer à partir des mesures de temps ultérieures.
Ce que cela change pour un lecteur : le chemin mono-Spark n'est plus une diapositive de fournisseur. C'est une recette publiée avec une base de référence, un protocole de mesure et un mode de défaillance explicite — de quoi reproduire ou rejeter sur votre propre appareil. Ce que cela ne change pas : il s'agit toujours d'une mesure de NVIDIA, sur un seul appareil, à taille de lot 1, pour le décodage. Cela ne dit rien du service concurrent, du débit en contexte long ni de l'API hébergée. Et c'est spécifique à la build FP4 ; les checkpoints BF16 et FP8 ont des profils de mémoire et de bande passante différents.
Prix : pas cher, et la promo est terminée.
Artificial Analysis indique l’API officielle à 0,075 $ pour 1 million de tokens d’entrée et 0,22 $ pour 1 million de tokens de sortie, avec les hits de cache à 0,015 $ (−80 %) — tous ces tarifs étant fixés par le fournisseur. L’offre gratuite de lancement (500 k tokens gratuits/jour, accès API gratuit) a pris fin le 3 août. La période temporaire de réduction de 75 % sur Ling Studio s’est poursuivie jusqu’au 31 août 2026 ; les tarifs catalogue s’appliquent depuis le 1er septembre. Même au tarif catalogue complet, 0,075 $/0,22 $ place résolument Ling-3.0-flash dans le segment économique pour un modèle doté d’un Index de 38 dans cette évaluation.
À des prix aussi bas, le coût de bascule compte davantage que le prix par token. Le rôle d’OrcaRouter est de garantir l’honnêteté du volet hébergé de cette comparaison : une API unique pour plus de 200 modèles, les prix catalogue des fournisseurs répercutés à 0 % de marge et un basculement automatique entre fournisseurs. Un déploiement local de DGX Spark doit battre un prix de marché réel et actuel plutôt qu’une plaquette commerciale — et lorsqu’un fournisseur hébergé modifie son prix, la répercussion l’affiche sur la même clé le jour même.
La famille Ling / Ring / Ming
Ling-3.0-flash n’existe pas isolément — InclusionAI organise ses versions en trois familles nommées, chacune destinée à une tâche différente. Ling est la gamme MoE généraliste pour la génération de texte et l’appel d’outils au quotidien, et Ling-3.0-flash se situe à son extrémité rapide et économique, un cran en dessous du fleuron à 1 000 milliards de paramètres de la génération précédente. Ring est la gamme axée sur le raisonnement, conçue pour la chaîne de raisonnement à plusieurs étapes. Ming est la gamme multimodale. Si votre tâche nécessite un raisonnement plus poussé ou une entrée d’image, le bon modèle InclusionAI n’est probablement pas Ling-3.0-flash — il est conçu pour le volume et la vitesse dans le créneau du texte et des outils.
À qui cela s’adresse : quatre scénarios
1. Pipelines de texte ou d'appel d'outils à haut volume et sensibles à la latence
C’est le terrain de prédilection du modèle. Avec une licence MIT, une recette single-Spark publiée et un Index indépendant daté de 38, le pari de la catégorie rapide est vérifiable plutôt qu’hypothétique : faites tourner votre propre jeu d’évaluation dessus, ou récupérez les poids et hébergez-le vous-même. Ne construisez simplement pas autour du plafond de 1,100+ tok/s du fournisseur avant de l’avoir mesuré sur votre charge de travail.
2. Équipes qui veulent un long contexte à petit budget
Un contexte natif de 256K (262K servi) avec un chemin annoncé vers 1M, à 0,075$/0,22$, constitue une combinaison attrayante pour les travaux à forte intensité de recherche ou de traitement de documents. Les chiffres de contexte long de la fiche du modèle sont rapportés par le fournisseur ; il convient donc de le mettre en concurrence avec les options de contexte long établies et de le vérifier sur votre propre corpus avant de vous engager.
3. Les observateurs surveillant le paysage du MoE en Chine et la feuille de route d'InclusionAI.
La question de juillet — InclusionAI resterait-il ouvert ? — a désormais une réponse : oui, MIT, et vite. Ling-3.0-flash atteignant la frontière de Pareto AA avec 5,1 B de paramètres actifs était un premier point de données. La recette DGX Spark d’octobre en est un second : un modèle de 124 B décodant à 53,89 tok/s sur une seule machine de bureau avec une taille de lot de 1, la recette étant publiée.
4. Équipes disposant d’un seul DGX Spark sur le bureau
Si vous possédez déjà le {{1}}boîtier{{/1}}, {{2}}la recette de NVIDIA{{/2}} est la première configuration qui vaut la peine d’être copiée : {{3}}build MXFP4{{/3}}, {{4}}fork SGLang d’InclusionAI{{/4}}, {{5}}kernels MoE Humming{{/5}}, {{6}}une tête LM FP8{{/6}} et {{7}}NEXTN MTP{{/7}}. Considérez-la comme {{8}}la mesure d’un seul fournisseur à une taille de lot de 1{{/8}}, et vérifiez au démarrage que {{9}}les composants FP8 et MTP sont réellement actifs{{/9}} — le {{10}}mode de défaillance par repli silencieux{{/10}} est bien réel. Si vous ne possédez pas de {{11}}Spark{{/11}}, la recette est {{12}}un point de données sur ce que 121 Go de mémoire unifiée permettent d’acheter{{/12}}, et non {{13}}une raison d’en acheter une{{/13}}.
Qu'est-ce qui reste encore non vérifié
Une courte liste, maintenant que les grands écarts sont comblés. Les affirmations d’Ant sur sa vitesse de pointe (plus de 1 100 tok/s, TTFT inférieur à 100 ms) n’ont toujours pas fait l’objet d’une re-mesure indépendante. Le tableau des benchmarks de la fiche modèle reste déclaré par le fournisseur. Les versions FP4/INT4 et la configuration à un seul DGX Spark ne sont plus floues — NVIDIA a publié la configuration et InclusionAI fournit le notebook — mais les chiffres de 53,89 tok/s et 96,82 % sont des mesures de NVIDIA lui-même sur un seul appareil avec une taille de lot de 1, et non une reproduction par un tiers. Le score indépendant est historique : l’évaluation citée par cet article en août lui attribuait 38, et la page en ligne indique désormais que le modèle est obsolète au profit de Ling-3.1-flash. Et en matière de connaissances, l’Omniscience Index de cette évaluation montrait que l’amélioration par rapport à la génération précédente découlait en grande partie de l’abstention — le taux d’hallucination a chuté (97 % → 44 %) tandis que la précision n’a que légèrement progressé (16 % → 18 %) — ne prenez donc pas le bond de l’Index mis en avant pour un bond généralisé des connaissances.
Quand ne pas l'utiliser
Passez Ling-3.0-flash pour les travaux multimodaux — c’est la gamme Ming. Passez-le si vous avez besoin d’un modèle phare de raisonnement lourd plutôt que d’un exécuteur rapide — c’est le créneau de Ring. Si vous prévoyez de l’auto-hébergement, prévoyez le matériel réel : BF16 représente environ 255 GB, FP8 environ 128 GB, et la version MXFP4 est celle qui tient dans un DGX Spark de 121 GB. Si vous choisissez un modèle Ling de zéro plutôt que de maintenir un déploiement existant, comparez d’abord à Ling-3.1-flash ; AA y a déplacé sa couverture. Et si une affirmation compte pour vous, vérifiez-la — les chiffres de vitesse de pointe et de contexte long sont ceux d’Ant jusqu’à ce qu’un laboratoire indépendant les reproduise.
FAQ
Est-ce que Ling-3.0-flash a des poids ouverts ?
Oui. Les poids ont été publiés en open source le 7 août sous licence MIT, sur Hugging Face (inclusionAI/Ling-3.0-flash) et ModelScope. Il s'agit d'une licence permissive, utilisable commercialement — la même que celle sous laquelle Ling 2.0 et Ling 2.6 ont été distribués.
Comment se comporte Ling-3.0-flash sur les benchmarks ?
L’évaluation d’Artificial Analysis, que cette publication citait en août, lui a attribué un score de 38 sur l’Intelligence Index, soit 24 points de plus que Ling-2.6-flash, et l’a placé sur la frontière de Pareto des modèles à poids ouverts pour l’intelligence en fonction du nombre total de paramètres. La page en ligne d’AA marque désormais le modèle comme déprécié au profit de Ling-3.1-flash et n’affiche plus d’Intelligence Index actuel ; 38 est donc un résultat historique. Le tableau de référence sur la fiche modèle d’Ant (par exemple SWE-Bench Pro 56.6) est rapporté par le fournisseur et n’a pas été reproduit indépendamment.
À quelle vitesse est-ce vraiment ?
Il y a trois nombres différents pour trois configurations différentes. AA indique actuellement 243 tokens de sortie par seconde et un temps jusqu'au premier token de 2,79 s sur l'API hébergée. NVIDIA rapporte 53,89 tok/s en décodage avec une taille de lot de 1 sur un seul DGX Spark. Ant revendique plus de 1 100 tok/s et un TTFT inférieur à 100 ms sur un matériel de cluster spécifié. Seul le chiffre d'AA est indépendant ; les deux autres sont des mesures du fournisseur sur du matériel différent.
Combien coûte Ling-3.0-flash ?
AA indique que l’API first-party est facturée à 0,075 $ par million de tokens d’entrée et à 0,22 $ par million de tokens de sortie, avec une remise de 80 % en cas de cache-hit. L’offre gratuite de lancement a pris fin le 3 août, et la période temporaire de 75 % de réduction sur Ling Studio a pris fin le 31 août 2026.
Quelle est la différence entre Ling, Ring et Ming ?
Ling est la gamme MoE polyvalente d’InclusionAI dédiée au texte et à l’appel d’outils, et Ling-3.0-flash occupe son créneau rapide et économique. Ring est la gamme axée sur le raisonnement. Ming prend en charge les tâches multimodales. Ce sont des familles distinctes destinées à des usages différents, et non des niveaux d’un même modèle.
Ling-3.0-flash peut-il tourner sur un seul DGX Spark ?
Oui. NVIDIA a publié le 27 octobre une recette pour la version MXFP4 sur un DGX Spark (121 Go de mémoire unifiée), utilisant les noyaux Humming MXFP4, une tête LM FP8 et la prédiction multi-token NEXTN. Elle rapporte 53,89 tok/s en décodage avec une taille de lot de 1 sur 1 319 questions GSM8K, soit un gain de 42,5 %, avec une précision de 96,82 %. Les résultats sont ceux de NVIDIA, n'ont pas été reproduits indépendamment et ne valent qu'avec une taille de lot de 1 ; combiner FP8 avec MTP exige que le modèle de brouillon partage la tête LM complète, sinon le débit peut tomber sous la référence non optimisée.
Devrais-je utiliser Ling-3.0-flash en production aujourd'hui ?
C’est un modèle mature à poids ouverts, mais ce n’est plus le plus récent des Ling : AA le marque comme obsolète au profit de Ling-3.1-flash. Si vous exécutez déjà Ling-3.0-flash, la recette DGX Spark est une optimisation concrète qui vaut la peine d’être reproduite. Si vous partez de zéro, comparez-le à Ling-3.1-flash et exécutez votre propre jeu d’évaluation ; la licence MIT et le prix de 0,075 $/0,22 $ en font encore une option crédible pour le segment économique.
L'essentiel
Ling-3.0-flash n’est plus le Ling le plus récent, et la page en direct d’AA le dit. Ce dont il dispose et que la plupart des modèles à poids ouverts n’obtiennent jamais, c’est une configuration mono-appareil mesurée : un seul DGX Spark, 53,89 tok/s en décodage avec une taille de lot de 1, 96,82 % sur GSM8K, avec la référence, le protocole et le mode de défaillance publiés en parallèle. Interprétez les 42,5 % comme un résultat de NVIDIA lui-même plutôt qu’un verdict indépendant, et considérez l’Index d’août à 38 comme de l’histoire ancienne. Dans ces limites, le modèle reste une option locale crédible de niveau rapide ; si vous partez de zéro, la comparaison à lancer en premier est Ling-3.1-flash.
