Ling-3.1-flash-1019 vs Ling-3.1-flash : même taille, même prix, une facture de tokens plus salée

Si vous payez au token, Ling-3.1-flash-1019 est une mise à niveau gratuite par rapport à Ling-3.1-flash. Les deux sont proposés à 0,30 $ par million de tokens d'entrée et 0,90 $ par million de tokens de sortie, les deux sont sous licence MIT, les deux sont des modèles de mélange d'experts de 560 milliards de paramètres avec 25 milliards actifs, et les deux occupent 573,8 Go sur disque. Si vous payez à la tâche terminée, la mise à niveau coûte plutôt environ 47 % de plus : Artificial Analysis a mesuré 1,49 $ par tâche de l'Intelligence Index pour la version 1019, contre 1,01 $ pour son prédécesseur, car le modèle plus récent génère environ 59 % de tokens de sortie en plus pour parvenir à ses réponses. Le gain de trois points à l'indice entre eux — 44 contre 41 — est réel. La question à laquelle cette page répond est de savoir qui devrait payer pour cela.

Les dates comptent pour la lecture de la suite. Ling-3.1-flash est passé en open source sous licence MIT à la mi-octobre, son dépôt ayant été créé le 13 octobre et l’annonce d’Ant suivant le 15 octobre. Le build 1019 a été annoncé le 22 octobre avec un score et sans téléchargement, et ses poids ainsi qu’un checkpoint de base sont arrivés le 27 octobre. Il ne s’agit donc pas d’un écart de génération. C’est une seule passe de post-entraînement appliquée à la même architecture, livrée cinq jours après le chiffre qui la décrit.

Ce que les deux points de contrôle ont en commun

Le recouvrement est suffisamment important pour que le coût de migration soit pratiquement nul, ce qui constitue le principal argument en faveur de la version plus récente :

• Architecture — 72 couches, réparties en 63 couches d’attention linéaire KDA et 9 couches MLA à portes selon un ratio de 7:1, plus 4 couches denses.

• Experts — 512 routés, 8 activés par token, 1 partagé ; taille cachée 4 096 ; vocabulaire 157 184.

• Poids sur disque — 573,8 Go de safetensors FP8 répartis sur 54 shards pour les deux, d’après notre décompte à partir des listes de fichiers des deux dépôts.

• Licence — MIT pour les deux, y compris la redistribution commerciale.

• Prix — 0,30 $ en entrée, 0,90 $ en sortie, 0,06 $ pour la lecture du cache, soit un tarif mixte de 0,19 $ pour une répartition 7:2:1 entre hits de cache, entrées et sorties.

• Contexte déclaré — une fenêtre de 1 M de jetons sur les deux fiches de modèle ; 262 144 positions et aucun scaling RoPE dans les deux fichiers config.json.

Cette dernière ligne est la première chose à assimiler avant de les comparer. Sur le papier, les deux modèles offrent un million de tokens. Dans la configuration livrée, les deux plafonnent à 256K, sauf si vous ajoutez un schéma de mise à l’échelle qu’Ant n’a pas inclus. La limitation est identique des deux côtés, elle ne départage donc pas le match — mais elle signifie qu’aucune des deux versions n’est le modèle à un million de tokens vanté sur les fiches, et que quiconque prévoit une charge de travail d’1 million de tokens choisit entre deux modèles qui devront tous deux être retravaillés pour y parvenir.

D'où viennent les trois points

Artificial Analysis mesure lui-même l’écart principal : 41 pour Ling-3.1-flash et 44 pour Ling-3.1-flash-1019 sur l’Intelligence Index v4.3.2, le modèle plus ancien étant classé huitième sur 122 et le plus récent quatrième. Il s’agit d’une mesure indépendante des deux extrémités, ce qui fait du delta de trois points le chiffre le plus fiable de cette comparaison.

La ventilation par benchmark est déclarée par le fournisseur et doit être lue comme telle — elle provient de la fiche de modèle d'Ant, et non d'un harnais public :

• AA-Briefcase — environ 1 400 à 1 524 Elo. Il s'agit du benchmark des artefacts de travail intellectuel, et une progression de 124 points constitue le plus fort gain relatif de l'ensemble.

• AutomationBench-AA — de 62 % à 68 %, soit une amélioration de six points sur l'automatisation des tâches agentiques.

• CritPt — de 18 % à 26 %, la plus forte progression proportionnelle : huit points sur un ensemble de raisonnement en physique où les scores absolus sont faibles pour tout le monde.

• SciCode — de 54 % à 57 %, la plus petite variation des quatre, et celle à pondérer avec le plus de prudence ; Artificial Analysis signale que SciCode est en cours d’examen pour ce modèle.

Lus ensemble, ces éléments concordent avec ce qu’Ant dit avoir fait : davantage de post-entraînement sur le raisonnement et le travail agentique multi-étapes, plutôt qu’une nouvelle surface de capacités. Les gains se concentrent là où les chaînes de décisions sont longues et où une réponse partiellement correcte obtient un crédit partiel. Ils sont les plus ténus sur la génération de code scientifique pure, ce qui est exactement là où l’on s’attendrait à ce qu’une actualisation par post-entraînement, plutôt qu’un changement d’architecture, progresse le moins.

La facture : 59 % de réflexion en plus

C’est ici que les deux modèles cessent d’être interchangeables. Artificial Analysis a enregistré 220 M de jetons de sortie pour l’exécution de l’index Ling-3.1-flash et 350 M pour l’exécution 1019 — un ratio de 1,59 — et classe la version la plus récente au dernier rang de 48 modèles pour la verbosité, contre une médiane de 140 M. Le coût pour terminer l’index est passé de 1,01 $ à 1,49 $ par tâche.

Appliquez cela à l’échelle d’une charge de travail. Pour 10 000 tâches de type index, les chiffres par tâche impliquent environ 10 100 $ sur le checkpoint plus ancien et 14 900 $ sur le plus récent. Le volet tokens suit la même logique : une charge de travail qui consomme 2,2 milliards de tokens de sortie sur Ling-3.1-flash en consommerait environ 3,5 milliards sur le build 1019 au ratio mesuré, ce qui, à 0,90 $ le million, représente 1 980 $ contre 3 150 $. Le reste de l’écart par tâche provient de la tarification des entrées et du cache, mais c’est le nombre de tokens qui en fixe la direction : vous achetez trois points d’indice avec environ six dixièmes de réponse supplémentaire par réponse.

La pertinence de ce compromis dépend du mode de défaillance contre lequel vous vous prémunissez. Dans une boucle d’agent où un appel d’outil erroné déclenche une nouvelle tentative, une relecture du contexte ou une revue humaine, 59 % de jetons supplémentaires coûtent peu face à une seule boucle évitée. En classification, en extraction, en chat court ou dans toute tâche à fort volume où la réponse tient en une ou deux phrases, ce même ratio est un surcoût pur — et l’indice ne le montrera jamais, car l’indice récompense les cas difficiles que le post-entraînement visait.

L’autre aspect de l’équation des coûts est la stabilité des tarifs. OrcaRouter place plus de 200 modèles derrière une seule clé, avec 0 % de marge par rapport aux tarifs publics des fournisseurs, de sorte qu’une variation de prix d’un fournisseur est répercutée le jour même pour les modèles que nous routons. La gamme Ling ne figure pas dans ce catalogue aujourd’hui, ce qui signifie que les chiffres ci-dessus correspondent au tarif public d’Ant et à rien d’autre. C’est précisément pourquoi le calcul par tâche compte davantage que le tarif par token : le tarif est identique entre ces deux modèles, il ne peut donc pas vous aider à choisir.

Vitesse : un seul chiffre existe, et il appartient au modèle plus ancien

Artificial Analysis a mesuré Ling-3.1-flash à 215,7 jetons de sortie par seconde, avec un temps jusqu’au premier jeton de 1,73 seconde, ce qui le classe sixième sur 78 modèles en termes de vitesse. Pour Ling-3.1-flash-1019, la même page ne présente aucun chiffre de vitesse de sortie — au moment de la mesure, aucune API accessible publiquement n’était disponible pour effectuer un chronométrage, et les poids n’ont été publiés qu’aujourd’hui. Ainsi, le fait que le modèle soit plus rapide n’est pas une question d’opinion ; c’est le seul des deux à disposer d’une mesure.

Combinez cela avec le ratio de tokens et vous obtenez une estimation défendable, clairement présentée comme de l’arithmétique plutôt que comme un benchmark. Si les deux versions décodaient à 215,7 tokens par seconde, une réponse de 1 000 tokens sur Ling-3.1-flash prendrait environ 4,6 secondes de décodage ; la réponse équivalente de 1 590 tokens sur la version 1019 prendrait environ 7,4 secondes. Le temps jusqu’au premier token est une variable distincte et pourrait évoluer dans un sens comme dans l’autre. Le point est qu’une augmentation de 59 % du nombre de tokens ne peut pas être gratuite en temps réel, à moins que le modèle plus récent ne décode aussi nettement plus vite, et personne n’a publié de preuve en ce sens.

Auto-hébergement : empreinte identique, README différent

Sur votre propre matériel, le choix est plus simple, car la cible de déploiement ne change pas. Les deux checkpoints nécessitent la même configuration documentée — huit H200 en TP8 plus EP8, ou quatre GB300 en TP4 plus EP4 — ainsi que la même image SGLang day-0, avec une recette vLLM utilisant un parallélisme tensoriel de 8, un parallélisme d’experts et trois tokens spéculatifs. Comme les architectures et les tailles de fichiers sont identiques, 1019 est un remplacement direct : changez le chemin des poids, conservez la pile de service, et rien d’autre dans votre infrastructure n’a besoin de le savoir.

Deux avertissements pratiques. Premièrement, le Quickstart de la fiche du modèle 1019 pointe encore vers inclusionAI/Ling-3.1-flash dans sa commande SGLang et envoie "model": "Ling-3.1-flash" dans son exemple client ; copiez-le mot pour mot et vous servirez le modèle à 41 points tout en croyant tester celui à 44 points. Deuxièmement, le checkpoint de base publié par Ant en même temps que 1019 est Ling-3.1-flash-base — la base du modèle plus ancien, et non un instantané pré-post-entraînement de 1019. Si votre plan est de fine-tuner la mise à niveau, la recette qui l'a produite ne figure pas dans le téléchargement. Si votre plan est de construire quelque chose vous-même à partir d'une fondation de 560B sous MIT, la base est le bon point de départ et l'écart d'indice entre ces deux checkpoints ne vous concerne pas.

Comment les appeler : un nom, deux builds

L’histoire de l’API est plus désordonnée que celle des poids. La version 1019 est un point de contrôle horodaté sous un nom que la plupart des codes de service traitent comme la même chaîne de modèle que son prédécesseur — y compris les propres exemples d’Ant, qui envoient Ling-3.1-flash aux deux. Si vous appelez un point de terminaison hébergé, épinglez explicitement la version, sinon vous ne saurez pas laquelle a répondu. Artificial Analysis ne répertoriait aucune API accessible publiquement pour 1019 au moment de la mesure ; la disponibilité aujourd’hui passe donc par l’API du fournisseur lui-même et plusieurs plateformes tierces, plutôt que par un point de terminaison établi et largement mis en miroir.

Cette ambiguïté est l’argument le plus fort en faveur de l’auto-hébergement si la reproductibilité vous tient à cœur, et l’argument le plus fort en faveur de l’attente si ce n’est pas le cas. Un modèle dont le nom n’identifie pas sa version construite est un modèle que vous ne pouvez pas auditer a posteriori, et « 44 dans l’index » n’est pas un numéro de version.

Lequel, par métier ?

• Raisonnement exigeant et travail d’agent à long horizon — prenez Ling-3.1-flash-1019. Les gains sont concentrés exactement là, et les jetons supplémentaires sont le mécanisme, pas un effet secondaire.

• Extraction, classification et chat court à grand volume — restez sur Ling-3.1-flash. Vous paieriez 47 % de plus par tâche pour des capacités que ces charges de travail n'exploitent pas.

• Produits sensibles à la latence — restez sur Ling-3.1-flash jusqu'à ce qu'une mesure indépendante du débit pour 1019 soit disponible. C'est le seul des deux dont la vitesse a été mesurée.

• Réglage fin ou adaptation au domaine — partez de Ling-3.1-flash-base et ignorez cette comparaison. Aucun des checkpoints alignés ne fournit de recette d’entraînement.

• Un seul modèle, un trafic mixte — Ling-3.1-flash-1019 par défaut, avec l'ancienne version en soutien pour les requêtes courtes et peu coûteuses. Les deux partagent une architecture, un prix et une pile de service, si bien que répartir le trafic entre eux ne vous coûte rien sur le plan opérationnel.

Ce qui changerait ce verdict, c'est une vitesse de décodage mesurée pour la version 1019. Si elle s'avère nettement plus rapide que 215,7 tokens par seconde, la pénalité en temps réel se réduit et la facture de tokens devient la seule véritable objection. Si elle est identique ou plus lente, alors les 59 % apparaissent deux fois — une fois sur la facture et une fois dans la latence — et l'argument en faveur de l'exécution des deux checkpoints plutôt que d'une mise à niveau complète se renforce. Tant que personne ne publie ce chiffre, le résumé honnête est que Ling-3.1-flash-1019 achète de la qualité avec des tokens, tandis que Ling-3.1-flash vend du débit au même tarif. Aucun des deux n'est la mauvaise réponse ; ce sont des produits différents portant la même architecture.