Ling 3.0 Flash Fin : le modèle financier à poids ouverts d'Ant Group, désormais évalué indépendamment

Ling 3.0 Flash Fin, le modèle à mélange d'experts axé sur la finance du laboratoire inclusionAI d'Ant Group, dispose désormais de quelque chose qui lui a manqué pendant ses trois premières semaines : un score de benchmark provenant d'une entité autre que le laboratoire qui l'a conçu. Artificial Analysis a publié une évaluation indépendante de Ling 3.0 Flash Fin, lui attribuant 23 sur l'Intelligence Index (v4.3) et 24 sur le Finance & Accounting Index, et le plaçant sur la frontière de Pareto intelligence-paramètres actifs de cet index. Le modèle est apparu sous la forme d'une fiche API gratuite non annoncée le 27 août 2026, et a obtenu ses poids sous licence MIT le 3 septembre ; le score externe est la première véritable vérification de si l'adaptation financière apportée à Ling 3.0 Flash apporte quoi que ce soit — et il se situe un peu différemment de ce que le discours du fournisseur laisse entendre.

L'instantané

Tout ce qui suit est tiré de la fiche de modèle, du dépôt Hugging Face et de l’évaluation d’Artificial Analysis. Les deux premiers sont rédigés par le fournisseur ; le troisième ne l’est pas.

• Ce que c'est — un modèle à mélange d'experts spécialisé en finance, construit sur la même base que Ling 3.0 Flash : 124B de paramètres au total, avec ~5.1B actifs par jeton.

• Où il se situe — texte uniquement, une fenêtre de contexte de 262 144 tokens, et jusqu'à 32 768 tokens de sortie, la même configuration de service que son parent.

• Ce que cela coûte — 0 $ par million en entrée et 0 $ par million en sortie dans le cadre d’un essai API gratuit d’un mois lancé avec l’annonce du 28 août ; Artificial Analysis répertorie indépendamment le même prix nul. Aucun tarif catalogue payant n’a été publié. Les poids BF16 sont gratuits à télécharger et à auto-héberger.

• Ce qu'il fait — le raisonnement est activé par défaut et peut être désactivé, l'appel de fonctions est pris en charge, et la sortie JSON structurée n'est pas imposée.

• Ce qui a changé — un lancement officiel le 28 août avec CICC, des poids BF16 sous licence MIT sur Hugging Face le 3 septembre, en parallèle du benchmark FinFIRST, et le 16 septembre, un premier score indépendant d’Artificial Analysis.

• Ce qu’il lui manque encore — un prix catalogue payant, et une exécution de FinFIRST lui-même par un tiers.

Ce que dit la fiche du modèle

La fiche du modèle se trouve sur Hugging Face, sous l'organisation propre d'inclu​sionAI, avec les poids à l'appui. Ses affirmations émanent toujours du fournisseur — Artificial Analysis mesure le modèle et publie ses propres scores d'indice, mais ne réexécute pas la suite FinFIRST d'Ant — donc lisez la fiche comme une déclaration d'intention et considérez ses chiffres de benchmark comme ceux d'Ant. Elle décrit Ling 3.0 Flash Fin comme le « premier modèle enrichi pour la finance » de la famille, prolongeant Ling 3.0 Flash « par un entraînement continu sur des données financières de haute qualité », et centre la publication sur la recherche financière de bout en bout, la recherche ancrée dans les sources, le raisonnement multi-documents sur les dépôts réglementaires, ainsi que les flux de travail de valorisation et de tableur.

• Architecture — 124B au total / ~5,1B de MoE actifs, décrit comme construit sur Ling 3.0 Flash, qui utilise lui-même une pile hybride Ki​mi Delta Attention + MLA avec un MoE sparse 1/64 (selon le fournisseur).

• Contexte — 262 144 jetons en entrée, jusqu'à 32 768 jetons en sortie.

• Modalité — texte en entrée, texte en sortie ; aucune entrée d’image, d’audio ou de vidéo.

• Raisonnement — activé par défaut, peut être désactivé sur demande.

• Appel d'outils — pris en charge, y compris tools et tool_choice ; aucune prise en charge de response_format, donc le JSON canalisé n'est pas garanti.

• Poids et licence — MIT ; le point de contrôle est publié en BF16 (environ 255 Go répartis sur 64 fragments) sur Hugging Face sous le nom inclusionAI/Ling-3.0-flash-Fin, conformément à la norme permissive de poids ouverts de la famille.

• Service — la fiche indique que Fin partage l’architecture de Ling 3.0 Flash et est compatible avec les runtimes SGLang et vLLM qui servent déjà le parent. Cette compatibilité est une affirmation du fournisseur ; le chiffre de vitesse qui existe est celui d’Artificial Analysis, et non celui d’Ant.

Ce qui a changé depuis la publication — et ce qui n’est pas encore vérifié

Les inconnues qui comptaient le plus il y a trois semaines sont levées. Ant Group a officiellement annoncé Ling 3.0 Flash Fin le 28 août, en partenariat avec CICC, le présentant comme le premier modèle de la famille enrichi pour la finance et ouvrant un mois d'essai gratuit de l'API. Puis, le 3 septembre, le checkpoint BF16 est apparu sur l'organisation Hugging Face d'inclusionAI sous licence MIT — les mêmes conditions permissives que le reste de la famille Ling 3.0 — de sorte que le modèle peut désormais être téléchargé, auto-hébergé et affiné. L'absence des poids était la principale raison de rester prudent ; cette objection n'a plus lieu d'être.

La référence pour exécuter Fin est le parent indiqué ci-dessus. Comme les deux modèles partagent une architecture, la fiche de Fin renvoie au guide de déploiement de Ling 3.0 Flash plutôt que d’en publier un second, et elle précise que Fin est compatible avec les environnements d’exécution SGLang et vLLM qui servent déjà le parent. C’est affirmé par le fournisseur, sans être démontré par un benchmark de service en production spécifique à Fin — bien qu’Artificial Analysis rapporte bel et bien Fin à 162,4 jetons de sortie par seconde dans son propre banc d’essai, ce qui est plus rapide que la médiane de 115 qu’il observe pour des modèles à poids ouverts comparables.

Ce qui fait de cette publication plus qu'une simple mise à disposition de poids, c'est FinFIRST — Financial Information Retrieval, Sourcing and Traceability — le benchmark qu'Ant Group a construit avec l'équipe de banque d'investissement de CICC et publié le jour même. Il teste si un modèle peut trouver les bonnes données, citer des sources primaires faisant autorité, effectuer correctement le calcul et assumer le processus, en notant chaque réponse selon 701 points de notation granulaires qui couvrent le résultat, le processus et les preuves. L'ensemble est petit mais sévère : plus de 50 professionnels de la finance ont rédigé et validé les questions, seulement 9,78 % des éléments candidats ont passé le filtrage, et les 123 qui restent se répartissent en 61,8 % de questions à forte composante de calcul et 32,5 % de questions multi-sources. Parce que les questions, les réponses de référence et les critères de notation sont publics sous licence Apache 2.0, FinFIRST donne aux tiers un étalon commun pour vérifier les affirmations d'Ant. Un outil de test indépendant ne remplace toutefois pas ce test — et, trois semaines plus tard, personne en dehors d'Ant n'a publié d'exécution de FinFIRST.

La question de l’argent est le principal point en suspens désormais. L’API est gratuite pendant toute la durée de l’essai d’un mois, ce qui place la fin de la période de gratuité vers la fin septembre, et aucun prix catalogue payant n’a été publié — donc établir un budget pour Fin au-delà de cette échéance revient encore à deviner. Tout le reste qui était en suspens en août a un chiffre associé.

Pourquoi un Ling 3.0 Flash ajusté pour la finance est un vrai coup stratégique

La direction financière est l'aspect le moins surprenant de cette version, car la famille s'y dirigeait déjà. Dans l'évaluation de la fiche modèle d'Ant pour Ling 3.0 Flash, le laboratoire a rapporté 27 % sur τ3-Bench Banking — deuxième parmi les modèles ouverts de classe flash derrière DeepSeek V4 Flash — et l'Elo de bout en bout le plus élevé sur GDPVal v2-AA, à environ 1 107. Ce sont des chiffres déclarés par le fournisseur sur le modèle généraliste ; un modèle spécialisé existe précisément pour faire grimper ces chiffres. Ant Group déploie l'IA au sein d'Alipay, des paiements, de la gestion des risques et des produits d'investissement. Un modèle d'exécution ajusté pour la finance constitue donc le plan de jeu déclaré de la famille — « séparation planification-exécution » — appliqué au secteur vertical où l'entreprise gagne réellement de l'argent.

La capture d'écran ci-dessus montre à quoi ressemblait en août le point de référence indépendant de la famille : Artificial Analysis affichait Ling 3.0 Flash à 38 sur une version antérieure de son Intelligence Index. Ce chiffre est aujourd'hui obsolète, et il vaut la peine d'en comprendre la raison avant de le comparer à quoi que ce soit. Artificial Analysis recalcule le score des modèles lorsqu'elle révise l'indice, et sa version 4.3 actuelle situe Ling 3.0 Flash à 21, pour une médiane de 8. Le 38 n'est pas comparable à un chiffre de la v4.3 — y compris celui de Fin.

Ce que dit la v4.3 est plus intéressant qu’une simple rétrogradation. Ling 3.0 Flash Fin obtient 23 sur cet indice — au-dessus de son propre parent généraliste à 21, et juste derrière Ling 3.0 Flash VL à 25. Sur l’indice Finance & Accounting, Fin et la variante VL sont à égalité à 24. Artificial Analysis place également Fin sur la frontière de Pareto de l’Intelligence Index en fonction des paramètres actifs : il égale le score de 23 de MiniMax-M2.7 tout en activant 5,1 B de paramètres par token, contre 10 B pour ce modèle. La nuance joue aussi dans l’autre sens — les deux modèles Ling se situent en dessous de la frontière des paramètres totaux, où Qwen3.8 27B (xhigh) obtient 34 avec 27 B de paramètres totaux.

Le réglage finance n'est pas non plus une victoire totale. La précision des connaissances métier de Fin dépasse celle de la variante VL (17 % contre 11 %), mais son taux d'hallucination est plus mauvais (33 % contre 19 %), et il est à la traîne sur les mesures agentiques : 7 % sur AutomationBench-AA contre 16 %, 1 171 Elo contre 1 225 sur GDPval-AA v2, et 0 % sur Terminal-Bench v4.0 pour les deux. Il consomme aussi environ 67 000 tokens de sortie par tâche de l'Intelligence Index, soit environ 34 % de plus que VL. C'est le profil d'un modèle résolument orienté vers un travail financier à forte composante documentaire plutôt que vers l'exécution agentique générale — ce qui est proche de ce qu'Ant revendique pour lui, et plus restrictif que ne le laisse entendre « meilleur en finance ».

Essai gratuit plus open weights — ce que cela vaut

Un essai gratuit d’un mois de l’API, plus des poids sous licence MIT, constitue une position nettement meilleure que la semaine gratuite et sans poids dont ce modèle disposait au départ. L’opportunité est double : tester l’adaptation financière sur vos propres tâches d’investissement à plusieurs étapes, sans coût en tokens sur l’API, ou télécharger le checkpoint BF16 et l’exécuter — et l’affiner — vous-même. La mise en garde est plus étroite qu’auparavant, mais elle n’a pas disparu. Une évaluation indépendante est un signal réel, pas une garantie de production, et ce qu’elle montre, c’est une spécialisation qui achète une exactitude ancrée dans les documents au prix de certaines concessions sur le contrôle des hallucinations et l’exécution agentique. Exécutez vos propres tâches avant d’y faire transiter de l’argent.

C'est exactement la situation pour laquelle une couche de routage est conçue. Via une seule API qui donne accès à plus de 200 modèles, vous pouvez placer Ling 3.0 Flash Fin sur un chemin de test avec bascule automatique vers un généraliste éprouvé — lorsque le nouveau modèle déçoit ou que l'offre gratuite vous limite en débit, le trafic bascule sans toucher au code de l'application. Lorsque l'essai se termine et qu'un prix catalogue est publié, un routeur qui répercute les prix des fournisseurs avec 0 % de marge affiche le nouveau montant le jour même, de sorte que votre modèle de coûts se met à jour sans renégociation. Essayez le spécialiste, gardez le filet de sécurité et décidez à partir des données plutôt que de l'argumentaire commercial d'un fournisseur.

Qui devrait le charger ?

Les équipes finance et les équipes d’agents qui construisent des workflows d’analyse d’investissement, de recherche ou de décision à long horizon constituent l’audience évidente, et elles se divisent en deux camps : les équipes qui veulent un essai hébergé sans frais de l’ajustement finance avant la fermeture de la fenêtre gratuite, et les équipes qui veulent auto-héberger ou affiner, pour qui les poids ouverts sont l’essentiel. Le profil Artificial Analysis affine l’adéquation — si votre charge de travail consiste en dépôts réglementaires longs, en rapprochement multi-sources et en recherche sourcée, les scores de Fin vous visent ; s’il s’agit d’utilisation d’outils agentiques sous des budgets de tokens serrés, la variante VL et le parent généraliste semblent tous deux plus solides.

Passez votre chemin si vous avez besoin d'une sortie JSON imposée (le point de terminaison ne prend pas en charge response_format), si vous avez besoin d'une API payante de qualité production avec un prix connu, ou si vous êtes dans un contexte réglementé où ni une fiche fournisseur ni un seul indice tiers ne suffisent à eux seuls comme preuve. L'objection relative aux poids ouverts qui s'appliquait en août ne tient plus — le checkpoint MIT est sur Hugging Face. Pour le membre le plus documenté de la famille, Ling 3.0 Flash reste la valeur par défaut la plus sûre.

Que regarder

La liste de surveillance d’août comptait quatre points ; trois sont désormais réglés. Clos : l’annonce officielle (28 août), la publication des poids (3 septembre, MIT) et une première évaluation indépendante (16 septembre, Artificial Analysis). Toujours en suspens, par ordre d’importance : un test de FinFIRST réalisé par un tiers sans aucun lien d’intérêt avec Ant, qui testerait le benchmark de l’éditeur sur un terrain neutre ; un prix catalogue payant, qui transforme le calcul de l’essai en une question de budget ; et des chiffres de serving en production spécifiques à Fin sur vLLM ou SGLang, que la fiche promet de par son architecture mais que personne n’a publiés.

Le statut honnête : Ling 3.0 Flash Fin a vingt jours, est à poids ouverts sous licence MIT, gratuit sur l’API pendant encore une dizaine de jours environ, et désormais évalué indépendamment au moins une fois. Il a cessé d’être une boîte noire en septembre — les poids sont téléchargeables, FinFIRST donne au secteur une référence commune, et Artificial Analysis a attribué un chiffre au modèle plutôt qu’à son socle. Ce qui est réel aujourd’hui, c’est qu’un membre ajusté pour la finance de la famille à poids ouverts la plus dynamique du marché est gratuit à interroger et gratuit à exécuter, et que la première mesure externe indique que la spécialisation est réelle mais étroite. Le premier score FinFIRST d’un tiers et le tarif payant feront passer cela d’une sortie intéressante à une décision.