Ling-3.0-flash: מה שאנחנו יודעים כעת על ה-MoE בעל המשקלים הפתוחים והדרג המהיר של Ant Group
Guides & Insights

Ling-3.0-flash: מה שאנחנו יודעים כעת על ה-MoE בעל המשקלים הפתוחים והדרג המהיר של Ant Group

מחבר

jinhao.song

תאריך פרסום

מודלים אחרונים · 20צפו בכל המודלים →
בנצ'מרקים: Artificial Analysis · מתעדכן יומית
חזרה לכל הפוסטים

Ling-3.0-flash — מודל ה-MoE המהיר בדרגת ה-flash של InclusionAI מקבוצת Ant, שהוכרז ב-24 ביולי 2026 ופורסם בקוד פתוח ברישיון MIT ב-7 באוגוסט — זוכה כעת למסלול פריסה ממשי על התקן יחיד. ב-27 באוקטובר פרסמה NVIDIA מתכון טכני שמראה כי גרסת ה-FP4 של המודל מפענחת בקצב של 53.89 טוקנים לשנייה על DGX Spark אחד, עלייה של 42.5% לעומת 37.81 tok/s, על פני כל 1,319 השאלות ב-GSM8K, כאשר הדיוק נותר ללא שינוי סטטיסטי. מדובר במדידות של NVIDIA עצמה על החומרה שלה, ולא בהרצה עצמאית של צד שלישי, והן חלות על גודל אצווה של 1. הן אינן מחליפות את נתוני ה-API המאוחסן שלהלן. הן כן הופכות את מה שהיה עד כה "מסלול פריסה מעורפל על DGX Spark יחיד" לתצורה מפורסמת הכוללת קו בסיס, פרוטוקול ומצב כשל מתועד.

המודל עצמו לא השתנה. מדובר במודל Mixture-of-Experts (MoE) היברידי עם יכולות הסקת היגיון מובנות, בעל 124 מיליארד פרמטרים בסך הכול ו-5.1 מיליארד פרמטרים פעילים לכל טוקן, שנבנה כשכבה המהירה והזולה של משפחת Ling; המשקלות ברישיון MIT נמצאים ב-Hugging Face וב-ModelScope מאז 7 באוגוסט. מה שהשתנה מאז גרסת אוגוסט של הפוסט הזה הוא התיעוד הציבורי שמסביב. ההערכה של Artificial Analysis, שאליה הפוסט הזה התייחס באוגוסט, העניקה ל-Ling-3.0-flash ציון 38 במדד Intelligence Index שלה והציבה אותו על חזית פארטו של משקלים פתוחים בכל הנוגע לאינטליגנציה לעומת מספר הפרמטרים הכולל. העמוד החי של AA מסמן כעת את המודל כמיושן לטובת Ling-3.1-flash, מפנה את הקוראים לשם, ואינו מציג עוד מדד Intelligence Index עדכני. הציון 38 הוא עדיין הציון העצמאי האחרון שקיבל הצ'קפוינט הזה; זה אינו נתון חי.

המהדורה המתוקנת הזו משלבת את מדידת ה-DGX Spark מאוקטובר ומתקנת את החלקים בפוסט מאוגוסט שהשתנו — נתוני המהירות הנוכחיים של AA ומצב ההוצאה משימוש שלו — תוך שמירה על תוויות המקור כפי שהן. במקום שבו Ant Group או NVIDIA הם המקור היחיד לנתון, המשפט אומר זאת במפורש.

בקצרה. Ling-3.0-flash הוא מודל ה-MoE בעל המשקולות הפתוחות בדרגת המהירות של Ant Group: 124B סך הכול / 5.1B פעילים, רישיון MIT, הקשר מקורי של 256K (262K כפי שמוגש). הוא כבר אינו ה-Ling החדש ביותר — AA מסמנת אותו כמיושן לטובת Ling-3.1-flash — אבל הוא עדיין זמין, מתועד, ועכשיו יש לו מתכון מדוד להתקן בודד. תצורת ה-DGX Spark של NVIDIA מ-27 באוקטובר מריצה 53.89 tok/s בגודל אצווה 1 על GSM8K, +42.5% לעומת קו הבסיס שלה, לפי דיווח היצרן. ב-API המתארח, AA מפרטת כיום 243 tok/s פלט וזמן של 2.79 שניות עד לאסימון הראשון. עדיין רק מצד היצרן: טענת תפוקת השיא של Ant של 1,100+ tok/s, נתון TTFT מתחת ל-100ms, וטבלת הבנצ'מרקים של כרטיס המודל. תמחור ה-API של הצד הראשון הוא $0.075 קלט / $0.22 פלט למיליון אסימונים (הנחה של 80% על פגיעות מטמון); המסלול החינמי בהשקה הסתיים ב-3 באוגוסט, ומבצע ההנחה של 75% על Ling Studio הסתיים ב-31 באוגוסט.

נקודות עיקריות

• זו השכבה המהירה/הזולה, לא דגם הדגל. דגם הדגל בן טריליון הפרמטרים מהדור הקודם נותר המודל הגדול ביותר של InclusionAI; Ling-3.0-flash הוא האח הקטן והמהיר יותר, המיועד לטקסט בנפח גבוה ולקריאה לכלים.

• המשקלות עדיין פתוחות תחת MIT. הם עלו ל-Hugging Face (inclusionAI/Ling-3.0-flash) ול-ModelScope ב-7 באוגוסט, וגרסת ה-MXFP4 ש-NVIDIA מתעדת עבור ה-DGX Spark מגיעה לצד נקודות הבדיקה של BF16 ו-FP8.

• הציון הבלתי־תלוי הוא כעת היסטורי. הריצה של AA שהפוסט הזה ציטט באוגוסט העניקה לו ציון 38, עלייה של 24 מ־Ling-2.6-flash, והציבה אותו על גבול פארטו של מודלים במשקולות פתוחות; העמוד החי של AA מסמן כעת את המודל כמיושן לטובת Ling-3.1-flash ואינו מציג מדד אינטליגנציה עדכני.

• למהירות יש שלוש נקודות ייחוס, והן אינן ניתנות להחלפה. AA מציינת כיום 243 tok/s של פלט ב-API המתארח; NVIDIA מודדת 53.89 tok/s על DGX Spark אחד בגודל אצווה 1; Ant עדיין טוענת ל-1,100+ tok/s על חומרת אשכול מוגדרת.

• התמחור נקבע, והמבצעים הסתיימו. $0.075 לקלט / $0.22 לפלט לכל מיליון טוקנים, עם הנחה של 80% עבור פגיעת מטמון; מסלול החינם של ההשקה הסתיים ב-3 באוגוסט, ותקופת ההנחה של 75% של Ling Studio הסתיימה ב-31 באוגוסט.

• זהו חלק אחד ממשפחה של שלושה מודלים. InclusionAI מחלקת את המערך שלה ל־Ling (MoE כללי־ייעודי לטקסט ולכלים, המודל הזה), Ring (הסקה), ו־Ming (מולטימודלי).

הערה על אופן הקריאה של עדכון זה: זהו עדכון של התצוגה המקדימה מ-24 ביולי ושל הגרסה המתוקנת מ-8 באוגוסט שקדמה לה. תוצאת ה-DGX Spark מ-27 באוקטובר היא החומר החדש; תיקוני ה-AA הם סידורי תחזוקה כדי שהפוסט לא יצטט ציון חי שכבר אינו קיים. כל מפרט, מבחן ביצועים ומחיר שלהלן מסומן לפי מקור.

מה שאנחנו באמת יודעים

הארכיטקטורה מתועדת במלואה בכרטיס המודל. Ling-3.0-flash משתמש במחסנית קשב היברידית-לינארית מקורית — שכבות Kimi Delta Attention (KDA) ו-Gated MLA מתחלפות ביחס 5:1 (35 KDA + 7 MLA, 42 שכבות בסך הכול), עם שערוך אלכסוני עדין ב-KDA — על גבי MoE דליל של 1/64 (512 מומחים מנותבים, 8 מופעלים לכל טוקן, ועוד מומחה משותף אחד). כך הוא מגיע ל-124B פרמטרים בסך הכול עם רק 5.1B פעילים. חלון ההקשר הוא 256K באופן מובנה, מוגש ב-262,144 טוקנים במתכוני ההסקה, ו-Ant טוענת שהארכיטקטורה מתרחבת ל-1M. אורך הפלט המרבי אינו נמסר. המודל הוא טקסט בלבד עם תמיכה בקריאה לכלים; קלט מולטימודלי נמצא בקו Ming הנפרד.

המעבדה מפרסמת שני פורמטי משקולות — BF16 (כ-255GB) ו-FP8 (כ-128GB) — וגרסאות מכומתות (quantized) קהילתיות מקושרות מכרטיס המודל. מתכון DGX Spark משתמש בפורמט שלישי: בניית MXFP4 שמתאימה ל-121GB של זיכרון מאוחד במכשיר. מתכוני הפריסה של המעבדה עצמה מיועדים ל-SGLang ול-vLLM; מסלול ה-Spark של NVIDIA משתמש בבניית SGLang מבית InclusionAI עם תוספת ה-backend של Humming MoE.

זמינות: משקלים פתוחים תחת MIT

ב-7 באוגוסט, צוות InclusionAI של Ant Group שחרר את המשקלים בקוד פתוח תחת רישיון MIT ב-Hugging Face (inclusionAI/Ling-3.0-flash) וב-ModelScope. זהו רישיון מתירני לשימוש מסחרי — אותו רישיון שבו יצאו Ling 2.0 ו-Ling 2.6 — והוא מאפשר לך לארח בעצמך, לכוונן ולפרוס את Ling-3.0-flash בעצמך במקום לשכור אותו דרך API. ניתן גם להפעיל את המודל דרך ה-API למפתחים של Ant עצמה וכמה פלטפורמות צד שלישי. עבור מודל בשכבה המהירה במחיר הזה, השאלה המעניינת אינה עוד אם ניתן לארח אותו בעצמך; היא אם התקן אחד בנפח 121GB מספיק. ה-Ling Cookbook של InclusionAI כולל כעת מחברת DGX Spark המיוחסת במשותף ל-Ant Group ול-NVIDIA, וצ'ק-פוינט ה-MXFP4 שבו הוא משתמש פורסם לצד הפורמטים האחרים. החלק שלהלן הוא התשובה הנמדדת הראשונה לשאלה הזו.

ציונים בלתי תלויים: תוצאה מאוגוסט, כעת היסטורית

השינוי הגדול ביותר לעומת הפוסט של יולי היה שהופיעו מספרים עצמאיים. ההערכה של Artificial Analysis, שאליה הפוסט הזה התייחס באוגוסט, העניקה ל-Ling-3.0-flash ציון 38 במדד Intelligence Index — 24 נקודות מעל הדור הקודם בדרג המהיר, Ling-2.6-flash (14), ובאותה רמה כמו MiMo-V2.5 ו-Qwen 3.6 27B, תוך הפעלת חלק קטן מהפרמטרים שלהם. AA גם מיקמה את המודל על חזית פארטו של משקלים פתוחים לאינטליגנציה לעומת סך הפרמטרים: באותו זמן, אף מודל במשקלים פתוחים עם פחות פרמטרים בסך הכול לא השיג ציון גבוה יותר. המוביל בדרג הפלאש בקרב משקלים פתוחים ב-AA, DeepSeek V4 Flash, השיג ציון גבוה אף יותר (מדד 52 במאמץ החשיבה המרבי).

הרשומה הזו הוצאה מאז משימוש ולא בוטלה. הדף הפעיל של AA עבור Ling-3.0-flash מסמן כעת את המודל כמיושן לטובת Ling-3.1-flash, מפנה קוראים למודל החדש יותר, ואינו מציג מדד Intelligence Index עדכני. הציון 38 נותר הציון העצמאי האחרון שקיבל צ'קפוינט זה; יש לקרוא אותו כתוצאה מלפני תאריך, ולא כדירוג חי. אם אתם בוחרים מודל Ling היום, ההשוואה שכדאי לבצע היא מול Ling-3.1-flash, ש-AA מכסה כיום.

תוצאות הסוכנות וההקשר הארוך מההערכה ההיא היו חזקות גם מבחינת המגמה. בחבילת τ3-Bench Banking של AA, Ling-3.0-flash השיג 27%, שני בקרב מודלים בעלי משקלים פתוחים בדרגת flash אחרי DeepSeek V4 Flash (39%). ב-GDPval-AA v2 הוא הגיע ל-Elo של 1108, לעומת 545 עבור Ling-2.6-flash. Ant אימנה את המודל ביותר מ-10,000 סביבות אינטראקטיביות (לפי דיווח הספק) ומציגה אותו כצומת ביצוע לתהליכי עבודה סוכניים — מהיר, זול וחד-פעמי, כאשר החשיבה הכבדה מושארת לדגל גדול יותר.

הסתייגות אחת בנוגע למקור הנתונים: טבלת הבנצ'מרקים בכרטיס המודל של Ant — ‏SWE-Bench Pro 56.6, ‏SWE-bench Multilingual 72.4, ‏MathArena AIME 2026 93.2, ‏HLE 22.7 — מדווחת על ידי הספק ולא שוחזרה באופן בלתי תלוי. יש להתייחס אליה כאל טענותיה של המעבדה עצמה, באותה קטגוריה כמו נתוני מהירות השיא שלהלן.

מהירות: שלושה מספרים, שלושה הסדרים שונים

סיפור המהירות כולל כעת שלושה מספרים, והדבר הראשון שצריך לעשות הוא להפסיק להתייחס אליהם כאל אותה מדידה.

ב-API המאוחסן, Artificial Analysis מציגה כיום 243 טוקני פלט לשנייה וזמן של 2.79 שניות עד לטוקן הראשון. זה נמוך מ-368 טוק/שנייה ו-1.98 שניות שדווחו בפוסט הזה באוגוסט — פאנל הספקים וההרצות של AA משתנים, והעמוד החי הוא זה שיש לצטט היום. היא עדיין מדרגת את המודל קרוב לראש קטגוריית המהירות שלו.

ב-DGX Spark בודד, NVIDIA מדווחת על 53.89 טוקני פענוח לשנייה בגודל אצווה 1 על GSM8K, שיפור של 42.5% לעומת קו הבסיס שלה עצמה. זהו מספר מקומי למשתמש יחיד, שאינו ניתן להשוואה לנתון תפוקה של API ואינו תוצאת מקביליות. הסעיף הבא מפרט אותו.

על חומרת אשכול מוגדרת, Ant טוענת לקצב פלט ממוצע של מעל 1,100 טוקנים לשנייה ולזמן עד לטוקן הראשון מתחת ל-100 מ"ש עם שכבת מטמון היררכית המבוססת על SGLang HiCache ו-Mooncake. זה נשאר נתון מטעם הספק בלבד — נמדד על חומרה והגדרות אצווה ש-Ant שולטת בהן, ללא הרצה חוזרת עצמאית שפורסמה. לתכנון, השתמשו בנתון AA לעבודה מתארחת, בנתון NVIDIA ל-Spark בודד, והתייחסו ל-1,100+ tok/s כתקרה שיש לאמת על עומס העבודה שלכם.

DGX Spark אחד: מה באמת מודד ה-42.5%

ב-27 באוקטובר פרסם הבלוג הטכני של NVIDIA מתכון להרצת Ling-3.0-flash-fp4 על DGX Spark אחד — מערכת שולחנית GB10 עם 121GB זיכרון מאוחד — וה-Ling Cookbook של InclusionAI כולל את המחברת המתאימה, המיוחסת במשותף ל-Ant Group ול-NVIDIA. הדיווח של Ant Group עצמה תיאר את העבודה כשיתוף פעולה טכני עם NVIDIA. זהו בנצ'מרק קפדני ולא הדגמה: כל 1,319 שאלות GSM8K, chain-of-thought עם חמישה שוטים, גודל אצווה 1, temperature 0.6, top-p 0.95, top-k 29, ותקרה של 32,768 טוקנים.

קו הבסיס הוא בילד W4A8 המוגש עם קרנלי MXFP4 MoE של FlashInfer, GEMM צפוף של CUTLASS, וראש LM של 32 סיביות. על אותו קו בסיס, הפענוח פועל ב-37.81 tok/s. עם שלושה שינויים שנערמו יחד, הוא פועל ב-53.89 tok/s — ה-42.5% שבכותרת. הזמן הממוצע לכל טוקן פלט יורד מ-26.45ms ל-18.56ms (−29.8%), ההשהיה הממוצעת מקצה לקצה מ-15.21s ל-11.49s (−24.5%), P50 מ-8.36s ל-6.11s, ו-P95 מ-50.20s ל-38.60s. דיוק GSM8K עובר מ-96.89% ל-96.82%, הפרש של 0.08 נקודות ש-NVIDIA מתארת כלא ניתן לגילוי סטטיסטי. הזמן הממוצע לטוקן הראשון כמעט ללא שינוי, מ-0.207s ל-0.214s. אלה שיפורי פענוח, לא שיפורי prefill.

שלושת השינויים מכוונים לעלויות שונות:

• קרנלי Humming MXFP4 MoE מחליפים את ה-backend של FlashInfer. ‏Humming מהדר קרנלים בזמן ריצה באמצעות NVRTC עבור הצורות המדויקות של המודל — כולל גודל הביניים הצר שלו ב-MoE, ברוחב 768 — ומאחסן אותם במטמון ב-~/.humming/cache. במבחן הסינתטי של NVIDIA, הוא לבדו מעלה את התפוקה ב-9.3%.

• כימות FP8 מקוון של ראש ה-LM (LM head). הראש נשאר BF16 ב-checkpoint, וה-GEMM שלו בגודל 157,184 × 2,560 קורא את בלוק המשקולות המלא בכל טוקן; כימותו ל-FP8 בעת הטעינה מחצה את הקריאה הזו. הוא מופעל באמצעות SGLANG_ENABLE_FP8_LM_HEAD=1, שמתנגש עם --enable-fp32-lm-head של קו הבסיס, ומוסיף 11.4% לעומת Humming בלבד.

• NEXTN – חיזוי מרובה אסימונים. שכבת NEXTN המובנית של המודל מנסחת שלושה אסימונים ומאמתת חלון של ארבעה אסימונים. ב-GSM8K, אורך הטיוטה המקובל הממוצע הוא 2.68 אסימונים בכל סבב.

יש מספר שני ובולט יותר באותו פוסט: עומס סינתטי של 32K קלט / 2K פלט בגודל באצ' 1 עולה מ-36.09 ל-102.88 tok/s, +185.1%. NVIDIA עצמה מזהירה מפני הכללה ממנו. הריצה הזו השתמשה בפענוח חמדני, בפלט קבוע של 2K ובטקסט חוזרני; שיעור הקבלה הגיע ל-3.90 טוקנים לכל סבב לעומת 2.68 ב-GSM8K. הנתון של 42.5% ב-GSM8K הוא זה שלפיו כדאי לתכנן. ה-185.1% הוא תקרה סינתטית בתרחיש האופטימלי.

מלכודת תפעולית אחת חשובה יותר מההאצה. כימות FP8 של LM-head ו-MTP פועלים יחד רק אם מודל הטיוטה חולק את כל מודול ה-LM-head של היעד, ולא רק את טנסור המשקולות שלו. בלי ממשק זה, ה-framework עובר בשקט למצב נסיגה, קורא משקולות FP8 כ-BF16, מוריד את שיעור הקבלה ל-1.00, ועלול בסופו של דבר להיות איטי יותר מאשר קו הבסיס הלא-מאופטם. העצה של NVIDIA היא לוודא שכל אופטימיזציה פעילה בעת האתחול, במקום להסיק זאת מזמני ריצה מאוחרים יותר.

מה זה משנה לקורא: מסלול ה-Spark הבודד אינו עוד שקופית של ספק. זהו מתכון שפורסם עם קו בסיס, פרוטוקול מדידה ומצב כשל מוצהר — די כדי לשחזר או לדחות במכשיר שלך. מה זה לא משנה: זו עדיין מדידה של NVIDIA עצמה, במכשיר אחד, בגודל אצווה 1, עבור פענוח. אין בה דבר על הגשה במקביל, תפוקה בהקשר ארוך או ה-API המתארח. והיא ספציפית לבניית FP4; לצ'קפוינטים של BF16 ו-FP8 פרופילי זיכרון ורוחב פס שונים.

מחיר: זול, והמבצע נגמר.

Artificial Analysis מציין את ה-API של הצד הראשון (first-party) במחיר של $0.075 לכל 1M טוקנים בקלט ו-$0.22 לכל 1M בפלט, כאשר פגיעות מטמון (cache hits) עומדות על $0.015 (−80%) — כל המחירים נקבעים על ידי הספק. שכבת השימוש החינמית בהשקה (500k טוקנים חינם/יום, גישה חינם ל-API) הסתיימה ב-3 באוגוסט. תקופת ההנחה הזמנית של 75% ב-Ling Studio נמשכה עד 31 באוגוסט 2026; מחירי המחירון חלים מאז 1 בספטמבר. אפילו במחיר המחירון המלא, $0.075/$0.22 מציבים את Ling-3.0-flash בבירור בשכבה הזולה עבור מודל עם Index של 38 באותה הערכה.

במחירים כה נמוכים, עלות המעבר חשובה יותר מהמחיר לכל טוקן. תפקידו של OrcaRouter הוא לשמור על יושרו של הצד המתארח בהשוואה הזו: API אחד ל-200+ מודלים, מחירי המחירון של הספקים מועברים הלאה ללא תוספת של 0%, ומעבר אוטומטי בין ספקים בעת כשל. פריסה מקומית של DGX Spark צריכה להביס מחיר שוק אמיתי ועדכני, ולא שקופית מצגת של ספק — וכאשר ספק מתארח משנה את מחירו, ההעברה הישירה מציגה זאת על אותו מפתח באותו יום.

משפחת לינג / רינג / מינג

Ling-3.0-flash אינו קיים בבידוד — InclusionAI מארגנת את מהדורותיה בשלוש משפחות בעלות שם, שכל אחת מהן מיועדת למשימה אחרת. Ling הוא קו ה-MoE לשימוש כללי ליצירת טקסט יומיומית ולהפעלת כלים, ו-Ling-3.0-flash נמצא בקצה המהיר/הזול שלו, מדרגה אחת מתחת לדגם הדגל של הדור הקודם עם 1T פרמטרים. Ring הוא הקו המתמקד בהיסק, שנבנה עבור שרשרת מחשבה מרובת שלבים. Ming הוא הקו הרב-מודאלי. אם המשימה שלך דורשת היסק כבד יותר או קלט תמונה, ייתכן שהמודל הנכון של InclusionAI אינו Ling-3.0-flash — הוא נבנה לעומס ולמהירות בתחום הטקסט והכלים.

למי זה מיועד: ארבעה תרחישים

1. צינורות עיבוד טקסט או קריאת כלים בנפח גבוה ורגישים להשהיה

זה מגרש הבית של המודל. עם רישיון MIT, מתכון שפורסם ל-Spark בודד, ו-Index עצמאי מתוארך של 38, ההימור בדרג המהיר ניתן לבדיקה ולא היפותטי — הריצו דרכו את מערך ההערכה שלכם, או משכו את המשקלים והריצו באחסון עצמי. רק אל תבנו סביב תקרת ה-1,100+ tok/s של הספק עד שתמדדו אותה על עומס העבודה שלכם.

2. צוותים שרוצים הקשר ארוך בתקציב מוגבל

חלון הקשר מקורי של 256K (262K מוגש) עם מסלול מוצהר ל-1M, במחיר $0.075/$0.22, הוא שילוב אטרקטיבי לעבודה עתירת אחזור או עיבוד מסמכים. מספרי הקשר הארוך בכרטיס הדגם מדווחים על ידי הספק, לכן כללו אותו ברשימת מועמדים מול אפשרויות מבוססות לקשר ארוך ואמתו על הקורפוס שלכם לפני התחייבות.

3. משקיפים העוקבים אחר נוף ה-MoE של סין ומפת הדרכים של InclusionAI

השאלה של יולי — האם InclusionAI תישאר פתוחה? — קיבלה כעת תשובה: כן, MIT, וזה מהר. ההגעה של Ling-3.0-flash לחזית ה-Pareto של AA ב-5.1B פעילים הייתה נקודת נתונים אחת. מתכון DGX Spark מאוקטובר הוא נקודת הנתונים השנייה: מודל של 124B שמפענח בקצב 53.89 tok/s על מחשב שולחני אחד ב-batch size 1, כשהמתכון פורסם.

4. צוותים עם DGX Spark אחד על השולחן

אם המכשיר כבר נמצא ברשותך, המתכון של NVIDIA הוא התצורה הראשונה שכדאי להעתיק: בנייה של MXFP4, ה-fork של SGLang של InclusionAI, קרנלי Humming MoE, ראש LM מסוג FP8 ו-NEXTN MTP. התייחס לזה כמדידה של ספק אחד בגודל באצ' 1, ואמת בעת האתחול שרכיבי ה-FP8 וה-MTP פעילים באמת — מצב הכשל של נפילה שקטה ל-fallback הוא אמיתי. אם אין בבעלותך Spark, המתכון הוא נקודת נתונים לגבי מה ש-121GB של זיכרון מאוחד קונים, ולא סיבה לקנות Spark.

מה שעדיין לא אומת

רשימה קצרה, כעת כשהפערים הגדולים נסגרו. להערכות מהירות השיא של Ant (1,100+ tok/s, TTFT מתחת ל-100ms) עדיין אין מדידה חוזרת עצמאית. טבלת הבנצ'מרקים בכרטיס המודל נותרה דיווח של הספק. בניות ה-FP4/INT4 ומסלול ה-DGX-Spark הבודד כבר אינם מעורפלים — NVIDIA פרסמה את התצורה ו-InclusionAI מספקת את ה-notebook — אך הנתונים 53.89 tok/s ו-96.82% הם מדידות של NVIDIA עצמה במכשיר אחד בגודל אצווה 1, ולא שחזור של צד שלישי. הציון העצמאי הוא היסטורי: ההערכה שהפוסט הזה ציטט באוגוסט העניקה לו 38, והעמוד החי מסמן כעת את המודל כמיושן לטובת Ling-3.1-flash. ובנוגע לידע, מדד Omniscience Index מההערכה ההיא הראה שהשיפור לעומת הדור הקודם הגיע בעיקר באמצעות הימנעות ממענה — שיעור ההזיות ירד (97% → 44%) בעוד הדיוק עלה רק במעט (16% → 18%) — לכן אל תבלבלו את זינוק המדד הכותרתי עם קפיצת ידע גורפת.

מתי לא להשתמש בזה

דלגו על Ling-3.0-flash לעבודה מולטימודלית — זה התחום של Ming. דלגו עליו אם אתם צריכים דגל כבד של הסקה ולא מבצע מהיר — זה התחום של Ring. אם אתם מתכננים אירוח עצמי, תקצבו את החומרה האמיתית: BF16 הוא בערך 255GB, ‏FP8 בערך 128GB, וגרסת ה-MXFP4 היא זו שמתאימה ל-DGX Spark של 121GB. אם אתם בוחרים מודל Ling חדש מאפס ולא מתחזקים פריסה קיימת, השוו קודם ל-Ling-3.1-flash; ‏AA העבירה את הכיסוי שלה לשם. ואם טענה חשובה לכם, ודאו אותה — נתוני שיא המהירות וההקשר הארוך הם של Ant עד שמעבדה עצמאית תריץ אותם מחדש.

שאלות נפוצות

האם Ling-3.0-flash הוא בעל משקל פתוח?

כן. המשקולות פורסמו בקוד פתוח ב-7 באוגוסט תחת רישיון MIT, ב-Hugging Face (inclusionAI/Ling-3.0-flash) וב-ModelScope. זהו רישיון מתירני לשימוש מסחרי — אותו רישיון שבו שוחררו Ling 2.0 ו-Ling 2.6.

איך Ling-3.0-flash מתפקד במבחני ביצועים?

ההערכה של Artificial Analysis, שהפוסט הזה ציטט באוגוסט, העניקה לו ציון 38 במדד Intelligence Index, גבוה ב-24 נקודות מ-Ling-2.6-flash, והציבה אותו על חזית פרטו של מודלים במשקלים פתוחים עבור אינטליגנציה לעומת מספר הפרמטרים הכולל. העמוד החי של AA מסמן כעת את המודל כמיושן לטובת Ling-3.1-flash ואינו מציג ערך נוכחי של Intelligence Index, לכן 38 הוא תוצאה היסטורית. טבלת הבנצ'מרקים בכרטיס המודל של Ant (למשל SWE-Bench Pro 56.6) מדווחת על ידי הספק ולא שוחזרה באופן עצמאי.

כמה מהר זה באמת?

ישנם שלושה מספרים שונים עבור שלושה מערכים שונים. AA מפרטת כיום 243 טוקני פלט בשנייה וזמן של 2.79 שניות עד לטוקן הראשון ב-API המתארח. NVIDIA מדווחת על 53.89 טוקני פענוח בשנייה בגודל אצווה 1 על DGX Spark אחד. Ant טוענת ליותר מ-1,100 טוקנים בשנייה ולזמן TTFT מתחת ל-100 מ"ש על חומרת אשכול מוגדרת. רק הנתון של AA הוא בלתי תלוי; שני האחרים הם מדידות של ספקים על חומרה שונה.

כמה עולה Ling-3.0-flash?

AA מפרטת את ה-API של הצד הראשון (first-party) במחיר של $0.075 לכל 1M טוקני קלט ו-$0.22 לכל 1M טוקני פלט, עם הנחה של 80% עבור פגיעות מטמון. התוכנית החינמית של ההשקה הסתיימה ב-3 באוגוסט, ותקופת ההנחה הזמנית של 75% ב-Ling Studio הסתיימה ב-31 באוגוסט 2026.

מה ההבדל בין לינג, רינג ומינג?

לינג (Ling) היא קו ה-MoE הכללי של InclusionAI לטקסט ולקריאה לכלים, ו-Ling-3.0-flash נמצא בקצה המהיר/הזול שלו. רינג (Ring) הוא הקו המתמקד בהסקה. מינג (Ming) מטפל במשימות מולטימודליות. אלו משפחות נפרדות למשימות שונות, ולא שכבות של מודל אחד.

האם Ling-3.0-flash יכול לרוץ על DGX Spark בודד?

כן. NVIDIA פרסמה מתכון ב-27 באוקטובר עבור בניית MXFP4 על DGX Spark אחד (121GB של זיכרון מאוחד), תוך שימוש בקרנלים של Humming MXFP4, ב-FP8 LM head וב-NEXTN multi-token prediction. היא מדווחת על 53.89 tok/s פענוח בגודל batch 1 על פני 1,319 שאלות GSM8K, שיפור של 42.5%, עם דיוק של 96.82%. התוצאות הן של NVIDIA עצמה, ולא שוחזרו באופן עצמאי, והן תקפות רק בגודל batch 1; שילוב FP8 עם MTP מחייב שה-draft ישתף את ה-LM head המלא, אחרת התפוקה עלולה לרדת מתחת ל-baseline הלא-מאופטם.

האם עלי להשתמש ב-Ling-3.0-flash בסביבת ייצור היום?

זהו מודל בוגר במשקלים פתוחים, אך הוא כבר אינו ה-Ling החדש ביותר: AA מסמן אותו כמיושן לטובת Ling-3.1-flash. אם אתם כבר מריצים Ling-3.0-flash, מתכון ה-DGX Spark הוא אופטימיזציה קונקרטית ששווה לשחזר. אם אתם בוחרים מאפס, השוו מול Ling-3.1-flash והריצו סט הערכה משלכם; רישיון ה-MIT והמחיר $0.075/$0.22 עדיין הופכים אותו לשכבת מחיר זולה ואמינה.

שורה תחתונה

Ling-3.0-flash אינו עוד ה-Ling החדש ביותר, והעמוד החי של AA אומר זאת. מה שיש לו שרוב מודלי ה-open-weight לעולם אינם מקבלים הוא תצורת מכשיר יחיד מדודה: DGX Spark אחד, 53.89 tok/s בפענוח בגודל אצווה 1, 96.82% ב-GSM8K, עם קו הבסיס, הפרוטוקול ומצב הכשל שפורסמו לצידו. יש לקרוא את 42.5% כתוצאה של NVIDIA עצמה ולא כפסק דין בלתי תלוי, ואת מדד אוגוסט של 38 כהיסטוריה. במגבלות הללו, המודל נותר אפשרות מקומית אמינה בדרג המהיר; אם אתם מתחילים מאפס, ההשוואה שכדאי להריץ ראשונה היא Ling-3.1-flash.