Ling-3.0-flash-VL לעומת Ling 3.0 Flash: מוח אחד של 124B, עכשיו עם עיניים
- OrcaחדשOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 לכל 1M טוקנים · 74 tok/s
- OrcaחדשOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 לכל 1M טוקנים · 113 tok/s
- OrcaחדשOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 לכל 1M טוקנים · 46 tok/s
- orcaחדשOrca: OrcaC2 1.02026-10-303 tok/s
- OrcaחדשOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 לכל 1M טוקנים · 100 tok/s
- OrcaחדשOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 לכל 1M טוקנים · 101 tok/s
- OrcaחדשOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 לכל 1M טוקנים · 94 tok/s
- OrcaחדשOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 לכל 1M טוקנים · 49 tok/s
- MoonshotחדשMoonshotAI: Kimi K3.1 Pro2026-10-2447אינטליגנציה
- OrcaחדשOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 לכל 1M טוקנים · 77 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929אינטליגנציה
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 לכל 1M טוקנים · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733אינטליגנציה
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740אינטליגנציה
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 לכל 1M טוקנים · 56 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955אינטליגנציה
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855אינטליגנציה
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 לכל 1M טוקנים · 162 tok/s
- OpenAIOpenAI: GPT-6 Luna2026-09-2228אינטליגנציה
- OpenAIOpenAI: GPT-6 Sol2026-09-2244אינטליגנציה
Ling-3.0-flash-VL ו-Ling 3.0 Flash אינם יריבים, וקריאה של הצימוד הזה כדו-קרב מודלים תוביל אותך למסקנה שגויה. Ling-3.0-flash-VL הוא צ'קפוינט חזון-שפה שמעבדת inclusionAI של Ant Group שחררה השבוע — המשקלים נמצאים ב-Hugging Face תחת רישיון MIT מאז 4 בספטמבר 2026 — והוא בנוי ישירות על Ling 3.0 Flash, מודל הטקסט פתוח-המשקלים בעל 124B פרמטרים של המעבדה, שמשמש כעוגן בשכבה המהירה שלה מאז סוף יולי. השניים חולקים את אותו עיצוב MoE היברידי-לינארי, את אותה כלכלת הפעלה דלילה, את אותו מתכון הגשה עם הקשר של 256K, ואת אותו רישיון MIT. מה שצ'קפוינט ה-VL מוסיף הוא הדבר האחד שלמודל הטקסט מעולם לא היה: קלט תמונות ווידאו ילידי, המועבר דרך מקודד ViT, מקרן MLP דו-שכבתי, וקידוד זמני VideoRoPE. אז ההשוואה מצטמצמת לשאלה מעשית אחת — אם עומס העבודה שלך אף פעם לא מסתכל על תמונה, האם המודל עם העיניים מצדיק את המעבר?
הסיבה שהשאלה בכלל שווה לשאול היא ש-inclusionAI אינה מציגה את Ling-3.0-flash-VL כקו מוצר נפרד. כרטיס המודל שלה מכנה אותו "המודל המולטימודלי הילידי מהדור הבא שלנו", שנבנה על Ling-3.0-flash, יורש את יכולות השפה, ההיסק וההקשר הארוך של אותו מודל ומרחיב אותן עם ראייה שמשתתפת במעגל המלא של הבנה, הסקה, פעולה ואימות — ולא ראייה כתוספת קלט חיצונית. עבור משפחת מודלים שהמוצר הדגל הקודם שלה היה טקסטואלי בלבד באופן מפורש, זהו שינוי אמיתי, והוא משנה על איזה checkpoint צוות טקסט וכלים צריך לתקנן.
שתי נקודות ביקורת, עמוד שדרה אחד
Ling 3.0 Flash, היריב בהשוואה הזו, הוא הבוגר מבין השניים. הוכרז בסוף יולי 2026 ופורסם בקוד פתוח תחת רישיון MIT ב-7 באוגוסט, זהו מודל mixture-of-experts היברידי-לינארי עם 124B פרמטרים בסך הכול וכ-5.1B פעילים לכל טוקן — 35 שכבות KDA ו-7 שכבות Gated MLA נערמות ביחס 5:1, 512 מומחים מנותבים עם 8 פעילים, והקשר מקורי של 256K המוגש ב-262,144 טוקנים. הוא טקסט בלבד, עם תמיכה בקריאה לכלים, חשיבה מופעלת כברירת מחדל דרך תבנית הצ'אט, ופרופיל עלות נמוך באופן יוצא דופן לגודלו. הוא גם החצי המתועד של הזוג: Artificial Analysis מציג אותו בלוח המובילים החי שלה, שם הוא מדורג ראשון מבין 63 המודלים במחלקה שלו, ומדד פלט של כ-313 טוקנים לשנייה ב-API של הספק.
Ling-3.0-flash-VL שומר על הארכיטקטורה הזו ומוסיף מעליה מחסנית חזותית. הכרטיס מתאר מקודד חזותי ViT שתכונותיו מיושרות אל מרחב הטקסט באמצעות מקרן MLP דו-שכבתי, כאשר VideoRoPE מקודד גם מיקום מרחבי וגם סדר זמני, כך שהמודל יכול לבצע לוקליזציה של אירועים והסקה על וידאו ארוך. עמוד השדרה הוא אותו היברידי 5:1 של KDA מול MLA, הפעם ב-124B סך הכול / 5.5B פעילים לכל אסימון, עם גזע של 42 שכבות. הקלט הוא טקסט, תמונה ווידאו; הפלט הוא טקסט. חלון ההקשר מוצהר עד 1M אסימונים, כאשר מתכון SGLang המומלץ משרת 256K באמצעות YaRN scaling. כמו אחיו הטקסטואלי, הוא מגיע עם מצב חשיבה פעיל כברירת מחדל (ניתן להשבית לכל בקשה באמצעות chat_template_kwargs), והוא פועל תחת SGLang או תחת fork vLLM מותאם של inclusionAI. מהדורת BF16 היא כ-250 GB בדיסק על פני 64 רסיסי safetensor — אותה מחלקה של רבע טרה-בייט כמו המשקולות של מודל הטקסט.
עד כמה זה טרי? בזמן כתיבת השורות, למאגר VL יש מספר הורדות בעשרות, כרטיס המודל שלו עדיין התעדכן, ו-Artificial Analysis לא כללה אותו ברשימה. כל מה שלהלן שאינו מיוחס במפורש ל-Artificial Analysis הוא דיווח עצמי של inclusionAI.
לוח התוצאות
האסימטריה כאן אינה איכות — היא מודאליות. שישה ממדים לוכדים את ההחלטה:
• אינטליגנציה (כרטיס ספק, AA Index v4.1.1) — Ling-3.0-flash-VL: 42, לפי דיווח הספק. Ling 3.0 Flash: 38, נתון המדד המוקדם יותר שאליו מתייחס הכרטיס.
• לוח AA החי היום (v4.3) — Ling-3.0-flash-VL: עדיין לא רשום. Ling 3.0 Flash: מוערך 25, מדורג #1 מתוך 63 בקטגוריה שלו.
• קלטים — Ling-3.0-flash-VL: טקסט, תמונה ווידאו. Ling 3.0 Flash: טקסט בלבד.
• הקשר — שניהם מצהירים על עד 1M טוקנים; בפועל, שניהם מוגשים היום ב-256K (262,144).
• מחיר — Ling-3.0-flash-VL: אין עדיין מחיר מחירון; משקולות פתוחות ברישיון MIT בלבד. Ling 3.0 Flash: כ-0.07$ לכל 1M טוקני קלט ו-0.22$ לכל 1M טוקני פלט ב-API המקורי של הספק.
• בחרו בו עבור — Ling-3.0-flash-VL: מסמכים, צילומי מסך, תרשימים, וידאו וסוכנים הפועלים ב-GUI. Ling 3.0 Flash: קריאות לכלים עתירות טקסט וצינורות סוכניים לטווח ארוך.
לוח התוצאות שמודל הטקסט לא יכול להיכנס אליו
כאן השניים למעשה מתפצלים, והפיצול הוא מבני ולא תחרותי: בבנצ'מרקים של תמונות ווידאו, Ling 3.0 Flash הטקסטואלי בלבד לא מופיע כלל, משום שאינו יכול לקלוט את הקלט. התרשים של Ling-3.0-flash-VL עצמו — ההערכה של inclusionAI, שלא שוחזרה, הורצה חלקית באופן פנימי וחלקית מול ה-API של המתחרים תחת הגדרות בדיקה רשמיות — מציג מספרים בשלוש הקטגוריות שהכרטיס מדגיש. בהבנת תמונות מורכבות הוא מציג MMMU-Pro של 79.0 ו-MathVision של 84.87, עם 19.88 נמוך בהרבה ב-Humanity's Last Exam-Multimodal, מה שמשקף עד כמה הסט הזה קשה לכולם. בעבודה עם מסמכים ותרשימים הוא חזק: OmniDocBench1.5 ב-91.35 ו-CharXiv_RQ ב-81.30. ובמערכי הבדיקה הסוכניים-מולטימודליים שהופכים את השחרור הזה למעניין — ClawEval-MM ב-59.9, WebVoyager ב-90.83, Vision2Web ב-57.69 — הוא מתבקש לקרוא ממשק ולפעול לפיו, וזה בדיוק תפקיד סוכן ה-GUI שמודל הטקסט אינו יכול למלא.
קראו אותם בהקשר, ומתקבלת תמונה קוהרנטית: זה אינו מודל שמכוונן לנצח בטריוויה על תמונות, אלא מודל שמכוונן להפוך פיקסלים לפעולה — לקרוא את הפריסה, לעקוב אחרי התרשים, לתפעל את העמוד. בתרשים של הספק עצמו הוא מוביל בשדה ההשוואה המשולש (Qwen3.8-27B במאמץ חשיבה גבוה, Gemini 3.5 Flash-Lite, ו-Kimi-K2.6) ב-OmniDocBench, WebVoyager ו-ClawEval-MM, ומפגר בקבוצות קשות של ידע וחשיבה כמו MathVision ו-HLE-MM. התייחסו לכל אחד מהמספרים האלה כאל טענה של inclusionAI עד שמעבדה ניטרלית תאשר אותם — אבל כיוון הכיוונון ברור ועקבי.
המספר היחיד ששווה להתווכח עליו: 42 לעומת 38
הטענה שסביר ביותר שתניע צוות שעובד רק עם טקסט לעבור היא הטענה הראשית: inclusionAI מדווחת ש-Ling-3.0-flash-VL קיבל ציון 42 במדד ה-Artificial Analysis Intelligence Index (v4.1.1), ארבע נקודות מעל ה-38 שהיא מייחסת ל-Ling 3.0 Flash באותה גרסת מדד. שימו לב למה שהמדד הזה מודד: הרכיב המשולב שלו ב-v4.1.1 נשען על סוויטות טקסט וסוכנים — GDPval, Terminal-Bench, SciCode, GPQA Diamond, Humanity's Last Exam וכדומה, שאף אחת מהן אינה משימות תמונה. אז הספק טוען שהוספת אימון חזותי ל-backbone המשותף שיפרה את האינטליגנציה הטקסטואלית של המודל בארבע נקודות, ולא רק שהוא יכול כעת לתאר תמונות. זו טענה מדהימה ולגמרי סבירה — כיוונון הוראות מולטימודלי בדרך כלל מעלה את יכולת הטקסט.
שתי הסתייגויות מקור שומרות על המספר הזה בפרופורציה. ראשית, ה-38 הוא נתון מדור אינדקס מוקדם יותר: Artificial Analysis העבירה מאז את הלוח החי שלה לגרסת אינדקס חדשה יותר (v4.3), שבה היא מציגה כיום את Ling 3.0 Flash בנתון מוערך של 25 בעוד שהיא עדיין מדרגת אותו במקום הראשון מבין 63 המודלים בקטגוריה שלו. הצמד 42 מול 38 של הספק יושב על הסקאלה הישנה, ולכן אין לקרוא אותו כ"ארבע נקודות מעל המקום שבו AA מדרגת היום את מודל הטקסט". שנית, ה-42 הוא נתון של inclusionAI עצמה על מודל ש-Artificial Analysis טרם הציגה, ו-inclusionAI לא פרסמה את תוצאות נקודת הבדיקה של VL במכלולי הטקסט הבודדים (SWE-Bench, Terminal-Bench) שאותם מפרטת טבלת מודל הטקסט שלה עצמה. ארבע נקודות הן בדיוק גודל השיפור שתרצו לשחזר לפני שתעבירו צינור לעיבוד טקסט בלבד על סמך זה.
מחיר: לאחד יש מחיר רשום, ולשני אין.
השוואת העלויות היא כרגע השוואה עם מחיר אחד בלבד. Ling 3.0 Flash ניתן לקרוא לו היום ב-API של הצד הראשון של הספק במחיר של בערך $0.07 לכל 1M קלט ו-$0.22 לכל 1M פלט — תמחור שנקבע על ידי הספק, מאושר ברשימה של Artificial Analysis — כאשר קלט במטמון זול יותר, והנחות תקופת ההשקה הסתיימו. ל-Ling-3.0-flash-VL אין מחיר API מפורסם בשום מקום; אתה לא יכול לשלם לפי טוקן עבורו עדיין. אם אתה רוצה אותו השבוע, אתה מארח אותו בעצמך: משקולות MIT בערך 250 GB ב-BF16, על אותה מחלקת חומרה שהמודל הטקסטואלי כבר דורש — 4× 141GB GPUs (H20-3e או H200) או צומת Blackwell עם 4 GPUs ב-tensor-parallel 4, או 8× 80GB H100/H800 ב-TP8.
זה ממסגר מחדש את הכלכלה עבור צוות טקסט בלבד. אם אתה קונה טוקנים, מודל הטקסט ב-$0.07/$0.22 הוא זול ומוכח. אם אתה כבר מארח בעצמך את מודל הטקסט 124B, צ'ק פוינט ה-VL הוא לא רכישת תשתית שנייה — הוא עוד ~250 GB של משקלים על אותה מחלקת מכונות, מוצדק רק על ידי עומסי עבודה שבאמת צורכים פיקסלים. המודל עם העיניים רק מרוויח את מקומו כשהעיניים נמצאות בלופ.
מי צריך לבחור מה
• טקסט בלבד ונפח גבוה — הישארו עם Ling 3.0 Flash. אתם מקבלים מודל מוכח ומדורג ב-AA, מחיר אמיתי לכל טוקן, ויכולות בוגרות לקריאה לכלים. השיפור של ארבע נקודות במדד של מודל ה-VL אינו משוחזר והתפוקה שלו בצד הטקסט אינה נמדדת; אין עדיין ראיות לכך שהוא מודל הטקסט הטוב יותר, אלא רק טענה שכך הוא.
• הראייה נכנסת ללולאה — מסמכים, צילומי מסך, תרשימים, תמונות, פריימים של וידאו, או ממשק משתמש שהסוכן שלך צריך לקרוא וללחוץ עליו — Ling-3.0-flash-VL הוא הבחירה המתבקשת, מפני שהוא אותו עמוד שדרה הסקתי שאתה כבר מכיר, עם תוספת של מערכת הראייה, ולא מודל רב-מודלי נפרד שעליך להעריך מחדש מאפס.
• תעבורה מעורבת, טרם הוחלט — המהלך בסיכון נמוך הוא להשאיר את שניהם נגישים ולנתב לפי בקשה במקום לבנות מחדש סביב אחד מהם. זו התכונה ששער מודלים קיים כדי לתת לך: API אחד מעל 200+ מודלים, מחירי המחירון של הספקים מועברים הלאה בתוספת של 0%, ומעבר אוטומטי (failover) כשספק נחלש. אף צ׳קפוינט של Ling אינו מאחורי נקודת קצה של OrcaRouter עדיין — המחיר של מודל הטקסט הוא של הספק עצמו ולמודל ה-VL אין מחיר מתארח בכלל — אבל כשהל-VL יקבל כזה, העברת תת-קבוצה של התעבורה אליו ומדידה שלה היא שינוי תצורה, לא פרויקט אינטגרציה.
מה עדיין חסר
• הרצה עצמאית של Ling-3.0-flash-VL על Artificial Analysis Intelligence Index נוכחי — ה-42 הוא הצהרתה של inclusionAI על גרסת מדד מוקדמת יותר.
• כל מחיר של API מתארח עבור מודל VL, שהוא המכשול הגדול ביותר לאימוץ מזדמן.
• פורסמו פיצולי טקסט בלבד (SWE-Bench Pro, Terminal-Bench 2.1) עבור נקודת הבדיקה של VL, כדי שצוות שעיקר עיסוקו טקסט יוכל לוודא שמערך הראייה לא עלה לו דבר.
• נתון השהיה או תפוקה מקצה לקצה עבור VL תחת עומס תמונות — המהירות של מודל הטקסט נמדדת; זו של מודל הראייה לא.
• אישור ניטרלי של תרשים הבנצ'מרק החזותי, שחלקים ממנו הורצו על ההרנס של inclusionAI עצמה, ולפחות בנצ'מרק פנימי אחד מתוכנן לצאת בהמשך.
פסק הדין
זו אינה תחרות של איכות מודל; זו החלטת מודליות עם טענה בת ארבע נקודות מצורפת. אם הקלט שלך הוא טקסט, הישאר עם Ling 3.0 Flash — הוא זול יותר, רשום ב-AA, ונמדד, והיתרון של מודל ה-VL עליו הוא נכון לעכשיו נתון של ספק בסולם מדד ישן יותר. אם עומס העבודה שלך מתחיל ממסך — עמוד מסמך, צילום מסך, תרשים, פריים וידאו, GUI שהסוכן שלך חייב להפעיל — Ling-3.0-flash-VL הוא אותו מוח 124B שאתה כבר מבין, שכעת מסוגל לראות, וזו אפשרות חדשה ממש שלא הייתה קיימת בשכבת ה-Fast של Ling לפני שבוע. אמץ אותו במקום שבו הראייה אמיתית, אמת את ה-42 לפני שאתה מעביר משהו על סמך זה, ושמור שהבחירה תישאר הפיכה בשכבת הניתוב עד שיגיעו ציון עצמאי ומחיר מחירון.
