
Ling-3.0-flash: Apa yang Sekarang Kita Ketahui tentang Open-Weight Fast-Tier MoE Milik Ant Group
- OrcaBARUOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1 juta token · 186 tok/s
- openaiBARUOpenAI: GPT-6.2 Astra2026-11-17$8.00 / $40.00 per 1 juta token · 86 tok/s
- openaiBARUOpenAI: GPT-6.2 Sol2026-11-17$2.00 / $10.00 per 1 juta token · 151 tok/s
- tencentBARUTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1 juta token · 192 tok/s
- AlibabaBARUQwen: Qwen4 Max2026-11-16$1.50 / $4.50 per 1 juta token · 86 tok/s
- GoogleBARUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1 juta token · 705 tok/s
- AnthropicBARUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1 juta token · 246 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1 juta token · 97 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1 juta token · 138 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1 juta token · 85 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1 juta token · 122 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1 juta token · 102 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1 juta token · 70 tok/s
- openaiOpenAI: GPT-6.1 Terra2026-10-26$1.00 / $5.00 per 1 juta token · 35 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 juta token · 89 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 juta token · 38 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Kecerdasan
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1 juta token · 231 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Kecerdasan
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1 juta token · 101 tok/s
{{1}}Ling-3.0-flash{{/1}} — MoE tingkat cepat dari InclusionAI milik Ant Group, diumumkan pada 24 Juli 2026 dan dirilis sebagai open source dengan lisensi MIT pada 7 Agustus — kini memiliki jalur penerapan perangkat tunggal yang konkret. Pada 27 Oktober, NVIDIA menerbitkan resep teknis yang menunjukkan build FP4 model tersebut mendekode pada 53,89 token per detik di satu DGX Spark, naik 42,5% dari 37,81 tok/s, di seluruh 1.319 pertanyaan GSM8K, dengan akurasi yang tidak berubah secara statistik. Itu adalah pengukuran NVIDIA sendiri pada perangkat kerasnya sendiri, bukan uji pihak ketiga independen, dan berlaku untuk ukuran batch 1. Angka-angka itu tidak menggantikan angka API terhosting di bawah ini. Namun, angka tersebut mengubah "jalur penerapan single-DGX-Spark" model yang sebelumnya samar menjadi konfigurasi terbitan dengan baseline, protokol, dan mode kegagalan yang terdokumentasi.
Model itu sendiri tidak berubah. Ini adalah mixture-of-experts penalaran hibrida native dengan total 124B parameter dan 5,1B aktif per token, dibangun sebagai tier cepat dan murah dari keluarga Ling; bobot berlisensi MIT telah tersedia di Hugging Face dan ModelScope sejak 7 Agustus. Yang berubah sejak versi Agustus dari tulisan ini adalah catatan di sekitarnya. Evaluasi Artificial Analysis, yang dikutip tulisan ini pada Agustus, memberi Ling-3.0-flash skor 38 pada Intelligence Index mereka dan menempatkannya di frontier Pareto bobot-terbuka untuk kecerdasan versus total parameter. Halaman live AA sekarang menandai model tersebut sebagai deprecated dan mengarahkan pembaca ke Ling-3.1-flash, serta tidak lagi menampilkan Intelligence Index terkini. Angka 38 masih merupakan skor independen terakhir yang diterima checkpoint ini; itu bukan angka yang diperbarui secara langsung.
Revisi ini menggabungkan pengukuran DGX Spark Oktober dan mengoreksi bagian-bagian dari tulisan Agustus yang telah berubah — angka kecepatan AA saat ini dan status deprecasinya — sambil mempertahankan label sumbernya secara utuh. Jika Ant Group atau NVIDIA adalah satu-satunya sumber untuk suatu angka, kalimat tersebut menyebutkannya.
Singkatnya. Ling-3.0-flash adalah MoE open-weight kelas cepat milik Ant Group: total 124B / aktif 5,1B, lisensi MIT, konteks asli 256K (262K saat dilayankan). Model ini bukan lagi Ling terbaru — AA menandainya sebagai usang dan menyarankan Ling-3.1-flash — tetapi tetap tersedia, terdokumentasi, dan kini memiliki resep perangkat tunggal yang terukur. Konfigurasi DGX Spark NVIDIA 27 Oktober menjalankan 53,89 tok/s pada ukuran batch 1 di GSM8K, +42,5% dibanding baseline-nya sendiri, menurut laporan vendor. Pada API terkelola, AA saat ini mencantumkan 243 tok/s keluaran dan waktu hingga token pertama 2,79 detik. Masih hanya dari vendor: klaim throughput puncak Ant 1.100+ tok/s, angka TTFT di bawah 100 ms, dan tabel benchmark kartu model. Harga API pihak pertama adalah $0,075 masuk / $0,22 keluar per 1 juta token (diskon 80% untuk cache hit); tier gratis peluncuran berakhir 3 Agustus, dan promosi diskon 75% Ling Studio berakhir 31 Agustus.
Poin-poin penting
• Ini adalah tier cepat/murah, bukan yang flagship. Model flagship 1T parameter dari generasi sebelumnya tetap menjadi model terbesar InclusionAI; Ling-3.0-flash adalah saudara yang lebih kecil dan lebih cepat yang ditujukan untuk teks bervolume tinggi dan pemanggilan alat.
Bobotnya masih terbuka di bawah lisensi MIT. Bobot tersebut tersedia di Hugging Face (inclusionAI/Ling-3.0-flash) dan ModelScope pada 7 Agustus, dan build MXFP4 yang didokumentasikan NVIDIA untuk DGX Spark tersedia bersama checkpoint BF16 dan FP8.
• Skor independen itu kini sudah historis. Uji AA yang dikutip dalam postingan ini pada Agustus memberinya skor 38, naik 24 dari Ling-2.6-flash, dan menempatkannya di frontier Pareto open-weights; halaman live AA sekarang menandai model tersebut sebagai deprecated demi Ling-3.1-flash dan tidak menampilkan Intelligence Index saat ini.
• Kecepatan memiliki tiga titik referensi, dan ketiganya tidak dapat saling dipertukarkan. AA saat ini mencantumkan 243 tok/s output pada API terhosting; NVIDIA mengukur 53,89 tok/s pada satu DGX Spark dengan ukuran batch 1; Ant masih mengklaim 1.100+ tok/s pada perangkat keras klaster yang ditentukan.
Harga sudah ditetapkan, dan promosinya sudah berakhir. $0,075 masuk / $0,22 keluar per 1 juta token dengan diskon 80% untuk cache-hit; tier gratis peluncuran berakhir 3 Agustus, dan periode diskon 75% Ling Studio berakhir 31 Agustus.
• Ini adalah salah satu bagian dari keluarga tiga model. InclusionAI membagi jajarannya menjadi Ling (MoE untuk teks dan alat serbaguna, model ini), Ring (penalaran), dan Ming (multimodal).
Catatan tentang cara membaca pembaruan ini: ini adalah revisi dari pratinjau 24 Juli dan revisi 8 Agustus sebelumnya. Hasil DGX Spark 27 Oktober adalah materi baru; koreksi AA bersifat administratif agar tulisan ini tidak mengutip skor langsung yang sudah tidak ada. Setiap spesifikasi, benchmark, dan harga di bawah ini diberi label berdasarkan sumbernya.
Apa yang sebenarnya kita ketahui
Arsitektur ini didokumentasikan sepenuhnya pada kartu model. Ling-3.0-flash menggunakan stack atensi hibrida-linear native — Kimi Delta Attention (KDA) dan lapisan Gated MLA bergantian dengan rasio 5:1 (35 KDA + 7 MLA, total 42 lapisan), dengan gating diagonal berbutir halus KDA — di atas MoE sparse 1/64 (512 expert routed, 8 diaktifkan per token, ditambah satu expert bersama). Itulah cara model ini mencapai 124B parameter total dengan hanya 5,1B yang aktif. Jendela konteksnya 256K secara native, disajikan pada 262.144 token dalam resep inferensi, dan Ant mengklaim arsitektur ini dapat diskalakan hingga 1M. Panjang output maksimum tidak diungkapkan. Model ini hanya teks dengan dukungan pemanggilan alat; input multimodal berada di lini Ming yang terpisah.
Dua format bobot dipublikasikan oleh lab — BF16 (sekitar 255GB) dan FP8 (sekitar 128GB) — dan varian terkuantisasi komunitas ditautkan dari kartu model. Resep DGX Spark menggunakan format ketiga: build MXFP4 yang muat di 121GB memori terpadu perangkat. Resep deployment milik lab sendiri menargetkan SGLang dan vLLM; jalur Spark NVIDIA menggunakan build SGLang dari InclusionAI dengan backend Humming MoE ditambahkan.
Ketersediaan: bobot terbuka di bawah lisensi MIT
Pada 7 Agustus, tim InclusionAI dari Ant Group merilis open-source bobot model dengan lisensi MIT di Hugging Face (inclusionAI/Ling-3.0-flash) dan ModelScope. Itu adalah lisensi permisif yang dapat digunakan secara komersial — sama seperti yang digunakan Ling 2.0 dan Ling 2.6 — dan berarti Anda dapat melakukan self-host, fine-tune, dan men-deploy Ling-3.0-flash sendiri alih-alih menyewanya melalui API. Model ini juga dapat dipanggil melalui API pengembang milik Ant sendiri dan beberapa platform pihak ketiga. Untuk model tingkat cepat pada harga ini, pertanyaan yang menarik bukan lagi apakah Anda dapat melakukan self-host; melainkan apakah satu perangkat 121GB sudah cukup. Ling Cookbook dari InclusionAI kini menyertakan notebook DGX Spark yang dikreditkan bersama kepada Ant Group dan NVIDIA, dan checkpoint MXFP4 yang digunakannya diterbitkan bersama format lainnya. Bagian di bawah ini adalah jawaban terukur pertama untuk pertanyaan tersebut.

Skor independen: hasil Agustus, kini menjadi sejarah
Perubahan tunggal terbesar dari postingan Juli adalah munculnya angka-angka independen. Evaluasi Artificial Analysis, yang dikutip postingan ini pada Agustus, memberi Ling-3.0-flash skor 38 pada Intelligence Index — 24 poin di atas generasi fast-tier sebelumnya, Ling-2.6-flash (14), dan setara dengan MiMo-V2.5 serta Qwen 3.6 27B sambil mengaktifkan sebagian kecil parameter mereka. AA juga menempatkan model itu di frontier Pareto open-weights untuk kecerdasan versus total parameter: saat itu, tidak ada model open-weights dengan total parameter lebih sedikit yang memperoleh skor lebih tinggi. Pemimpin open-weights tingkat flash di AA, DeepSeek V4 Flash, skornya bahkan lebih tinggi (Index 52 pada upaya penalaran maksimum).
Catatan itu sejak itu telah dipensiunkan, bukan dibatalkan. Halaman live {{1}}AA{{/1}} untuk {{2}}Ling-3.0-flash{{/2}} kini menandai model tersebut sebagai deprecated dan mengalihkan dukungan ke {{3}}Ling-3.1-flash{{/3}}, mengarahkan pembaca ke model yang lebih baru, serta tidak menampilkan Intelligence Index saat ini. Angka 38 tetap menjadi skor independen terakhir yang diterima checkpoint ini; bacalah sebagai hasil yang bertanggal, bukan peringkat live. Jika Anda memilih model Ling hari ini, perbandingan yang perlu dijalankan adalah dengan {{4}}Ling-3.1-flash{{/4}}, yang saat ini dicakup oleh {{5}}AA{{/5}}.
Hasil agentic dan konteks panjang dari evaluasi tersebut juga kuat secara arah. Pada suite Banking τ3-Bench milik AA, Ling-3.0-flash mencetak skor 27%, peringkat kedua di antara model open-weight kelas flash di belakang DeepSeek V4 Flash (39%). Pada GDPval-AA v2, model ini mencapai Elo 1108, naik dari 545 untuk Ling-2.6-flash. Ant melatih model tersebut di lebih dari 10.000 lingkungan interaktif (menurut laporan vendor) dan memposisikannya sebagai node eksekusi untuk alur kerja agen — cepat, murah, dan sekali pakai, dengan penalaran berat diserahkan ke model unggulan yang lebih besar.
Satu catatan tentang sumber: tabel benchmark pada kartu model Ant — SWE-Bench Pro 56.6, SWE-bench Multilingual 72.4, MathArena AIME 2026 93.2, HLE 22.7 — dilaporkan oleh vendor dan belum direproduksi secara independen. Anggap itu sebagai klaim lab tersebut sendiri, dalam kategori yang sama dengan angka kecepatan puncak di bawah.
Kecepatan: tiga angka, tiga pengaturan berbeda
Kisah kecepatan kini memiliki tiga angka, dan hal pertama yang perlu dilakukan adalah berhenti memperlakukannya sebagai pengukuran yang sama.
Pada API terhosting, Artificial Analysis saat ini mencantumkan 243 token keluaran per detik dan waktu-ke-token-pertama 2,79 detik. Itu lebih rendah daripada 368 tok/s dan 1,98 detik yang dilaporkan postingan ini pada Agustus — panel penyedia dan pengujian AA berubah, dan halaman live-nya adalah yang perlu dikutip hari ini. Model ini masih berada di peringkat mendekati puncak kelas kecepatannya.
Pada satu DGX Spark, NVIDIA melaporkan 53,89 token decode per detik pada ukuran batch 1 di GSM8K, peningkatan 42,5% dibandingkan baseline miliknya sendiri. Itu adalah angka lokal untuk satu pengguna, tidak dapat dibandingkan dengan angka throughput API dan bukan hasil konkurensi. Bagian berikutnya menguraikannya.
Pada perangkat keras klaster tertentu, Ant mengklaim laju output rata-rata di atas 1.100 token per detik dan waktu hingga token pertama di bawah 100 mdengan lapisan cache hierarkis yang dibangun di atas SGLang HiCache dan Mooncake. Angka tersebut masih hanya dari vendor — diukur pada perangkat keras dan penyiapan batch yang dikendalikan Ant, tanpa publikasi pengujian ulang independen. Untuk perencanaan, gunakan angka AA untuk pekerjaan yang dihosting, angka NVIDIA untuk satu Spark, dan anggap 1.100+ tok/s sebagai batas atas yang perlu diverifikasi pada beban kerja Anda sendiri.
Satu DGX Spark: apa yang sebenarnya diukur oleh 42,5%
Pada 27 Oktober, blog teknis NVIDIA menerbitkan resep untuk menyajikan Ling-3.0-flash-fp4 di satu DGX Spark — sistem desktop GB10 dengan memori terpadu 121GB — dan Ling Cookbook milik InclusionAI memuat notebook terkait, yang kreditnya diberikan bersama kepada Ant Group dan NVIDIA. Keterangan resmi Ant Group sendiri menyebut pekerjaan ini sebagai kolaborasi teknis dengan NVIDIA. Ini adalah tolok ukur yang cermat, bukan sekadar demo: seluruh 1.319 pertanyaan GSM8K, five-shot chain-of-thought, ukuran batch 1, temperature 0.6, top-p 0.95, top-k 29, dan batas 32.768 token.
Baseline adalah build W4A8 yang dilayani dengan kernel MoE MXFP4 FlashInfer, GEMM padat CUTLASS, dan LM head 32-bit. Pada baseline tersebut, decode berjalan pada 37.81 tok/s. Dengan tiga perubahan yang ditumpuk, nilainya berjalan pada 53.89 tok/s — 42.5% dalam judul. Waktu rata-rata per token keluaran turun dari 26.45ms menjadi 18.56ms (−29.8%), latensi end-to-end rata-rata dari 15.21s menjadi 11.49s (−24.5%), P50 dari 8.36s menjadi 6.11s, dan P95 dari 50.20s menjadi 38.60s. Akurasi GSM8K bergeser dari 96.89% menjadi 96.82%, selisih 0.08 poin yang menurut NVIDIA tidak dapat dideteksi secara statistik. Waktu rata-rata hingga token pertama praktis datar, dari 0.207s menjadi 0.214s. Ini adalah peningkatan decode, bukan peningkatan prefill.
Ketiga perubahan tersebut menyasar biaya yang berbeda:
Kernel MoE MXFP4 Humming menggantikan backend FlashInfer. Humming mengompilasi kernel saat runtime dengan NVRTC untuk bentuk persis model — termasuk ukuran perantara MoE sempit selebar 768 — dan menyimpannya dalam cache di ~/.humming/cache. Pada uji sintetis NVIDIA, ini saja meningkatkan throughput sebesar 9.3%.
Kuantisasi FP8 online pada LM head. Head tersebut tetap BF16 dalam checkpoint, dan GEMM 157,184 × 2,560-nya membaca blok bobot penuh pada setiap token; mengkuantisasinya ke FP8 saat pemuatan memangkas separuh pembacaan itu. Fitur ini diaktifkan dengan SGLANG_ENABLE_FP8_LM_HEAD=1, yang bertentangan dengan --enable-fp32-lm-head milik baseline, dan menambah 11,4% dibandingkan Humming saja.
• Prediksi multi-token NEXTN. Lapisan NEXTN bawaan model membuat draf tiga token dan memverifikasi jendela empat token. Pada GSM8K, rata-rata panjang draf yang diterima adalah 2,68 token per putaran.
Ada angka kedua yang lebih menonjol dalam postingan yang sama: beban kerja sintetis input 32K / output 2K pada ukuran batch 1 naik dari 36,09 menjadi 102,88 tok/s, +185,1%. NVIDIA sendiri memperingatkan agar tidak menggeneralisasikannya. Proses itu menggunakan greedy decoding, output tetap 2K, dan teks berulang; acceptance mencapai 3,90 token per putaran versus 2,68 pada GSM8K. Angka GSM8K 42,5% adalah yang harus dijadikan dasar perencanaan. Angka 185,1% adalah batas atas sintetis dalam skenario terbaik.
Satu jebakan operasional lebih penting daripada peningkatan kecepatannya. Kuantisasi FP8 LM-head dan MTP hanya dapat digabungkan jika model draft berbagi seluruh modul LM-head milik target, bukan sekadar tensor bobotnya. Tanpa antarmuka tersebut, framework secara diam-diam melakukan fallback, membaca bobot FP8 sebagai BF16, menurunkan acceptance ke 1.00, dan bisa berakhir lebih lambat daripada baseline yang tidak dioptimalkan. Saran NVIDIA adalah memvalidasi bahwa setiap optimasi aktif saat startup, bukan menyimpulkannya dari pengukuran waktu setelahnya.
Apa yang diubah ini bagi pembaca: jalur Spark tunggal bukan lagi materi presentasi vendor. Ini adalah resep yang dipublikasikan dengan baseline, protokol pengukuran, dan mode kegagalan yang dinyatakan — cukup untuk mereproduksi atau menolaknya di perangkat Anda sendiri. Apa yang tidak diubah: ini tetap pengukuran NVIDIA sendiri, pada satu perangkat, pada ukuran batch 1, untuk decode. Ini tidak mengatakan apa pun tentang penyajian bersamaan, throughput konteks panjang, atau API yang dihosting. Dan ini spesifik untuk build FP4; checkpoint BF16 dan FP8 memiliki profil memori dan bandwidth yang berbeda.
Harga: murah, dan promonya sudah berakhir.
Artificial Analysis mencantumkan API pihak pertama seharga $0.075 per 1 juta token input dan $0.22 per 1 juta output, dengan cache hit sebesar $0.015 (−80%) — semuanya harga yang ditetapkan vendor. Tier gratis peluncuran (500 ribu token gratis/hari, akses API gratis) berakhir pada 3 Agustus. Periode diskon 75% sementara di Ling Studio berlangsung hingga 31 Agustus 2026; harga daftar berlaku sejak 1 September. Bahkan pada harga daftar penuh, $0.075/$0.22 menempatkan Ling-3.0-flash dengan tegas di tier murah untuk model dengan Indeks 38 dalam evaluasi tersebut.
Pada harga serendah ini, biaya peralihan lebih penting daripada harga per token. Tugas OrcaRouter adalah menjaga sisi hosted dari perbandingan itu tetap jujur: satu API untuk 200+ model, harga daftar penyedia diteruskan apa adanya dengan markup 0%, dan failover otomatis antarpenyedia. Deployment DGX Spark lokal harus bisa mengalahkan harga pasar yang nyata dan terkini, bukan slide vendor — dan ketika penyedia hosted mengubah harganya, pass-through menunjukkannya pada key yang sama pada hari yang sama.
Keluarga Ling / Ring / Ming
Ling-3.0-flash tidak ada secara terpisah — InclusionAI mengorganisasi rilisnya ke dalam tiga keluarga bernama, masing-masing ditujukan untuk pekerjaan berbeda. Ling adalah lini MoE serbaguna untuk pembuatan teks sehari-hari dan pemanggilan alat, dan Ling-3.0-flash berada di ujung cepat/murah, satu tingkat di bawah model andalan 1T-parameter generasi sebelumnya. Ring adalah lini yang berfokus pada penalaran, dibangun untuk rantai pemikiran multi-langkah. Ming adalah lini multimodal. Jika tugas Anda membutuhkan penalaran yang lebih berat atau input gambar, model InclusionAI yang tepat mungkin bukan Ling-3.0-flash — model ini dirancang untuk volume dan kecepatan dalam jalur teks-dan-alat.
Untuk siapa: empat skenario
1. Pipeline teks atau pemanggilan alat yang bervolume tinggi dan sensitif terhadap latensi
Ini adalah bidang yang dikuasai model ini. Dengan lisensi MIT, resep single-Spark yang telah dipublikasikan, dan Index independen bertanggal dengan skor 38, taruhan pada tier cepat dapat diuji, bukan sekadar hipotetis — jalankan set evaluasi Anda sendiri melalui model ini, atau unduh bobotnya dan host sendiri. Hanya saja, jangan membangun di sekitar batas 1.100+ tok/s dari vendor sampai Anda mengukurnya pada beban kerja Anda.
2. Tim yang menginginkan konteks panjang dengan anggaran terbatas
Konteks asli 256K (262K yang disajikan) dengan jalur yang dinyatakan menuju 1M, dengan harga $0.075/$0.22, adalah kombinasi yang menarik untuk pekerjaan yang berat dalam pengambilan informasi atau pemrosesan dokumen. Angka konteks panjang pada kartu model dilaporkan oleh vendor, jadi masukkan model ini ke dalam daftar kandidat bersama opsi konteks panjang yang sudah mapan dan verifikasikan pada korpus Anda sendiri sebelum memutuskan.
3. Pengamat melacak lanskap Kementerian Pendidikan China dan peta jalan InclusionAI
Pertanyaan Juli — apakah InclusionAI akan tetap terbuka? — kini telah terjawab: ya, MIT, dan cepat. Ling-3.0-flash yang masuk ke frontier Pareto AA dengan 5,1B parameter aktif adalah satu titik data. Resep DGX Spark Oktober adalah titik data kedua: model 124B yang melakukan decoding pada 53,89 tok/s di satu komputer desktop dengan ukuran batch 1, dan resepnya dipublikasikan.
4. Tim dengan satu DGX Spark di meja
Jika Anda sudah memiliki perangkatnya, resep NVIDIA adalah konfigurasi pertama yang layak ditiru: build MXFP4, fork SGLang dari InclusionAI, kernel Humming MoE, LM head FP8, dan NEXTN MTP. Anggap ini sebagai pengukuran satu vendor pada ukuran batch 1, dan validasi saat startup bahwa komponen FP8 dan MTP benar-benar aktif — mode kegagalan fallback senyap itu nyata. Jika Anda tidak memiliki Spark, resep ini adalah titik data tentang apa yang dapat diperoleh dengan 121GB memori terpadu, bukan alasan untuk membelinya.
Apa yang masih belum terverifikasi
Daftar singkat, kini setelah celah-celah besar tertutup. Klaim kecepatan puncak Ant (1,100+ tok/s, TTFT sub-100ms) masih belum memiliki pengukuran ulang independen. Tabel benchmark kartu model tetap berasal dari laporan vendor. Build FP4/INT4 dan jalur DGX Spark tunggal tidak lagi samar — NVIDIA menerbitkan konfigurasinya dan InclusionAI mengirimkan notebook-nya — tetapi angka 53.89 tok/s dan 96.82% adalah pengukuran NVIDIA sendiri pada satu perangkat dengan ukuran batch 1, bukan reproduksi pihak ketiga. Skor independen bersifat historis: evaluasi yang dikutip postingan ini pada Agustus memberinya skor 38, dan halaman live kini menandai model tersebut sebagai tidak lagi didukung, digantikan oleh Ling-3.1-flash. Dan soal pengetahuan, Indeks Omniscience dari evaluasi tersebut menunjukkan bahwa peningkatan dibanding generasi sebelumnya sebagian besar terjadi melalui penolakan untuk menjawab — halusinasi turun (97% → 44%) sementara akurasi hanya naik sedikit (16% → 18%) — jadi jangan salah mengartikan lonjakan Indeks yang jadi sorotan sebagai lompatan pengetahuan yang menyeluruh.
Kapan tidak menggunakannya
Lewati Ling-3.0-flash untuk pekerjaan multimodal — itu lini Ming. Lewati jika Anda membutuhkan model unggulan penalaran berat alih-alih eksekutor cepat — itu ranah Ring. Jika Anda berencana melakukan self-host, anggarkan untuk perangkat keras yang sebenarnya: BF16 kira-kira 255GB, FP8 kira-kira 128GB, dan build MXFP4 adalah yang cocok untuk DGX Spark 121GB. Jika Anda memilih model Ling baru alih-alih mempertahankan deployment yang sudah ada, bandingkan dulu dengan Ling-3.1-flash; AA telah memindahkan cakupannya ke sana. Dan jika suatu klaim penting bagi Anda, verifikasikan — angka kecepatan puncak dan konteks panjang adalah milik Ant sampai lab independen menjalankannya ulang.
Pertanyaan yang Sering Diajukan (FAQ)
Apakah Ling-3.0-flash open weight?
Ya. Bobotnya dirilis sebagai open source pada 7 Agustus di bawah lisensi MIT, di Hugging Face (inclusionAI/Ling-3.0-flash) dan ModelScope. Itu adalah lisensi permisif yang dapat digunakan secara komersial — lisensi yang sama dengan yang digunakan Ling 2.0 dan Ling 2.6.
Bagaimana performa Ling-3.0-flash pada tolok ukur?
Evaluasi Artificial Analysis, yang dikutip oleh postingan ini pada Agustus, memberinya skor 38 pada Intelligence Index, naik 24 poin dari Ling-2.6-flash, dan menempatkannya di frontier Pareto open-weights untuk kecerdasan versus total parameter. Halaman live AA sekarang menandai model tersebut sebagai deprecated dan digantikan oleh Ling-3.1-flash serta tidak menampilkan Intelligence Index saat ini, sehingga 38 adalah hasil historis. Tabel benchmark pada kartu model Ant (misalnya SWE-Bench Pro 56.6) dilaporkan oleh vendor dan belum direproduksi secara independen.
Seberapa cepat sebenarnya?
Ada tiga angka berbeda untuk tiga pengaturan berbeda. AA saat ini mencantumkan 243 token output per detik dan waktu ke token pertama 2.79 detik pada API yang dihosting. NVIDIA melaporkan 53.89 tok/s dekode pada ukuran batch 1 di satu DGX Spark. Ant mengklaim 1,100+ tok/s dan TTFT di bawah 100ms pada perangkat keras klaster yang ditentukan. Hanya angka AA yang independen; dua lainnya adalah pengukuran vendor pada perangkat keras yang berbeda.
Berapa harga Ling-3.0-flash?
AA mencantumkan API pihak pertama seharga $0.075 per 1 juta token input dan $0.22 per 1 juta output, dengan diskon 80% untuk cache hit. Tingkat gratis peluncuran berakhir pada 3 Agustus, dan periode diskon 75% sementara di Ling Studio berakhir pada 31 Agustus 2026.
Apa perbedaan antara Ling, Ring, dan Ming?
Ling adalah lini MoE serbaguna milik InclusionAI untuk teks dan pemanggilan alat, dan Ling-3.0-flash berada di ujung cepat/murahnya. Ring adalah lini yang berfokus pada penalaran. Ming menangani tugas multimodal. Ini adalah keluarga terpisah untuk pekerjaan yang berbeda, bukan tingkatan dari satu model.
Apakah Ling-3.0-flash dapat berjalan pada satu DGX Spark?
Ya. NVIDIA menerbitkan resep pada 27 Oktober untuk build MXFP4 pada satu DGX Spark (121GB memori terpadu), menggunakan kernel Humming MXFP4, LM head FP8, dan prediksi multi-token NEXTN. Hasilnya melaporkan decode 53,89 tok/s pada batch size 1 di 1.319 pertanyaan GSM8K, peningkatan 42,5%, dengan akurasi 96,82%. Hasil tersebut milik NVIDIA sendiri, tidak direproduksi secara independen, dan hanya berlaku pada batch size 1; menggabungkan FP8 dengan MTP mengharuskan draft berbagi LM head penuh, atau throughput dapat turun di bawah baseline yang tidak dioptimalkan.
Haruskah saya menggunakan Ling-3.0-flash dalam produksi hari ini?
Ini adalah model open-weight yang matang, tetapi bukan lagi Ling terbaru: AA menandainya sebagai deprecated demi Ling-3.1-flash. Jika Anda sudah menjalankan Ling-3.0-flash, resep DGX Spark adalah optimasi konkret yang layak direproduksi. Jika Anda memilih dari awal, bandingkan dengan Ling-3.1-flash dan jalankan set evaluasi Anda sendiri; lisensi MIT dan harga $0.075/$0.22 masih menjadikannya tier murah yang kredibel.
Intinya
Ling-3.0-flash bukan lagi Ling terbaru, dan halaman live AA menyatakan demikian. Yang dimilikinya dan jarang dimiliki kebanyakan model berbobot terbuka adalah konfigurasi perangkat tunggal yang terukur: satu DGX Spark, 53,89 decode tok/s pada batch size 1, 96,82% pada GSM8K, dengan baseline, protokol, dan mode kegagalan yang dipublikasikan bersamanya. Bacalah 42,5% sebagai hasil NVIDIA sendiri, bukan putusan independen, dan anggap Indeks Agustus sebesar 38 sebagai sejarah. Dalam batasan tersebut, model ini tetap menjadi opsi cepat lokal yang kredibel; jika Anda memulai dari awal, perbandingan yang perlu dijalankan lebih dulu adalah Ling-3.1-flash.
