Ling-3.1-flash-1019 vs Ling-3.1-flash: Ukuran Sama, Harga Sama, Tagihan Token Lebih Besar

Jika Anda menyewa per token, Ling-3.1-flash-1019 adalah peningkatan gratis dibandingkan Ling-3.1-flash. Keduanya tercantum pada $0.30 per juta token masukan dan $0.90 per juta token keluaran, keduanya berlisensi MIT, keduanya adalah model mixture-of-experts 560B parameter dengan 25B aktif, dan keduanya menempati 573.8 GB di disk. Jika Anda membayar berdasarkan tugas yang telah diselesaikan, peningkatan ini mendekati 47% lebih mahal: Artificial Analysis mengukur $1.49 per tugas Intelligence Index untuk build 1019 dibandingkan $1.01 untuk pendahulunya, karena model yang lebih baru menghasilkan sekitar 59% lebih banyak token keluaran untuk mencapai jawabannya. Kenaikan indeks tiga poin di antara keduanya — 44 berbanding 41 — nyata. Pertanyaan yang dijawab halaman ini adalah siapa yang seharusnya membayarnya.

Tanggal-tanggal ini penting untuk membaca sisanya. Ling-3.1-flash menjadi open di bawah MIT pada pertengahan Oktober, dengan repositorinya dibuat pada 13 Oktober dan pengumuman Ant menyusul pada 15 Oktober. Build 1019 diumumkan pada 22 Oktober dengan skor dan tanpa unduhan, dan bobotnya plus checkpoint dasar tiba pada 27 Oktober. Jadi ini bukan kesenjangan generasi. Ini satu proses pasca-pelatihan yang diterapkan pada arsitektur yang sama, dikirim lima hari setelah angka yang menggambarkannya.

Apa persamaan kedua checkpoint

Tumpang tindihnya cukup besar sehingga biaya migrasi secara efektif nol, yang merupakan argumen utama untuk build yang lebih baru:

• Arsitektur — 72 lapisan, dibagi menjadi 63 lapisan perhatian linier KDA dan 9 lapisan MLA bergerbang dengan rasio 7:1, ditambah 4 lapisan dense.

• Pakar — 512 dirutekan, 8 diaktifkan per token, 1 dibagikan; ukuran tersembunyi 4.096; kosakata 157.184.

• Bobot di disk — 573,8 GB safetensors FP8 tersebar dalam 54 shard untuk keduanya, menurut hitungan kami dari dua daftar berkas repositori.

• Lisensi — MIT untuk keduanya, termasuk redistribusi komersial.

• Harga — $0.30 untuk input, $0.90 untuk output, $0.06 untuk pembacaan cache, dengan biaya campuran $0.19 pada komposisi cache-hit/input/output 7:2:1.

• Konteks yang dideklarasikan — jendela 1M token pada kedua kartu model; 262,144 posisi dan tanpa penskalaan RoPE di kedua berkas config.json.

Baris terakhir itu adalah hal pertama yang harus diinternalisasi sebelum membandingkan keduanya. Di atas kertas, kedua model menawarkan satu juta token. Dalam konfigurasi yang dikirimkan, keduanya maksimal 256K kecuali Anda menambahkan skema penskalaan yang tidak disertakan Ant. Batasan ini sama persis di kedua sisi, jadi tidak menentukan hasil perbandingan — tetapi itu berarti tidak ada build yang merupakan model satu juta token seperti yang diiklankan pada kartu spesifikasinya, dan siapa pun yang merencanakan beban kerja 1M token sedang memilih di antara dua model yang keduanya masih perlu upaya untuk mencapainya.

Dari mana asal tiga poin itu

Artificial Analysis mengukur selisih utamanya sendiri: 41 untuk Ling-3.1-flash dan 44 untuk Ling-3.1-flash-1019 pada Intelligence Index v4.3.2, dengan model yang lebih lama berada di peringkat kedelapan dari 122 dan model yang lebih baru di peringkat keempat. Itu adalah pengukuran independen untuk kedua titik akhir, yang menjadikan delta tiga poin sebagai angka paling dapat dipercaya dalam perbandingan ini.

Rincian per benchmark dilaporkan oleh vendor dan harus dibaca sebagai demikian — rincian ini berasal dari model card Ant, bukan dari harness publik:

• AA-Briefcase — sekitar 1,400 Elo hingga 1,524 Elo. Ini adalah benchmark artefak pekerjaan pengetahuan, dan perpindahan sebesar 124 poin merupakan keuntungan relatif terbesar dalam kumpulan ini.

• AutomationBench-AA — 62% hingga 68%, peningkatan enam poin dalam otomasi tugas agentik.

• CritPt — 18% hingga 26%, lonjakan proporsional terbesar: delapan poin pada set penalaran fisika yang skor absolutnya rendah bagi semua orang.

• SciCode — 54% hingga 57%, pergerakan terkecil di antara keempatnya, dan yang paling perlu ditimbang dengan hati-hati; Artificial Analysis menandai SciCode sebagai sedang ditinjau untuk model ini.

Jika dibaca bersama, polanya konsisten dengan apa yang Ant katakan telah dilakukannya: lebih banyak pasca-pelatihan pada penalaran dan pekerjaan agen multi-langkah, bukan permukaan kapabilitas baru. Peningkatan terkonsentrasi di tempat rantai keputusannya panjang dan di mana jawaban yang sebagian benar memperoleh kredit sebagian. Peningkatan itu paling tipis pada generasi kode ilmiah secara langsung, yang justru merupakan area yang paling sedikit bergerak akibat penyegaran pasca-pelatihan alih-alih perubahan arsitektur.

Tagihannya: 59% lebih banyak berpikir

Di sinilah kedua model tidak lagi dapat dipertukarkan. Artificial Analysis mencatat 220M token keluaran untuk uji indeks Ling-3.1-flash dan 350M untuk uji 1019 — rasio 1,59 — dan menempatkan build yang lebih baru di posisi terakhir dari 48 model dalam hal verbositas, dibandingkan median 140M. Biaya untuk menyelesaikan indeks naik dari $1,01 menjadi $1,49 per tugas.

Skalakan itu ke beban kerja. Pada 10.000 tugas berbentuk indeks, angka per tugas menyiratkan sekitar $10.100 pada checkpoint lama dan $14.900 pada checkpoint baru. Sisi token berskala dengan cara yang sama: beban kerja yang mengonsumsi 2,2 miliar token keluaran pada Ling-3.1-flash akan mengonsumsi sekitar 3,5 miliar pada 1019 build dengan rasio terukur, yang pada $0,90 per juta adalah $1.980 versus $3.150. Sisa selisih per tugas berasal dari harga input dan cache, tetapi arahnya ditentukan oleh jumlah token: Anda membeli tiga poin indeks dengan sekitar enam persepuluh jawaban ekstra per jawaban.

Apakah itu pertukaran yang baik bergantung pada mode kegagalan yang ingin Anda lindungi. Dalam loop agen di mana pemanggilan alat yang salah memicu percobaan ulang, pembacaan ulang konteks, atau tinjauan manusia, tambahan 59% token itu murah dibandingkan satu loop yang berhasil dihindari. Dalam klasifikasi, ekstraksi, obrolan singkat, atau tugas bervolume tinggi apa pun yang jawabannya satu atau dua kalimat, rasio yang sama murni overhead — dan indeks tidak akan pernah menunjukkannya, karena indeks memberi imbalan pada kasus-kasus sulit yang menjadi sasaran pasca-pelatihan.

Separuh lainnya dari gambaran biaya adalah stabilitas tarif. OrcaRouter menempatkan 200+ model di balik satu kunci dengan markup 0% di atas daftar harga penyedia, sehingga perubahan harga vendor diteruskan pada hari yang sama untuk model yang kami rutekan. Lini Ling tidak ada dalam katalog itu saat ini, yang berarti angka di atas adalah tarif daftar Ant dan bukan yang lain. Itulah tepatnya mengapa aritmetika per tugas lebih penting daripada tarif per token: tarifnya identik antara kedua model ini, jadi tidak bisa membantu Anda memilih.

Kecepatan: hanya ada satu angka, dan angka itu milik model yang lebih lama

Artificial Analysis mengukur Ling-3.1-flash pada 215,7 token keluaran per detik dengan waktu hingga token pertama 1,73 detik, menempatkannya di peringkat keenam dari 78 model dalam hal kecepatan. Untuk Ling-3.1-flash-1019, halaman yang sama tidak memuat angka kecepatan keluaran — pada saat pengukuran tidak ada API yang tersedia untuk publik untuk diukur, dan bobotnya baru muncul hari ini. Jadi model yang lebih cepat bukanlah soal pendapat; model itulah satu-satunya dari keduanya yang memiliki pengukuran.

Gabungkan itu dengan rasio token dan Anda mendapatkan perkiraan yang dapat dipertahankan, dengan jelas dilabeli sebagai aritmetika, bukan tolok ukur. Jika kedua build melakukan decode pada 215,7 token per detik, respons yang berjalan 1.000 token pada Ling-3.1-flash akan memerlukan sekitar 4,6 detik waktu decode; jawaban setara 1.590 token pada build 1019 akan memerlukan sekitar 7,4 detik. Waktu hingga token pertama adalah variabel terpisah dan bisa bergerak ke arah mana pun. Intinya adalah bahwa peningkatan token sebesar 59% tidak mungkin gratis dalam hitungan waktu nyata kecuali model yang lebih baru juga melakukan decode secara signifikan lebih cepat, dan belum ada yang menerbitkan bukti bahwa hal itu terjadi.

Self-hosting: footprint identik, README berbeda

Pada perangkat keras Anda sendiri, pilihannya lebih sederhana karena target penerapan tidak berubah. Kedua checkpoint memerlukan konfigurasi terdokumentasi yang sama — delapan H200 dengan TP8 plus EP8, atau empat GB300 dengan TP4 plus EP4 — dan image SGLang day-0 yang sama, dengan resep vLLM yang menggunakan paralelisme tensor 8, paralelisme pakar, dan tiga token spekulatif. Karena arsitektur dan ukuran file identik, 1019 adalah pengganti drop-in: ganti jalur bobot, pertahankan stack serving, dan tidak ada hal lain di infrastruktur Anda yang perlu mengetahuinya.

Dua peringatan praktis. Pertama, Quickstart pada kartu model 1019 masih mengarah ke inclusionAI/Ling-3.1-flash dalam perintah SGLang-nya dan mengirim "model": "Ling-3.1-flash" dalam contoh kliennya; salin apa adanya dan Anda akan menjalankan model 41 poin sambil mengira sedang menguji model 44 poin. Kedua, checkpoint dasar yang dirilis Ant bersama 1019 adalah Ling-3.1-flash-base — dasar dari model yang lebih lama, bukan snapshot pra/pascapelatihan dari 1019. Jika rencana Anda adalah melakukan fine-tuning pada peningkatan tersebut, resep yang menghasilkannya tidak ada dalam unduhan. Jika rencana Anda adalah membangun sesuatu milik Anda sendiri dari fondasi 560B di bawah MIT, checkpoint dasar adalah titik awal yang tepat dan selisih indeks antara kedua checkpoint ini tidak relevan bagi Anda.

Menyebutnya: satu nama, dua build

Kisah API lebih berantakan daripada kisah bobotnya. Build 1019 adalah checkpoint bertanda tanggal dengan nama yang oleh sebagian besar kode serving diperlakukan sebagai string model yang sama dengan pendahulunya — termasuk contoh milik Ant sendiri, yang mengirim Ling-3.1-flash ke keduanya. Jika Anda memanggil endpoint yang dihosting, tetapkan build secara eksplisit atau Anda tidak akan tahu build mana yang menjawab. Artificial Analysis tidak mencantumkan API yang tersedia untuk publik untuk 1019 saat pengukuran, jadi ketersediaan saat ini berjalan melalui API vendor sendiri dan beberapa platform pihak ketiga, bukan endpoint yang sudah mapan dan banyak dimirror.

Ambiguitas itu adalah argumen terkuat untuk melakukan self-hosting jika Anda peduli pada reproduksibilitas, dan argumen terkuat untuk menunggu jika Anda tidak peduli. Model yang namanya tidak mengidentifikasi build-nya adalah model yang tidak dapat Anda audit setelah kejadian, dan "44 pada indeks" bukanlah nomor versi.

Yang mana, berdasarkan pekerjaan

• Penalaran sulit dan kerja agen berhorizon panjang — ambil Ling-3.1-flash-1019. Keuntungannya terkonsentrasi tepat di sana, dan token ekstra adalah mekanismenya, bukan efek samping.

• Ekstraksi bervolume tinggi, klasifikasi, dan obrolan singkat — tetap gunakan Ling-3.1-flash. Anda akan membayar 47% lebih banyak per tugas untuk kemampuan yang tidak digunakan oleh beban kerja tersebut.

• Produk yang sensitif terhadap latensi — tetap gunakan Ling-3.1-flash sampai tersedia angka throughput independen untuk 1019. Itu satu-satunya dari keduanya yang memiliki kecepatan terukur.

• Fine-tuning atau adaptasi domain — mulai dari Ling-3.1-flash-base dan abaikan perbandingan ini. Tidak ada checkpoint yang telah diselaraskan yang menyertakan resep pelatihan.

• Satu model, lalu lintas campuran — Ling-3.1-flash-1019 sebagai default, dengan versi lama di belakangnya untuk permintaan pendek yang murah. Keduanya berbagi arsitektur, harga, dan stack serving, sehingga membagi lalu lintas di antara keduanya tidak menimbulkan biaya operasional apa pun.

Yang akan mengubah putusan ini adalah kecepatan dekode terukur untuk build 1019. Jika ternyata jauh lebih cepat daripada 215,7 token per detik, penalti waktu aktual mengecil dan tagihan token menjadi satu-satunya keberatan nyata. Jika sama atau lebih lambat, maka 59% itu muncul dua kali — sekali di tagihan dan sekali di latensi — dan alasan untuk menjalankan kedua checkpoint alih-alih melakukan upgrade menyeluruh menjadi lebih kuat. Sampai seseorang memublikasikan angka itu, ringkasan jujurnya adalah bahwa Ling-3.1-flash-1019 membeli kualitas dengan token, dan Ling-3.1-flash menjual throughput pada tarif yang sama. Tidak ada yang salah dari keduanya; keduanya adalah produk berbeda yang memakai arsitektur yang sama.