ERNIE Light DT 1.0 vs Ling 3.1 Flash: un divario di prezzo di 25 volte nella stessa classe di peso

Due modelli cinesi di fascia veloce, entrambi solo testo, entrambi pubblicizzano una finestra da un milione di token, entrambi costruiti attorno a trucchi di attenzione sparsa per mantenere conveniente il contesto lungo — e uno dei due costa venticinque volte più dell'altro per token di input. ERNIE Light DT 1.0, pubblicato da Baidu il 10 novembre 2026, ha un prezzo di listino di 1,13 $ per milione di token di input e 3,94 $ per milione di output. Ling 3.1 Flash, modello a miscela di esperti da 560 miliardi di parametri di Ant Group annunciato il 30 settembre 2026, ha un prezzo di listino di 0,045 $ e 0,135 $ sulle stesse unità e riporta un punteggio indipendente di 41 sull'Artificial Analysis Intelligence Index.

Non è un divario modesto che si possa liquidare con la qualità del contesto. È la maggiore differenza per token tra due modelli di questa fascia che entrambi i laboratori vendono attualmente, e richiede una spiegazione prima che qualcuno firmi un ordine di acquisto.

Il modo più economico per vedere il problema: una richiesta, due bollette

Prendi una singola chiamata del tipo per cui esistono questi modelli — un set di documenti recuperati da 120.000 token con una risposta da 2.000 token, eseguita una volta.

Su ERNIE Light DT 1.0 quella richiesta costa 120.000 × $1,13/1M più 2.000 × $3,94/1M, ovvero $0,1356 più $0,0079, cioè circa 14,4 centesimi.

Su Ling 3.1 Flash la stessa richiesta costa 120.000 × $0,045/1M più 2.000 × $0,135/1M, ovvero $0,0054 più $0,00027, cioè circa 0,57 centesimi.

Entrambi i modelli dichiarano di soddisfare quella richiesta. Eseguirla su uno dei due costa venticinque volte meno. Con diecimila richieste di questo tipo al giorno, la differenza è di 1.356 dollari al giorno contro 57 — circa 39.000 dollari al mese contro 1.700.

Ci sono solo tre possibili spiegazioni. O Baidu sa qualcosa sulla qualità che non ha reso pubblico, oppure lo schema di compressione offre qualcosa che l'architettura di Ling non offre, oppure il prezzo è un segnaposto destinato a cambiare. Il resto di questo pezzo riguarda quale delle tre.

Che cosa ciascuno è in realtà

• Ling 3.1 Flash — il MoE a ragionamento ibrido di Ant Group, circa 560 miliardi di parametri totali con circa 25 miliardi attivi per token, testo in ingresso e testo in uscita, dal laboratorio inclusionAI. Annunciato il 30 settembre 2026 e disponibile sull'API proprietaria di Ant e nei suoi prodotti consumer. La dichiarazione di marketing parla di un tetto di 1M di token; ciò che l'endpoint ha effettivamente erogato al lancio era 256.000, e gli attuali listini internazionali mostrano un contesto da 1.000.000 di token con 262.144 token di output massimo.

• ERNIE Light DT 1.0 — endpoint di fascia piccola di Baidu, elencato il 10 novembre 2026, costruito sull'architettura open-source G​LM con ricerca proveniente dalla linea "Lightning" di Baidu Search, utilizzando Baidu Sparse Attention e uno schema di compressione della cronologia basato sul feedback. Contesto di 1.024.000 token, output massimo di 131.072 token, solo testo. Quattro livelli di sforzo di ragionamento, chiamata di strumenti, output strutturati.

I conteggi dei parametri non sono confrontabili — Ling non ha pubblicato quelli di Light DT, quindi l'affermazione onesta è che di una parte si sa che il totale è 560B, mentre dell'altra non è divulgato. Ciò che è confrontabile è la struttura: entrambi sono sparsi, entrambi sono esclusivamente testuali, entrambi sono pensati per lavori a contesto lungo e ad alto volume.

Attenzione sparsa, due volte, per due motivi diversi

Le storie architetturali si assomigliano, il che rende il divario di prezzo più difficile anziché più facile da spiegare.

Ling 3.1 Flash attiva 25 miliardi dei suoi 560 miliardi di parametri per ogni token. È una scelta di capacità: mantenere residente un archivio di conoscenze molto ampio e instradare in modo mirato attraverso di esso, così da ottenere la conoscenza del mondo di un modello grande con il calcolo di un modello piccolo. La promessa sul contesto lungo deriva dallo stesso design: se ogni passaggio costa poco, mantenere aperta una sequenza lunga pesa meno.

La storia di ERNIE Light DT riguarda la memoria più che la capacità. Baidu afferma che il modello «migliora l'archiviazione e l'indicizzazione delle informazioni storiche» tramite una compressione della cronologia guidata dal feedback, «riduce significativamente lo spazio di archiviazione della KV cache e i costi computazionali mantenendo le prestazioni del modello» e consente di gestire contesti più lunghi «a un costo inferiore». Nota la formulazione: costo inferiore per l'operatore. Si tratta di un'affermazione relativa alla bolletta di servizio di Baidu, non necessariamente alla tua.

Questo è il punto cruciale. Ogni schema di compressione di questa categoria — la Heavily Compressed Attention di Baidu in ERNIE 5.5, l'attenzione sparsa a micro-blocchi di Qwen, il routing proprietario di Ling — riduce il costo per token di contesto sostenuto dal fornitore. Se il fornitore trasferisca o meno quel risparmio è una decisione commerciale, e Baidu ha scelto di no. Sta applicando un sovrapprezzo proprio sulla capacità che dice di aver reso più economica.

Non è automaticamente mala fede. Uno schema di compressione che preserva la qualità a un milione di token è costoso da realizzare e costoso da validare, e il fornitore potrebbe stare recuperando quel costo di ricerca. Ma significa comunque che l'acquirente sta pagando per una capacità la cui economia doveva essere migliorata, e il miglioramento non è visibile nel listino prezzi.

Il punteggio indipendente di Ling e cosa dice di questo livello

Ling 3.1 Flash ottiene 41 sull'Artificial Analysis Intelligence Index. Si tratta di una misurazione reale di terze parti, non di un grafico del fornitore, e colloca il modello nella metà superiore della fascia veloce: comodamente sopra modelli con budget di marketing più ampi, sotto i modelli piccoli di frontiera. Il punteggio comporta un'avvertenza importante per un confronto sui costi: Ling è un ragionatore loquace. Una precedente valutazione del modello ha rilevato che consuma circa 220 milioni di token di output per completare le valutazioni dell'indice, ben sopra la mediana della sua fascia di prezzo, con una media di diversi minuti per attività. I token economici che il modello spende senza remore possono comunque sommarsi, ma a 0,135 $ per milione di token di output anche un ragionamento generoso resta poco costoso.

ERNIE Light DT 1.0 non ha alcun punteggio. Né un dato del fornitore, né uno indipendente. Baidu ha pubblicato un listino prezzi e un paragrafo di testo sul meccanismo, e si è fermata lì. Per un modello posizionato a un prezzo premium, arrivare con zero prove è il fatto più dannoso in assoluto in questo confronto — non perché sia probabilmente scadente, ma perché un acquirente non può distinguere "non misurato" da "non competitivo", e il prezzo non concede alcun beneficio del dubbio.

Il limite del contesto è l'unico punto su cui Baidu ha spazio per argomentare

Se c'è un caso per il premium, è qui. La finestra da un milione di token di Ling 3.1 Flash è stata, almeno durante il periodo di lancio, un tetto piuttosto che una cifra effettivamente servita — l'endpoint forniva 256K mentre l'annuncio pubblicizzava 1M. ERNIE Light DT pubblicizza 1.024.000 e le sue schede mostrano la stessa cifra per il contesto e 131.072 per l'output, senza alcuna riduzione documentata.

Se tale distinzione resista al contatto con il traffico reale è ignoto, perché Baidu non ha pubblicato alcuna valutazione sul contesto lungo. Nessun altro lo ha fatto. L’unica prova sul contesto lungo in entrambe le famiglie proviene dalla tabella del fornitore di ERNIE 5.5 Flash Base, che riporta HELMET-RAG 71,5, HELMET-ICL 85,9, LongBench-v2 48,7 e InfiniteBench 46,5 — numeri di Baidu stesso, su un modello diverso e molto più grande, e non trasferibili a questo.

Quindi l’argomento a favore di Light DT si riduce a questo: un modello non misurato con un vantaggio di contesto lungo non verificato, a venticinque volte il prezzo di input di un modello misurato che almeno ha un vero punteggio di indice e un endpoint funzionante. Non è una posizione solida, ed è giusto dirlo chiaramente.

In che cosa ciascuno è davvero migliore

• Limite di output: Light DT a 131.072 token contro i 262.144 di Ling. Ling ti offre il doppio dello spazio per generare, il che conta per la sintesi di testi lunghi e i transcript degli agenti.

• Controllo del ragionamento — Light DT espone max, high, low e none, con max come impostazione predefinita. Ling è un reasoner ibrido con un interruttore on/off anziché una scala graduata; non esiste un "none" documentato che ti dia un percorso rapido senza ragionamento.

Costo a qualsiasi volume — {{1}}Ling{{/1}} per ogni dimensione della richiesta. Non esiste alcun carico di lavoro in cui un premio di 25 volte sul prezzo dell’input venga recuperato da un vantaggio di contesto del due percento (1.024.000 contro 1.000.000 di token).

• Prove — Ling, in entrambe le direzioni: un punteggio indipendente su un indice e un'architettura pubblicata con il numero di parametri. Light DT non ha né l'uno né l'altro.

• Stabilità del servizio — Ling si basa sull'infrastruttura proprietaria di Ant oltre che su piattaforme di terze parti; Light DT è presente unicamente sull'endpoint internazionale di Baidu. Un modello basato su un unico fornitore non dispone di failover, il che costituisce un rischio di approvvigionamento più che di prestazioni.

• Apertura — il checkpoint 1019 di Ling è stato rilasciato come pesi aperti alla fine di ottobre 2026, quindi l'architettura è ispezionabile e il modello può essere ospitato in autonomia. Light DT non ha pesi né model card.

Quel ultimo punto merita enfasi. La linea Ling ha un artefatto aperto e uno chiuso, e quello aperto consente di verificare le affermazioni. ERNIE Light DT offre solo l'opzione chiusa, su un modello la cui affermazione centrale — che la compressione preservi la qualità in contesti lunghi — è esattamente il tipo di cosa che vorresti verificare in modo indipendente.

Se hai ancora voglia di provarlo

Nessuno dei due modelli è nel catalogo di OrcaRouter, quindi questa non è una raccomandazione di registrarsi da qualche parte. Ma se il discorso sul contesto lungo di Light DT è rilevante per il tuo lavoro, il modo per testarlo è circoscritto e poco costoso.

Invia lo stesso prompt da oltre 100.000 token a entrambi i modelli, venti volte, con domande le cui risposte sono sepolte a profondità diverse — vicino all'inizio, a metà e alla fine. Valuta tu stesso le risposte. Quel test costa meno di un dollaro su Ling e circa tre dollari su Light DT, e chiarisce in un pomeriggio ciò che nessuno dei due fornitori ha pubblicato. Se Light DT mantiene la qualità in profondità, dove Ling peggiora, il sovrapprezzo ha una ragione. Se entrambi peggiorano, hai scoperto che una finestra da un milione di token è un numero di marketing in questa fascia, indipendentemente da chi la vende.

Qualunque sia l'esito, mantieni lo scambio economico. Un endpoint instradato che espone i prezzi di entrambi i modelli per richiesta — con l'opzione di inviare una frazione del tuo traffico al nuovo modello e ritirarla lo stesso giorno — è l'unico modo sensato per valutare un modello senza prove pubblicate. Acquistare capacità basandosi solo su un listino prezzi è il modo in cui i team finiscono per pagare 25 volte tanto per una finestra che non riempiranno mai.