Ling-3.1-flash-1019 vs Ling-3.1-flash: stessa dimensione, stesso prezzo, un conto dei token più salato

Se paghi al token, Ling-3.1-flash-1019 è un aggiornamento gratuito rispetto a Ling-3.1-flash. Entrambi hanno un prezzo di listino di $0,30 per milione di token in input e $0,90 per milione in output, entrambi sono distribuiti con licenza MIT, entrambi sono modelli mixture-of-experts da 560 miliardi di parametri con 25B attivi ed entrambi occupano 573,8 GB su disco. Se paghi per attività completata, l'aggiornamento costa circa il 47% in più: Artificial Analysis ha misurato $1,49 per attività dell'Intelligence Index per la build 1019 contro $1,01 per il predecessore, perché il modello più recente genera circa il 59% in più di token di output per arrivare alle sue risposte. Il guadagno di tre punti nell'indice tra i due — 44 contro 41 — è reale. La domanda a cui risponde questa pagina è chi dovrebbe pagare per questo.

Le date contano per leggere il resto. Ling-3.1-flash è passato a open sotto MIT a metà ottobre, con il repository creato il 13 ottobre e l'annuncio di Ant il 15 ottobre. La build 1019 è stata annunciata il 22 ottobre con un punteggio e nessun download, e i suoi pesi più un checkpoint base sono arrivati il 27 ottobre. Quindi non si tratta di un salto generazionale. È una singola run di post-training applicata alla stessa architettura, rilasciata cinque giorni dopo il numero che la descrive.

Che cosa hanno in comune i due checkpoint

La sovrapposizione è sufficientemente ampia da rendere il costo di migrazione effettivamente nullo, il che rappresenta l'argomento principale a favore della build più recente:

Architettura — 72 livelli, suddivisi in 63 livelli KDA con attenzione lineare e 9 livelli MLA con gating a un rapporto di 7:1, più 4 livelli densi.

• Esperti — 512 instradati, 8 attivati per token, 1 condiviso; dimensione nascosta 4,096; vocabolario 157,184.

Pesi su disco — 573,8 GB di safetensors FP8 distribuiti su 54 shard per entrambi, secondo il nostro conteggio basato sugli elenchi dei file dei due repository.

• Licenza — MIT per entrambi, inclusa la ridistribuzione commerciale.

Prezzo — $0.30 input, $0.90 output, $0.06 lettura cache, un costo misto di $0.19 con una combinazione 7:2:1 di cache-hit/input/output.

• Contesto dichiarato — una finestra da 1M token su entrambe le schede modello; 262.144 posizioni e nessuno scaling RoPE in entrambi i file config.json.

Quell'ultima riga è la prima cosa da interiorizzare prima di confrontarli. Sulla carta entrambi i modelli offrono un milione di token. Nella configurazione rilasciata entrambi si fermano a 256K, a meno che non si aggiunga uno schema di scalabilità che Ant non ha incluso. La limitazione è identica su entrambi i fronti, quindi non decide il confronto — ma significa che nessuna delle due build è il modello da un milione di token pubblicizzato dalle schede, e chiunque pianifichi un carico di lavoro da 1M token sta scegliendo tra due modelli che avranno entrambi bisogno di lavoro per arrivarci.

Da dove vengono i tre punti

Artificial Analysis misura essa stessa il divario principale: 41 per Ling-3.1-flash e 44 per Ling-3.1-flash-1019 su Intelligence Index v4.3.2, con il modello più vecchio classificato ottavo su 122 e quello più recente quarto. Si tratta di una misurazione indipendente di entrambi gli endpoint, il che rende il delta di tre punti il numero più affidabile in questo confronto.

La suddivisione per benchmark è riportata dal fornitore e va letta come tale — proviene dalla model card di Ant, non da un harness pubblico:

• AA-Briefcase — da circa 1.400 Elo a 1.524 Elo. Questo è il benchmark degli artefatti per il lavoro della conoscenza, e uno spostamento di 124 punti rappresenta il maggiore guadagno relativo del set.

• AutomationBench-AA — dal 62% al 68%, un miglioramento di sei punti nell'automazione di attività agentiche.

• CritPt — dal 18% al 26%, il maggiore salto proporzionale: otto punti su una serie di problemi di ragionamento fisico in cui i punteggi assoluti sono bassi per tutti.

• SciCode — dal 54% al 57%, la variazione più piccola delle quattro, e quella da ponderare con maggiore cautela; Artificial Analysis segnala SciCode come in revisione per questo modello.

Letti insieme, il quadro è coerente con ciò che Ant dice di aver fatto: più post-training sul ragionamento e sul lavoro agentico multi-step, non una nuova superficie di capacità. I guadagni si concentrano dove le catene di decisioni sono lunghe e dove una risposta parzialmente corretta ottiene un credito parziale. Sono più limitati sulla generazione diretta di codice scientifico, che è esattamente dove ci si aspetterebbe che un aggiornamento di post-training, anziché un cambiamento architetturale, incida meno.

Il conto: 59% di pensiero in più

Qui è dove i due modelli smettono di essere intercambiabili. Artificial Analysis ha registrato 220M token di output per l'esecuzione dell'indice di Ling-3.1-flash e 350M per l'esecuzione 1019 — un rapporto di 1.59 — e colloca la build più recente all'ultimo posto su 48 modelli per verbosità, rispetto a una mediana di 140M. Il costo per completare l'indice è salito da $1.01 a $1.49 per attività.

Porta questo a un carico di lavoro. Su 10.000 attività a forma di indice, le cifre per attività implicano circa $10.100 sul checkpoint precedente e $14.900 su quello più recente. Il lato token scala allo stesso modo: un carico di lavoro che consuma 2,2 miliardi di token di output su Ling-3.1-flash consumerebbe circa 3,5 miliardi sulla build 1019 al rapporto misurato, che a $0,90 per milione fanno $1.980 contro $3.150. Il resto del divario per attività deriva dai prezzi di input e cache, ma la direzione è determinata dal conteggio dei token: stai comprando tre punti indice con circa sei decimi di una risposta in più per risposta.

Se questo sia un buon compromesso dipende dalla modalità di errore da cui ti stai proteggendo. In un ciclo di agente in cui una chiamata errata a uno strumento innesca un nuovo tentativo, una rilettura del contesto o una revisione umana, un 59% di token in più costa poco rispetto a un ciclo evitato. Nella classificazione, nell'estrazione, nelle chat brevi o in qualsiasi attività ad alto volume in cui la risposta è una o due frasi, lo stesso rapporto è puro sovraccarico — e l'indice non lo mostrerà mai, perché l'indice premia i casi difficili a cui mirava il post-training.

L'altra metà del quadro dei costi è la stabilità delle tariffe. OrcaRouter mette oltre 200 modelli dietro un'unica chiave a un markup dello 0% rispetto al listino del fornitore, quindi una variazione di prezzo del fornitore viene applicata lo stesso giorno per i modelli che instradiamo. La linea Ling oggi non è in quel catalogo, il che significa che le cifre sopra sono la tariffa di listino di Ant e nient'altro. È proprio per questo che il calcolo per attività conta più della tariffa per token: la tariffa è identica tra questi due modelli, quindi non può aiutarti nella scelta.

Velocità: esiste un solo numero, e appartiene al modello più vecchio

Artificial Analysis ha misurato Ling-3.1-flash a 215,7 token di output al secondo con un tempo al primo token di 1,73 secondi, classificandolo sesto su 78 modelli per velocità. Per Ling-3.1-flash-1019, la stessa pagina non riporta alcun dato sulla velocità di output — al momento della misurazione non c'era alcuna API pubblicamente disponibile da cronometrare, e i pesi sono comparsi solo oggi. Quindi il modello più veloce non è questione di opinione; è l'unico dei due di cui esista una misurazione.

Combinalo con il rapporto dei token e ottieni una stima difendibile, chiaramente etichettata come aritmetica anziché come benchmark. Se entrambe le build decodificassero a 215,7 token al secondo, una risposta da 1.000 token su Ling-3.1-flash richiederebbe circa 4,6 secondi di decodifica; la risposta equivalente da 1.590 token sulla build 1019 richiederebbe circa 7,4 secondi. Il tempo al primo token è una variabile separata e potrebbe muoversi in entrambe le direzioni. Il punto è che un aumento del 59% dei token non può essere gratuito in termini di tempo reale, a meno che il modello più recente non decodifichi anche sensibilmente più velocemente, e nessuno ha pubblicato prove che lo faccia.

Self-hosting: footprint identico, README diverso

Sul tuo hardware la scelta è più semplice, perché il target di deployment non cambia. Entrambi i checkpoint richiedono la stessa configurazione documentata — otto H200 con TP8 più EP8, oppure quattro GB300 con TP4 più EP4 — e la stessa immagine day-0 di SGLang, con una recipe vLLM che usa tensor parallelism pari a 8, expert parallelism e tre token speculativi. Poiché le architetture e le dimensioni dei file sono identiche, 1019 è un sostituto drop-in: cambia il percorso dei pesi, mantieni lo stack di serving e nient'altro nella tua infrastruttura deve saperlo.

Due avvertimenti pratici. Primo, la model card del 1019 ha ancora il Quickstart che punta a inclusionAI/Ling-3.1-flash nel comando SGLang e invia "model": "Ling-3.1-flash" nell'esempio del client; copiala alla lettera e servirai il modello da 41 punti credendo di testare quello da 44 punti. Secondo, il checkpoint base che Ant ha rilasciato insieme al 1019 è Ling-3.1-flash-base — la base del modello più vecchio, non uno snapshot del 1019 precedente al post-addestramento. Se il tuo piano è fare fine-tuning dell'aggiornamento, la ricetta che lo ha prodotto non è nel download. Se il tuo piano è costruire qualcosa di tuo da una foundation da 560B con licenza MIT, la base è il punto di partenza giusto e il divario di indice tra questi due checkpoint è irrilevante per te.

Chiamarli: un nome, due build

La storia delle API è più ingarbugliata di quella dei pesi. La build 1019 è un checkpoint contrassegnato da una data, sotto un nome che la maggior parte del codice di serving tratta come la stessa stringa di modello del suo predecessore — compresi gli esempi di Ant stesso, che inviano Ling-3.1-flash a entrambi. Se chiami un endpoint ospitato, fissa esplicitamente la build o non saprai quale ha risposto. Artificial Analysis non elencava alcuna API disponibile pubblicamente per 1019 al momento della misurazione, quindi la disponibilità odierna passa attraverso l'API del fornitore stesso e diverse piattaforme di terze parti, anziché un endpoint consolidato e ampiamente replicato.

Quell’ambiguità è l’argomento più forte a favore del self-hosting se la riproducibilità è importante, e l’argomento più forte a favore dell’attesa se non lo è. Un modello il cui nome non identifica la build è un modello che non è possibile verificare a posteriori, e "44 sull’indice" non è un numero di versione.

Quale, per lavoro

• Ragionamento complesso e lavoro di agenti su lungo orizzonte — prendi Ling-3.1-flash-1019. I guadagni sono concentrati esattamente lì, e i token extra sono il meccanismo, non un effetto collaterale.

• Estrazione, classificazione e chat breve ad alto volume — resta su Ling-3.1-flash. Pagheresti il 47% in più per attività per capacità che quei carichi di lavoro non sfruttano.

• Prodotti sensibili alla latenza — restare su Ling-3.1-flash finché non sarà disponibile un valore indipendente di throughput per 1019. È l'unico dei due con una velocità misurata.

• Fine-tuning o adattamento al dominio — parti da Ling-3.1-flash-base e ignora questo confronto. Nessuno dei due checkpoint allineati include una ricetta di addestramento.

• Un solo modello, traffico misto — Ling-3.1-flash-1019 come predefinito, con la build precedente dietro di esso per le richieste brevi ed economiche. I due condividono un'architettura, un prezzo e uno stack di serving, quindi suddividere il traffico tra loro non costa nulla dal punto di vista operativo.

Ciò che cambierebbe questo verdetto è una velocità di decodifica misurata per la build 1019. Se risultasse materialmente più veloce di 215,7 token al secondo, la penalità sul tempo effettivo si riduce e il conto dei token diventa l’unica vera obiezione. Se fosse uguale o più lenta, allora il 59% salterebbe fuori due volte — una in fattura e una nella latenza — e la tesi di eseguire entrambi i checkpoint anziché aggiornare in blocco si rafforzerebbe. Finché qualcuno non pubblica quel numero, il riepilogo onesto è che Ling-3.1-flash-1019 compra qualità con i token, e Ling-3.1-flash vende throughput allo stesso prezzo. Nessuno dei due è la risposta sbagliata; sono prodotti diversi che indossano la stessa architettura.