Ling-3.0-flash-VL 対 Ling 3.0 Flash：ひとつの124B頭脳が、今や視覚を手に入れる

Ling-3.0-flash-VL と Ling 3.0 Flash は競合関係ではありません。この2つをモデルの対決と捉えると、誤った結論にたどり着くでしょう。Ling-3.0-flash-VL は、Ant Group の inclusionAI ラボが今週公開したビジョン言語チェックポイントです。そのウェイトは2026年9月4日からHugging Face上でMITライセンスのもと提供されており、同ラボが7月下旬以降、高速処理向けの中核として据えてきた124Bパラメータのオープンウェイトテキストモデル「Ling 3.0 Flash」を直接の基盤としています。この2つは、ハイブリッド線形MoE設計、スパース活性化の経済性、256Kコンテキストのサービス提供レシピ、MITライセンスをすべて共有しています。VLチェックポイントが新たに加えるのは、テキストモデルには決して備わっていなかったもの——ネイティブな画像入力と動画入力です。それはViTエンコーダー、2層MLPプロジェクター、VideoRoPE時間エンコーディングによって実現されています。したがって比較は、ひとつの実用的な問いに収束します。もしあなたのワークロードが画像を一切扱わないのなら、目を持つそのモデルに乗り換える価値はあるのか、という問いです。

そもそもこの問いが問う価値を持つのは、inclusionAIがLing-3.0-flash-VLを独立した製品ラインとして位置づけていないからだ。そのモデルカードはこれを「次世代のネイティブ・マルチモーダルモデル」と呼び、Ling-3.0-flashを基盤として、同モデルの言語・推論・長文脈処理の能力を受け継ぎつつ、理解・推論・行動・検証の全ループに参加する視覚機能——後付けの入力としてではなく——を拡張したものとしている。以前のフラッグシップリリースが明示的にテキストのみだったモデルファミリーにとって、これは本質的な転換であり、テキストとツールを扱うチームがいずれのチェックポイントを標準にすべきかを変えるものだ。

チェックポイント2つ、バックボーン1つ

比較対象であるLing 3.0 Flashは、この2つのうち成熟したモデルです。2026年7月下旬に発表され、8月7日にMITライセンスでオープンソース化されました。これはハイブリッド線形混合エキスパートモデルで、総パラメータ数124B、トークンあたりのアクティブパラメータは約5.1Bです。35のKDAレイヤーと7のGated MLAレイヤーが5:1の比率で積み重ねられ、512のルーティングエキスパートのうち8つが活性化され、ネイティブコンテキストは256Kで、262,144トークンで提供されます。テキストのみ対応で、ツール呼び出しをサポートし、チャットテンプレートを通じて思考がデフォルトで有効化されており、そのサイズにしては異常に低コストです。また、この2つのうち文書化された方でもあります。Artificial Analysisはライブリーダーボードにこのモデルを掲載しており、同クラスの63モデル中1位にランクされ、ベンダーAPIでの出力速度は約313トークン/秒と測定されています。

Ling-3.0-flash-VLは、そのアーキテクチャを踏襲しつつ、その上に視覚スタックを追加したモデルだ。モデルカードによると、ViT視覚エンコーダーの特徴量は2層のMLPプロジェクターによってテキスト空間へ整列され、VideoRoPEが空間位置と時間順序の両方を符号化することで、イベント位置特定や長時間動画の推論が可能になるとのことだ。バックボーンは同じ5:1のKDA対MLAハイブリッドで、今回は総パラメータ124B／トークンあたりアクティブ5.5B、42層のトランクを備える。入力はテキスト・画像・動画、出力はテキストだ。コンテキストは最大100万トークンと謳われており、推奨されるSGLang構成ではYaRNスケーリングにより256Kトークンを扱う。テキスト版の兄弟モデルと同様、デフォルトではthinking-onが有効になっており（リクエストごとにchat_template_kwargsで無効化可能）、SGLangでもinclusionAIのカスタムvLLMフォークでも動作する。BF16版は64個のsafetensorシャードに分かれ、ディスク上で約250GB。テキストモデルの重みと同じ4分の1テラバイト級だ。

これはどの程度新しいのか？本稿の執筆時点で、VLリポジトリのダウンロード数は数十件にとどまり、そのモデルカードはまだ更新中であり、Artificial Analysisには未掲載である。以下の記載のうち、Artificial Analysisに明示的に帰属するものを除き、すべてinclusionAI自身による報告である。

スコアボード

ここでの非対称性は質ではなく、様相である。6つの次元がその決定を捉えている。

• インテリジェンス（ベンダーカード、AA Index v4.1.1） — Ling-3.0-flash-VL: 42（ベンダー報告値）。Ling 3.0 Flash: 38（カードが引用している以前のインデックス数値）。

• 本日のAAライブボード（v4.3） — Ling-3.0-flash-VL：まだ掲載されていません。Ling 3.0 Flash：推定25位、クラス内63件中第1位。

• 入力 — Ling-3.0-flash-VL：テキスト、画像、動画。Ling 3.0 Flash：テキストのみ。

• コンテキスト — 両方とも最大1Mトークンを謳っているが、現在はどちらも実際には256K（262,144）で提供されている。

• 価格 — Ling-3.0-flash-VL: リスト価格はまだありません。MITオープンウェイトのみ。Ling 3.0 Flash: ベンダーのファーストパーティAPIでは、入力100万トークンあたり約0.07ドル、出力100万トークンあたり約0.22ドル。

• こんな用途に — Ling-3.0-flash-VL: 文書、スクリーンショット、チャート、動画、GUI操作エージェント向け。Ling 3.0 Flash: テキスト中心のツール呼び出しと長期的なエージェント型パイプライン向け。

テキストモデルが入れないスコアボード

ここが実際に両者が分岐する点であり、その分岐は競争上のものではなく構造的なものだ。画像・動画ベンチマークにおいて、テキストのみのLing 3.0 Flashはそもそもエントリーが存在しない。なぜなら、その入力を受け付けられないからだ。Ling-3.0-flash-VL自身のチャート——inclusionAIによる評価で、再現はされておらず、一部は自社内で、一部は競合他社のAPIに対して公式テスト設定で実行されたもの——には、カードが強調する3つのカテゴリにわたる数値が掲載されている。複雑な画像理解では、MMMU-Proが79.0、MathVisionが84.87を示し、Humanity's Last Exam-Multimodalでは19.88とはるかに低く、このセットが誰にとっても難しいことを反映している。文書・チャート系では強みを見せており、OmniDocBench1.5は91.35、CharXiv_RQは81.30である。そして、今回のリリースを興味深いものにしているエージェント型マルチモーダルスイート——ClawEval-MMが59.9、WebVoyagerが90.83、Vision2Webが57.69——では、インターフェースを読み取ってそれに基づいて行動することが求められており、これはまさにテキストモデルには務まらないGUIエージェントの仕事である。

それらの数値を文脈に沿って読むと、一貫した全体像が浮かび上がる。これは画像をめぐる雑学で勝つために調整されたモデルではなく、ピクセルを行動に変換するために調整されたモデルである——レイアウトを読み取り、チャートをたどり、ページを操作する。ベンダー自身のチャートでは、このモデルはOmniDocBench、WebVoyager、ClawEval-MMにおいて三者比較(高推論努力設定のQwen3.8-27B、Gemini 3.5 Flash-Lite、Kimi-K2.6)の先頭に立ち、MathVisionやHLE-MMのような難度の高い知識・推論系セットでは後れを取る。それらの数値はすべて、中立的な研究所が確認するまでinclusionAIの主張として扱うべきだ——しかし、チューニングの方向性は明確かつ一貫している。

議論に値する唯一の数字：42 vs 38

テキストのみのチームに乗り換えを促す可能性が最も高い主張は、見出しとなっている次のものだ。inclusionAIは、Ling-3.0-flash-VLがArtificial Analysis Intelligence Index（v4.1.1）で42点を記録したと報告しており、これは同インデックスバージョンでLing 3.0 Flashに与えている38点を4点上回る。このインデックスが何を測定するかに注目してほしい。v4.1.1の複合スコアは、テキストおよびエージェント系のベンチマーク群——GDPval、Terminal-Bench、SciCode、GPQA Diamond、Humanity's Last Examなど——に基づいており、そのいずれも画像タスクではない。つまりベンダーは、共有バックボーンへの視覚トレーニングの追加によって、モデルのテキスト側の知能が4ポイント向上したと主張しているのであり、単に画像を説明できるようになったと言っているのではない。これは驚くべき、しかし十分にあり得る主張だ。マルチモーダルな命令チューニングは一般にテキスト能力を引き上げるものだからである。

その数字を適正な規模感で捉えるには、情報源について2つの留保がある。第一に、38という数字は旧インデックス世代の数値だ。Artificial Analysisはその後、公開中のライブボードを新しいインデックスバージョン（v4.3）に移行しており、そこでは現在Ling 3.0 Flashを推定25と掲載しながらも、同クラスの63モデル中で依然として1位にランク付けしている。ベンダーによる42対38というペアは古いスケール上のものであり、「AAが今日このテキストモデルに対して付けているスコアより4ポイント高い」と読むべきではない。第二に、42はArtificial Analysisがまだ掲載していないモデルに関するinclusionAI自身の数値であり、inclusionAIは、自社のテキストモデルのチャートが内訳として挙げている個別のテキストスイート（SWE-Bench、Terminal-Bench）におけるVLチェックポイントの結果を公表していない。4ポイントという差は、その数値を根拠にテキストのみのパイプラインを移行する前に、再現しておきたいと考えるであろう改善幅に、まさに一致する。

価格：一方には定価があり、もう一方にはない

コスト比較は、現在のところ価格が1つだけ入った比較です。Ling 3.0 Flashは、本日、ベンダーのファーストパーティAPIで呼び出し可能です。入力100万トークンあたり約0.07ドル、出力100万トークンあたり約0.22ドルというベンダー設定の価格で、Artificial Analysisのリストで確認済みです。キャッシュされた入力はより安価で、ローンチ期間中の割引は終了しています。Ling-3.0-flash-VLには、どこにも公開されたAPI価格がありません。そのため、まだトークン単位で支払うことはできません。今週中に利用したい場合は、セルフホストすることになります。MITライセンスのウェイトはBF16で約250GBあり、テキストモデルがすでに必要とするのと同じハードウェアクラス上で動作します — 4×141GB GPU（H20-3eまたはH200）、またはテンソル並列4の4-GPU Blackwellノード、またはTP8での8×80GB H100/H800です。

これは、テキスト専用のチームにとっての費用対効果の構図を変える。トークンを購入するなら、$0.07/$0.22 のテキストモデルは安価で実績もある。すでに124Bテキストモデルをセルフホスティングしている場合、VLチェックポイントは2つ目のインフラ投資ではない。同じボックスクラスに約250GBの重みを追加するだけであり、実際にピクセルを消費するワークロードがあるときにのみ正当化される。目を持つモデルが費用に見合うのは、目が処理のループに関わるときだけだ。

誰がどれを選ぶべきか

• テキストのみ・高ボリューム — Ling 3.0 Flash を使い続けてください。実証済みでAAリストに掲載されたモデル、実際のトークン単価、成熟したツール呼び出しを利用できます。VLモデルの4ポイントの指標向上は再現されておらず、テキスト側のスループットも測定されていません。それがより優れたテキストモデルであるという証拠はまだなく、単なる主張に過ぎません。

• ビジョンがループに入る — ドキュメント、スクリーンショット、チャート、写真、ビデオフレーム、またはエージェントが読み取ってクリックする必要があるUI — Ling-3.0-flash-VLは当然の選択です。なぜなら、それはあなたがすでに理解している推論バックボーンにビジョンスタックを加えたものであって、ゼロから再評価しなければならない別のマルチモーダルモデルではないからです。

• 混在トラフィック、未決定 — 低リスクな選択肢は、どちらか一方に合わせて再設計するのではなく、両方を到達可能に保ち、リクエストに応じてルーティングすることです。それがモデルゲートウェイが提供する性質です。すなわち、200以上のモデルにまたがる単一API、プロバイダーのリスト価格を0%マークアップでそのまま透過させること、プロバイダーが劣化した場合の自動フェイルオーバーです。Lingのチェックポイントは、まだどちらもOrcaRouterエンドポイントの背後にはありません。テキストモデルの価格はベンダー自身のものであり、VLモデルにはホストされた価格がまったくありません。しかしVLにホスト価格が付けば、トラフィックの一部をそこへ移して測定することは、統合プロジェクトではなく設定変更です。

まだ足りないものは何か

• Ling-3.0-flash-VLを現在のArtificial Analysis Intelligence Indexで独立実行した結果 — この42は、inclusionAIが以前のインデックスバージョンについて述べた数値です。

• VLモデル向けホステッドAPIの価格は、カジュアルな導入を阻む最大の障壁です。

• VLチェックポイント用に、テキストのみの分割（SWE-Bench Pro、Terminal-Bench 2.1）を公開しました。これにより、テキスト中心のチームは、ビジョンスタックがテキスト性能を損なっていないことを検証できます。

• 画像負荷時のVLに対するエンドツーエンドのレイテンシまたはスループットの数値 — テキストモデルの速度は測定されるが、ビジョンモデルの速度は測定されない。

visionベンチマークチャートに関する中立的な確認であり、その一部はinclusionAI独自のハーネス上で実行され、少なくとも1つの社内ベンチマークは後日リリースされる予定です。

評決

これはモデルの品質を競うものではありません。4ポイント差の主張が付随するモダリティ（入力様式）の決定です。入力がテキストなら、Ling 3.0 Flash を維持してください。より安価で、AAリストにも掲載され、実績も測定されています。VLモデルの優位性は、現時点では古い指標スケールによるベンダー公称値にすぎません。ワークロードがスクリーン（文書のページ、スクリーンショット、チャート、ビデオフレーム、エージェントが操作すべきGUI）から始まるなら、Ling-3.0-flash-VL は、すでにその挙動を理解している同じ124Bの頭脳が、視覚を備えたものです。これは、1週間前のLingの高速ティアには存在しなかった、真に新しい選択肢です。ビジョンが実際に機能する場面ではそれを採用し、その数字（42）だけを拠り所に移行する前に、42を検証してください。そして、独立したスコアと定価が出るまでは、ルーティング層で選択を元に戻せる状態に保っておいてください。