Ling-3.0-flash-VL vs DeepSeek V4 Flash Vision Exp: 오픈 비전을 향한 두 가지 승부수

Ling-3.0-flash-VL과 DeepSeek V4 Flash Vision Exp는 오늘날 팀이 현실적으로 내려받아 서빙할 수 있는 이 가중치 등급의 두 오픈 웨이트 비전 모델이며, 이들은 비전이 무엇을 위한 것인지에 대해 서로 생각이 다른 사람들에 의해 만들어졌다. Ant Group의 inclusionAI 연구소에서 나온 Ling-3.0-flash-VL은 124B 파라미터 중 약 5.5B를 토큰당 활성화하며, 비전을 피드백 루프 — 생성하고, 렌더링하고, 살펴보고, 교정하는 — 안에서 적용해야 할 것으로 취급한다. 가능한 한 가장 낮은 추론 비용으로 말이다. DeepSeek의 첫 멀티모달 빌드인 DeepSeek V4 Flash Vision Exp는 1M 토큰 컨텍스트 윈도우와 384K 토큰의 최대 출력을 결합하고, 비전을 에이전트가 긴 작업을 끝내는 도중에 읽는 또 하나의 입력으로 취급한다. 하나는 생각하는 데 드는 비용이 얼마나 적은지에 최적화되어 있다. 다른 하나는 그렇게 하는 동안 얼마나 많이 담아둘 수 있는지에 최적화되어 있다.

선택을 이끌어야 하는 것은 벤치마크 델타가 아니라 바로 그 차이입니다. 두 모델은 서로 비교해 볼 공통 평가 프로토콜이 없고, 둘 중 하나만 독립적인 점수를 아예 가지고 있습니다. 이어지는 것은 이 맞대결의 솔직한 윤곽입니다: 아키텍처에 걸린 승부수, 실제로 갈리는 사양, 벤치마크 상황과 그것이 왜 빈약한지, 각각에 드는 비용, 그리고 어떤 작업에 어느 쪽이 이기는지 — 더불어 두 모델 중 어느 것이 우리 카탈로그에 있는지 분명히 밝히는 부분까지.

두 가지 베팅, 정확하게 말하면

Ling 쪽은 활성화 희소성을 주된 비용 레버로 삼는 데 걸린 베팅이다. Ling-3.0-flash-VL은 총 124B 파라미터의 희소 전문가 혼합 모델로 — 모델 카드에는 약 124.8B로 나와 있고, SGLang 쿡북은 5.1B 활성이라고 설명하는데 카드에는 대략 5.5B라고 적혀 있다 — Kimi Delta Attention과 gated MLA 블록을 5:1 비율로 교대 배치한 42층 하이브리드 트렁크를 구동한다. 임의 해상도 비전 인코더와 2층 MLP 프로젝터가 그 트렁크에 입력을 공급하며, VideoRoPE가 공간 및 시간 위치를 처리해 비디오 프레임이 일관된 순서로 자리 잡게 한다. 아키텍처적 결과는 토큰당 실행 비용이 dense 124B의 작은 일부에 불과한 모델이라는 점이며, 이것이 바로 이 모델이 지능 대 활성 파라미터 프런티어에 등장하는 전적인 이유다.

DeepSeek 측은 컨텍스트와 에이전트 지속력에 대한 베팅이다. DeepSeek V4 Flash Vision Exp는 DeepSeek-V4-Flash 텍스트 아키텍처를 가져와 비전 인코더와 정렬기를 추가한 뒤 학습을 계속한다 — 한 소식통은 결과가 약 305B 파라미터라고 추정하지만, DeepSeek은 이를 자세히 확인하지 않았다. 이 모델은 1,048,576토큰 컨텍스트 윈도우와 최대 출력 384,000토큰을 갖추고, JSON 출력, 도구 호출, Responses API, Anthropic API, 대화 접두사 이어쓰기를 지원하며, DeepSeek은 이것이 시각 질의응답 모델이 아니라고 분명히 밝혀 왔다. 이는 에이전트를 위한 지각이다: 웹 스크린샷, 소프트웨어 인터페이스, 차트를 읽고, 이어서 도구 호출로 나아간다. 이미지는 토큰으로 변환되어 그대로 청구되며, 이미지당 384토큰으로 제한된다.

그 두 문단을 함께 읽어 보면 결정의 윤곽이 드러난다. 당신의 워크로드가 "이걸 보고, 뭔가 결정하고, 행동하고, 다시 보기"라면, Ling의 활성 파라미터 수가 바로 그 루프를 감당할 수 있게 해 주는 요소이며, Ling의 비전 피드백 설계는 정확히 그것을 겨냥한다. 당신의 워크로드가 "도표가 들어간 400쪽 문서를 읽고 계속 나아가기"라면, DeepSeek의 컨텍스트 윈도가 바로 그 기능이며, Ling 쪽에는 그것과 겨룰 만한 것이 없다.

벤치마크 비교가 보이는 것보다 빈약한 이유

이 부분은 대부분의 비교가 건너뛰는 부분인데, 이를 건너뛰면 아무 의미도 없는 숫자 표만 남게 됩니다. 증거의 실제 상태는 다음과 같습니다.

Ling-3.0-flash-VL에는 독립적인 측정치가 하나 있습니다: Artificial Analysis Intelligence Index v4.3에서 25, 동급 크기 클래스에서 64개 중 #2위이며, 클래스 중앙값은 8입니다. 벤더의 카드는 별도로 Intelligence Index 프로토콜 v4.1.1에서 42를 주장하는데, 이는 은퇴한 척도로 비교할 수 없습니다 — 42는 재현되지 않은 것으로 간주하십시오.

DeepSeek V4 Flash Vision Exp에는Artificial Analysis 페이지가 전혀 없습니다. 이 모델에 대해 공개된 모든 수치는 릴리스 발표문에서 나온 DeepSeek 자체 수치이며, 그중 여러 개는 고정된 프로토콜이 아니라 Opus-4.8을 기준으로 한 상대적 수치임을 명시하고 있습니다. 이는 그 수치들에 대한 비판이 아니라, 그 수치들로 무엇을 할 수 있는지에 관한 진술입니다. 독립적으로 점수가 매겨진 모델과 벤더만이 점수를 매긴 모델을 같은 열에 놓고 승자를 선언할 수는 없으며, 그렇게 하는 페이지는 결과를 조작하는 것입니다.

정당한 것은 각 모델을 각자 보고한 기록과 비교하는 것이며, 그 출처를 함께 밝히는 것입니다:

• Ling-3.0-flash-VL, 독립 평가 — v4.3 기준 Intelligence Index 25, 동급 64개 중 2위, 동급 중앙값 8, Artificial Analysis 기준br /> • Ling-3.0-flash-VL, 벤더 — 폐기된 v4.1.1 프로토콜에서 42, 그리고 Image-to-WebDev Arena에서 "linthium"으로 GPT-5.4의 1,440 대비 1,441; 둘 다 벤더 보고치이며 아레나 격차는 Elo 노이즈 범위 내br /> • DeepSeek V4 Flash Vision Exp, 벤더 — Terminal Bench 2.1 83.9; DeepSWE 59.3(Opus-4.8의 58.0 대비); Agents' Last Exam 27.3(Opus-4.8의 25.7 대비); Toolathlon-Verified 75.9; Cybergym 75.3; Chartography 64.3; NL2Repo 57.7; DSBench-Hard 63.6; ZeroBench Pass@5 35.0; ApexBench Pass@1 36.5; AutomationBench 25.7br /> • DeepSeek V4 Flash Vision Exp, 독립 평가 — 게재된 결과 없음

DeepSeek 목록이 주로 무엇으로 구성되어 있는지 눈여겨보세요: 비전 평가가 아니라 에이전트형 및 소프트웨어 엔지니어링 평가입니다. DeepSeek 자체의 설명은 순수 텍스트 작업에서 비전 모델이 공식 DeepSeek-V4-Flash와 회귀 없이 동등하며, 성과는 멀티모달 에이전트 벤치마크에서 나온다는 것입니다 — 여기서 DeepSeek는 결과를 능가한다기보다 Opus-4.8에 접근하는 것으로 묘사하고, 구조화된 데이터 과학 및 코드 작업인 NL2Repo와 DSBench-Hard에서 대략 10포인트 격차를 인정합니다. 이는 이례적으로 신중한 주장 세트이며, 이 모델이 새로운 상한이 아니라 기존 에이전트 스택에 대한 지각 업그레이드로 판매되고 있음을 말해줍니다.

실제로 차이를 보이는 사양들

두 스펙 시트는 대부분 일치합니다: 둘 다 MIT 라이선스의 오픈 웨이트이고, 둘 다 텍스트와 이미지를 입력받아 텍스트를 반환하며, 둘 다 양자화 빌드와 함께 BF16 가중치를 제공하고, 둘 다 서빙 레시피가 공개되어 있으며, 둘 다 어떤 형태로든 비디오를 처리합니다. 차이점은 네 곳에 집중되어 있습니다.

• 매개변수 — Ling-3.0-flash-VL은 총 124B이며 토큰당 약 5.5B가 활성화됩니다. DeepSeek V4 Flash Vision Exp는 약 305B로 보고되었으며 공개된 활성 매개변수 수치는 없습니다br /> • 컨텍스트 창 — Ling-3.0-flash-VL은 Artificial Analysis 기준 262K 토큰으로, 자체 모델 카드에 명시된 256K와 대비됩니다. DeepSeek V4 Flash Vision Exp는 기본적으로 1,048,576 토큰을 실행합니다br /> • 최대 출력 — Ling-3.0-flash-VL은 수만 토큰 수준으로 훨씬 짧습니다. DeepSeek V4 Flash Vision Exp는 384,000에 도달합니다br /> • 이미지 처리 — Ling-3.0-flash-VL은 요청당 최대 40개의 이미지를 각각 최대 16,384 × 784 픽셀로 허용하며, base64만 지원합니다. DeepSeek V4 Flash Vision Exp는 base64, 외부 URL 또는 Files API 참조를 허용하며 이미지 비용을 이미지당 384토큰으로 제한합니다br /> • 활성 매개변수 — Ling-3.0-flash-VL은 토큰당 약 5.5B를 활성화합니다. DeepSeek V4 Flash Vision Exp는 활성 매개변수 수치를 공개하지 않았습니다

이미지 처리 행이 바로 저평가되는 항목입니다. 이미지당 384토큰이라는 엄격한 상한은 밀도 높은 차트나 전체 페이지 스크린샷을 썸네일과 거의 같은 예산으로 압축한다는 뜻입니다. 저렴하지만, 세밀한 읽기 작업에서 문제가 되는 방식으로 손실이 발생합니다. Ling의 접근 방식은 반대입니다. 이미지당 매우 큰 픽셀 예산, base64 전용 전송, 따라서 훨씬 더 무거운 요청 페이로드입니다. 어느 쪽이 더 나은지는 이미지가 정확하게 읽어야 하는 문서 사진인지, 대략적으로 이해하면 되는 UI 스크린샷인지에 전적으로 달려 있습니다.

두 번째로 과소평가된 행은 최대 출력입니다. Ling-3.0-flash-VL의 수만 토큰 상한은 설명 후 교정 루프에는 괜찮지만, 큰 아티팩트—긴 생성 파일, 전체 문서 재작성, 수천 줄짜리 diff—를 내보내려는 모든 작업에는 제약이 됩니다. DeepSeek의 384K 출력이 존재하는 이유는 바로, 의도된 워크로드가 대규모 도구 호출 결과나 생성된 아티팩트로 끝나기 때문입니다. 파이프라인이 모델이 긴 무언가를 반환할 것으로 기대한다면, 그 단일 행이 어떤 벤치마크보다도 먼저 승부를 결정합니다.

가격, 그리고 무료와 가격 미정의 차이

DeepSeek V4 Flash Vision Exp는 우리 카탈로그에 실제 숫자를 가지고 있습니다: 100만 입력 토큰당 $0.24, 100만 출력 토큰당 $0.73, 1,048,576토큰 컨텍스트 윈도우와 384,000토큰 최대 출력을 갖추고 있으며, deepseek/deepseek-v4-flash-vision-exp로 접근할 수 있습니다. 이는 공개된 요금으로, 텍스트 V4-Flash와 동일한 방식으로 청구되며, 이미지는 이미지당 최대 384토큰으로 변환됩니다. 스프레드시트에 넣을 수 있는 요금입니다.

Ling-3.0-flash-VL에는 가격이 없습니다. Artificial Analysis 페이지는 이를 다음과 같이 기재합니다: 1M 입력당 $0.00, 1M 출력당 $0.00 동종 모델 중앙값 $0.14 및 $0.40과 비교했을 때 — 하지만 이는 Ant의 Ling Studio에서 실행 중인 무료 체험을 반영한 것이지, 요금표가 아닙니다. Ant의 멀티모달 문서는 비전 모델에 대한 토큰당 가격을 공개하지 않으므로, 0과 대조해 확인할 대상이 없습니다. 텍스트 전용 형제 모델인 Ling-3.0-flash는 1M 입력당 약 $0.075, 1M 출력당 $0.22로 등록되어 왔으며, Ant의 도메인 특화 Ling 릴리스들은 무료 API로 출시되었습니다. 이는 비슷한 최종 형태를 암시하지만 — 암시는 가격이 아닙니다.

솔직히 그것들을 나란히 놓고 보면 비용 비교는 이렇다. 한 모델에는 요금이 있고, 다른 모델에는 프로모션 기간과 그럴듯한 추측이 있다. Ling-3.0-flash-VL이 DeepSeek V4 Flash Vision Exp보다 더 저렴하다고 주장하는 사람은 무료 체험판과 정가를 비교하는 것이다. 방어 가능한 주장은 Ling-3.0-flash-VL이 일단 가격이 책정되면 토큰당 더 저렴할 가능성이 매우 높다는 것이다. 5.5B 활성 파라미터는 어떤 요율 변경으로도 지울 수 없는 구조적 이점이기 때문이다. 다만 Ling-3.0-flash-VL의 장황함이 그 이점을 잠식한다는 단서가 붙는다. Artificial Analysis는 이것이 Intelligence Index에서 160M 출력 토큰을 소모한 것으로 기록하며, 중앙값 84M과 비교해 64개 중 8위에 올랐고 "매우 장황함"으로 분류했다. 방출된 토큰당 비용을 지불하므로, 같은 답에 도달하는 데 거의 두 배를 말하는 모델은 희소 활성화가 거둔 이점의 일부를 반납하는 셈이다.

어느 것, 무엇을 위해

정직한 의사결정 트리는 다른 무엇보다도 먼저 컨텍스트와 출력 길이를 기준으로 분기한다. 왜냐하면 바로 그 차원이 두 모델이 서로 대체재가 아닌 지점이기 때문이다.

다음의 경우 DeepSeek V4 Flash Vision Exp를 선택하세요 — 작업이 길고 결과물로 끝나는 경우: 도표가 포함된 수백 페이지 문서, 처음부터 끝까지 읽어야 하는 코드베이스, 대용량 결과를 출력해야 하는 에이전트 루프, base64 대신 URL이나 Files API 참조로 이미지를 넘기고 싶은 워크로드, 그리고 Responses API나 프리픽스 이어쓰기(prefix continuation), 또는 예산을 세울 수 있는 공개된 토큰당 요금이 필요한 파이프라인. 또한 두 모델 중 텍스트 작업에서 자사 텍스트 모델과 동등하다고 주장하는 벤더를 둔 유일한 모델이며, 이는 스택에서 모델 하나가 둘을 대체할 때 중요합니다.

을 선택하세요Ling-3.0-flash-VL 호출당 비용이 핵심 제약이고 루프가 짧을 때: GUI 자동화, 반복적인 스크린샷 검사, 렌더링-수정 주기를 사용하는 프런트엔드 생성, 이미지당 높은 해상도가 필요하고 작은 출력을 감수할 수 있는 의료 또는 금융 문서 표본 점검 등이 그렇습니다. 5.5B의 활성 파라미터 수는 이를 선택하는 이유이며, MIT 라이선스는 자체 호스팅해도 안전한 이유이고, 비전 피드백 루프 설계는 바로 관찰-행동-검증-수정 패턴을 겨냥합니다. 무료 진입 경로가 있고 이후에 대해 어떤 약속도 없는, 가격이 책정되지 않은 모델을 선택하고 있음을 알아두세요.

그리고 만약 당신에게 실제로 필요한 것이 어느 쪽 극단도 없이 이미지를 유능하게 읽어내는 하나의 모델이라면 — 5.5B 희소성 트릭도, 백만 토큰 윈도우도 없이 — 그렇다면 이 둘 중 어느 것도 흥미로운 답이 아니며, 평범한 중급 비전 모델이 두 전문 모델 중 어느 쪽보다도 당신에게 더 좋고 더 저렴하게 도움이 될 것입니다.

그것들을 운영하는 것, 그리고 솔직히 우리가 어디에 맞는지

DeepSeek V4 Flash Vision Exp가 카탈로그에 등록되었습니다. 다른 모든 것에 사용하는 것과 동일한 키로 OrcaRouter의 OpenAI 호환 엔드포인트를 통해 모델 문자열 deepseek/deepseek-v4-flash-vision-exp로 호출할 수 있으며, 공개된 $0.24/$0.73 요금에 아무것도 더해지지 않습니다 — 제공사 정가가 그대로 전달되므로, Deep​Seek가 요금을 인하하면 다음 계약 갱신 때가 아니라 같은 날 바로 여러분에게 적용됩니다. 비전 모델을 처음으로 프로덕션 경로에 투입하는 경우, 라우팅 레이어에서는 이쪽이 두 가지 중 시작하기에 더 안전한 선택입니다. 응답이 시작되기 전에 제공사 오류가 발생하면 다른 라우트로 재시도하도록 폴백 체인을 구성할 수 있기 때문입니다. 첫 프로덕션 비전 호출을 통해 단일 제공사 장애에 대해 배우고 싶은 사람은 아무도 없습니다.

Ling-3.0-flash-VL은 저희 카탈로그에 없습니다, 그리고 그렇지 않은 것처럼 암시할 생각도 없습니다. 이 모델은 Ant 자체 플랫폼을 통해 접근할 수 있습니다. 이 플랫폼은 OpenAI 호환 엔드포인트와 Anthropic 호환 엔드포인트를 공개하고 있으며, Ling Studio의 무료 체험 액세스와 Hugging Face의 공개 가중치를 통해서도 접근할 수 있습니다. Hugging Face의 가중치는 게시된 SGLang 레시피나 Ant 자체 vLLM 포크로 직접 서빙할 수 있습니다. 그 경로에 투자하기 전에 확인할 한 가지: Ant의 API 예시는 다음 식별자를 사용합니다: Ling-3.0-flash-VL-rc1, 즉 릴리스 후보 표시이며, 서빙되는 체크포인트가 공개 가중치와 일치하는지는 공개적으로 확정되지 않았습니다. 호스팅 API를 대상으로 벤치마크하면서 그 수치가 자체 호스팅 BF16 배포로 이어질 것이라고 기대한다면, 그 가정을 먼저 검증하세요.

면밀한 검토를 견뎌내는 요약은 이것이다: 이것들은 한 가지 질문에 대한 경쟁적인 답이 아니다. DeepSeek V4 Flash Vision Exp는 공개된 가격과 에이전트형 평가에 기대는 공급업체 보고 벤치마크 표를 갖춘, 에이전트를 위한 장문맥 인식 계층이다. Ling-3.0-flash-VL은 서빙 비용이 저렴한 비전 모델로, 진짜 독립적인 점수 하나와 가격이 책정되지 않은 무료 티어, 그리고 짧은 교정 루프를 겨냥한 설계를 갖추고 있다. 워크로드의 형태를 모델의 형태에 맞추고, 둘 중 하나만 보드에 독립적인 점수를 가지고 있다는 사실은 다른 하나의 마케팅에 얼마나 비중을 둘지 판단하는 근거가 되어야 한다.

동일한 키로 카탈로그의 나머지 부분에도 접근할 수 있으며, 전체 모델 카탈로그를 둘러보면 하나의 OpenAI 호환 엔드포인트 뒤에 무엇이 더 있는지 확인할 수 있습니다.