Ling 3.0 Flash Fin: Ant Group의 오픈 웨이트 금융 모델, 이제 독립적으로 평가되다

Ant Group의 inclusionAI 연구소가 만든 금융 특화 전문가 혼합(mixture-of-experts) 모델인 Ling 3.0 Flash Fin은 이제, 출시 후 첫 3주 동안 없었던 것을 갖게 됐다. 바로 자사를 만든 연구소가 아닌 다른 곳에서 나온 벤치마크 수치다. Artificial Analysis는 Ling 3.0 Flash Fin에 대한 독립 평가를 발표했으며, Intelligence Index(v4.3)에서 23점, Finance & Accounting Index에서 24점을 부여하고, 해당 지수의 지능 대 활성 파라미터 Pareto frontier에 올렸다. 이 모델은 2026년 8월 27일 예고 없이 무료 API 목록에 등장했고, 9월 3일에는 MIT 라이선스가 적용된 가중치를 받았다. 외부 점수는 Ling 3.0 Flash 위에 얹은 금융 튜닝이 실제로 무언가를 얻어내는지에 대한 첫 실질적 검증이며, 그 결과는 벤더 자체의 설명이 시사하는 것과는 조금 다르게 귀결된다.

스냅샷

아래의 모든 내용은 모델 카드, Hugging Face 리포지토리, 그리고 Artificial Analysis의 평가에서 가져온 것입니다. 처음 두 가지는 공급업체가 작성한 것이고, 세 번째는 그렇지 않습니다.

• 정의 — Ling 3.0 Flash와 동일한 백본을 기반으로 구축된 금융 특화 Mixture-of-Experts 모델: 총 1,240억 개의 파라미터 중 토큰당 약 51억 개만 활성화됩니다.

• 위치 — 텍스트 전용, 262,144토큰 컨텍스트 창, 최대 32,768개의 출력 토큰, 상위 모델과 동일한 서빙 형태.

• 비용 — 8월 28일 발표와 함께 시작된 한 달간의 무료 API 체험에서 입력 100만 개당 $0, 출력 100만 개당 $0이며, Artificial Analysis도 독립적으로 동일한 0 가격을 명시하고 있습니다. 유료 정가 목록은 공개되지 않았습니다. BF16 가중치는 무료로 다운로드하여 직접 호스팅할 수 있습니다.

• 기능 — 추론은 기본적으로 활성화되어 있으며 끌 수 있고, 함수 호출이 지원되며, 구조화된 JSON 출력은 강제되지 않습니다.

• 무엇이 바뀌었나 — 8월 28일 CICC와의 공식 출시, 9월 3일 FinFIRST 벤치마크와 함께 Hugging Face에 공개된 MIT 라이선스 BF16 가중치, 그리고 9월 16일 Artificial Analysis의 첫 독립 점수.

• 아직 빠져 있는 것 — 유료 정가, 그리고 FinFIRST 자체에 대한 제3자 실행.

모델 카드가 말하는 것

모델 카드는 Hugging Face의 inclu​sionAI 자체 조직 아래에 있고, 가중치도 함께 제공됩니다. 그 주장은 여전히 벤더가 작성한 것입니다 — Artificial Analysis는 모델을 측정하고 자체 인덱스 점수를 공개하지만, Ant의 FinFIRST 스위트를 다시 실행하지는 않습니다 — 따라서 카드는 의도로 읽고, 벤치마크 수치는 Ant의 것으로 취급하십시오. 이 카드는 Ling 3.0 Flash Fin을 제품군의 "최초 금융 강화 모델"로 설명하며, Ling 3.0 Flash를 "고품질 금융 데이터에 대한 지속 학습"을 통해 확장하고, 이번 릴리스의 중심을 엔드투엔드 금융 리서치, 출처에 근거한 검색, 공시 자료 전반에 걸친 다중 문서 추론, 그리고 밸류에이션 및 스프레드시트 워크플로에 둡니다.

• 아키텍처 — 총 124B / 활성 약 5.1B MoE로, Ling 3.0 Flash를 기반으로 구축되었다고 설명되며, Ling 3.0 Flash 자체는 하이브리드 Ki​mi Delta Attention + MLA 스택과 1/64 희소 MoE를 사용한다(벤더 설명).

• 컨텍스트 — 입력 262,144개 토큰, 출력 최대 32,768개 토큰

• 모달리티 — 텍스트 입력, 텍스트 출력; 이미지, 오디오, 비디오 입력 없음.

• 추론 — 기본적으로 켜져 있으며, 요청 시 비활성화할 수 있습니다.

• 도구 호출 — 지원됨, tools 및 tool_choice 포함; response_format 지원 없음, 따라서 파이프된 JSON은 보장되지 않음.

• 가중치 및 라이선스 — MIT; 체크포인트는 Hugging Face에 inclusionAI/Ling-3.0-flash-Fin으로 BF16(64개 샤드에 걸쳐 약 255GB) 형식으로 공개되어, 해당 모델군의 허용적 오픈 가중치 표준에 부합합니다.

• 서빙 — 카드에 따르면 Fin은 Ling 3.0 Flash의 아키텍처를 공유하며, 상위 모델을 이미 서빙하는 SGLang 및 vLLM 런타임과 호환됩니다. 그 호환성은 벤더가 주장한 내용이며, 존재하는 속도 수치는 Ant의 것이 아니라 Artificial Analysis의 것입니다.

릴리스 이후 무엇이 바뀌었는지 — 그리고 무엇이 아직 검증되지 않았는지

3주 전에 가장 중요했던 미지수들은 이제 해소됐다. Ant Group은 8월 28일 CICC와 협력해 Ling 3.0 Flash Fin을 공식 발표하며, 이를 이 패밀리 최초의 금융 강화 모델로 내세우고 한 달간의 무료 API 체험을 열었다. 이어 9월 3일에는 BF16 체크포인트가 inclu​sionAI의 Hugging Face 조직에 MIT 라이선스로 등장했다 — Ling 3.0 패밀리의 나머지와 동일한 허용적 조건으로 — 이제 이 모델은 다운로드하고 자체 호스팅하며 파인튜닝할 수 있다. 빠져 있던 가중치가 신중해야 할 가장 큰 이유였는데, 그 이의 제기는 사라졌다.

Fin을 실행하기 위한 참조는 위에 표시된 상위 모델입니다. 두 모델이 아키텍처를 공유하므로 Fin 카드는 두 번째 배포 가이드를 게시하는 대신 Ling 3.0 Flash의 배포 가이드를 가리키며, Fin이 이미 상위 모델을 서빙하는 SGLang 및 vLLM 런타임과 호환된다고 명시합니다. 이는 벤더가 주장한 것이지, Fin 전용 프로덕션 서빙 벤치마크로 입증된 것은 아닙니다. 다만 Artificial Analysis는 자체 하네스에서 Fin이 초당 출력 토큰 162.4개라고 보고하는데, 이는 비교 가능한 오픈 웨이트 모델에 대해 추적하는 중앙값 115보다 빠릅니다.

이번 공개를 단순한 가중치 배포 이상으로 만드는 것은 FinFIRST — 금융 정보 검색, 출처 확보 및 추적성(Financial Information Retrieval, Sourcing and Traceability) — 즉 Ant Group이 CICC의 투자은행 팀과 함께 구축해 같은 날 공개한 벤치마크다. 이 벤치마크는 모델이 올바른 데이터를 찾고, 권위 있는 1차 출처를 인용하고, 계산을 정확히 수행하며, 그 과정을 뒷받침할 수 있는지 시험하며, 결과·과정·근거를 아우르는 701개의 세분화된 항목에 걸쳐 각 답변을 채점한다. 이 세트는 작지만 엄격하다: 50명 넘는 금융 전문가가 문항을 작성하고 검증했으며, 후보 문항 중 9.78%만이 심사를 통과했고, 남은 123개는 61.8%가 계산 비중이 높고 32.5%가 다중 출처를 요구한다. 질문, 참조 답변, 채점 기준이 Apache 2.0 라이선스로 공개되어 있기 때문에, FinFIRST는 제3자가 Ant의 주장을 검증할 수 있는 공통 기준을 제공한다. 하지만 독립적 테스트를 위한 도구가 독립적 테스트를 대체하지는 못한다 — 그리고 3주가 지난 지금, Ant 외부에서는 아무도 FinFIRST 실행 결과를 공개하지 않았다.

지금 가장 큰 미결 사항은 돈이다. API는 한 달 체험 기간 동안 무료이고, 그로 인해 무료 기간의 종료 시점은 9월 말쯤이 되며, 유료 정가는 공개되지 않았다 — 따라서 그 시점 이후 Fin에 대한 예산을 세우는 것은 여전히 추측일 수밖에 없다. 8월에 미결로 남아 있던 다른 모든 항목에는 숫자가 붙어 있다.

금융에 특화된 Ling 3.0 Flash가 현명한 선택인 이유

금융 방향은 이번 릴리스에서 가장 놀랍지 않은 부분이다. 패밀리가 이미 그쪽을 가리키고 있었기 때문이다. Ant의 자체 모델 카드 평가에서 Ling 3.0 Flash는 τ3-Bench Banking에서 27%를 기록했는데, 이는 flash급 오픈 모델 중 DeepSeek V4 Flash에 이어 두 번째이며, GDPVal v2-AA에서는 약 1,107로 가장 높은 end-to-end Elo를 달성했다. 이는 범용 모델에 대한 벤더 보고 수치다. 전문 모델은 바로 그 수치를 끌어올리기 위해 존재한다. Ant Group은 Alipay, 결제, 리스크, 투자 상품 내에서 AI를 운영하므로, 금융에 특화된 실행 모델은 회사가 실제로 수익을 내는 분야에 적용된 패밀리의 명시된 플레이북, 즉 '계획-실행 분리'다.

위 스크린샷은 이 패밀리의 독립적인 기준점이 8월에 어땠는지를 보여줍니다: Artificial Analysis가 자사의 Intelligence Index 이전 빌드에서 Ling 3.0 Flash를 38로 표시한 것입니다. 그 수치는 이제 구식이며, 무엇과 비교하든 그 이유를 이해해 둘 가치가 있습니다. Artificial Analysis는 지수를 개정할 때 모델 점수를 다시 매기며, 현재 v4.3 빌드에서는 Ling 3.0 Flash를 중앙값 8에 대비해 21로 둡니다. 38은 v4.3 수치와 비교할 수 없습니다 — Fin의 수치를 포함해서도.

v4.3이 말하는 바는 단순한 다운그레이드보다 더 흥미롭다. Ling 3.0 Flash Fin은 해당 지수에서 23점을 기록한다 — 자사의 범용 모델 모체가 받은 21점보다 높고, Ling 3.0 Flash VL의 25점에 바로 뒤진다. Finance & Accounting Index에서는 Fin과 VL 변형이 24점으로 동률이다. Artificial Analysis는 또한 Fin을 Intelligence Index 대 활성 파라미터 파레토 프런티어에 놓는다. Fin은 MiniMax-M2.7의 23점과 동일한 점수를 내면서, 해당 모델의 10B와 대비되는 토큰당 5.1B 파라미터를 활성화한다. 이 미묘한 차이는 반대 방향으로도 작용한다 — 두 Ling 모델 모두 총 파라미터 프런티어 아래에 위치하며, 여기서 Qwen3.8 27B (xhigh)는 총 27B 파라미터로 34점을 기록한다.

금융 튜닝 역시 완승은 아니다. Fin의 비즈니스 지식 정확도는 VL 변형보다 높지만(17% 대 11%), 환각률은 더 나쁘고(33% 대 19%), 에이전트 지표에서는 뒤처진다. AutomationBench-AA에서 7% 대 16%, GDPval-AA v2에서 Elo 1,171 대 1,225, Terminal-Bench v4.0에서는 둘 다 0%다. 또한 Intelligence Index 작업당 약 67,000개의 출력 토큰을 소비하는데, 이는 VL보다 약 34% 더 많다. 이는 일반적인 에이전트 실행보다 문서가 많은 금융 업무에 강하게 맞춰진 모델의 프로필이며, Ant가 이 모델에 대해 주장하는 바와 가깝고 “금융에 더 강하다”는 말이 들리는 것보다 좁은 범위다.

무료 체험판에 오픈 가중치 — 그것이 얼마나 가치 있는가

한 달 무료 API 체험과 MIT 라이선스 가중치가 함께 제공되는 것은, 이 모델이 처음에 제공했던 무료지만 가중치가 없던 일주일보다 실질적으로 훨씬 나은 조건이다. 기회는 두 가지다. API에서 토큰 비용 없이 자신만의 다단계 투자 작업으로 금융 튜닝을 시험해 보거나, BF16 체크포인트를 내려받아 직접 실행하고 미세 조정하는 것이다. 주의할 점은 예전보다 좁아졌지만 사라진 것은 아니다. 하나의 독립 평가는 실제 신호일 뿐 생산 보증은 아니며, 그것이 보여주는 것은 문서 근거 정확도를 얻는 대가로 환각 제어와 에이전트 실행에서 어느 정도 손해를 보는 특화다. 실제 자금을 이 모델로 처리하기 전에 자신의 작업을 직접 실행해 보라.

바로 이런 상황을 위해 라우팅 레이어가 존재합니다. 200개 이상의 모델을 앞단에서 연결하는 단일 API를 통해, Ling 3.0 Flash Fin을 테스트 경로에 올리고 검증된 범용 모델로 자동 페일오버할 수 있습니다. 새 모델이 기대에 못 미치거나 무료 티어의 속도 제한에 걸리면 애플리케이션 코드를 건드리지 않고도 트래픽이 전환됩니다. 평가판이 끝나고 정가가 책정되면, 제공사 가격을 0% 마진으로 그대로 전달하는 라우터가 같은 날 새 숫자를 보여주므로 재협상 없이도 비용 모델이 업데이트됩니다. 전문 모델을 시험해 보고, 안전망은 유지하고, 벤더의 홍보 문구가 아닌 데이터를 근거로 결정하세요.

누가 그것을 올려야 하나요?

투자 분석, 리서치, 장기적 의사결정 워크플로를 구축하는 금융 및 에이전트 팀이 당연한 대상이며, 이들은 두 진영으로 나뉩니다. 무료 기간이 끝나기 전에 금융 튜닝을 비용 없이 호스팅 방식으로 체험해보려는 팀과, 자체 호스팅하거나 파인튜닝하려는 팀—후자에게는 공개 가중치가 핵심입니다. Artificial Analysis 프로필은 적합성을 더욱 선명하게 해줍니다. 워크로드가 긴 공시 자료, 여러 출처 간 조정, 출처가 명시된 리서치라면 Fin의 점수는 바로 여러분을 겨냥한 것입니다. 반대로 빠듯한 토큰 예산 아래에서의 에이전트형 도구 사용이라면 VL 변형과 범용 모델인 모체가 모두 더 강해 보입니다.

강제 JSON 출력이 필요하다면(이 엔드포인트는 response_format을 지원하지 않습니다), 가격이 알려진 유료 프로덕션급 API가 필요하다면, 또는 벤더 카드나 단일 서드파티 지수만으로는 그 자체로 충분한 증거가 되지 않는 규제 환경에 있다면 이 모델을 건너뛰세요. 8월에 적용되던 오픈 웨이트 반론은 더 이상 유효하지 않습니다 — MIT 체크포인트가 Hugging Face에 있습니다. 이 제품군에서 가장 문서화가 잘 된 구성원이라면, Ling 3.0 Flash가 여전히 더 안전한 기본 선택입니다.

무엇을 볼까요?

8월 워치리스트는 네 항목이었고, 이제 세 항목은 완료됐다. 완료: 공식 발표(8월 28일), 가중치 공개(9월 3일, MIT), 그리고 첫 독립 평가(9월 16일, Artificial Analysis). 아직 남은 항목은 중요도 순으로: Ant에 아무런 이해관계가 없는 사람이 FinFIRST를 제3자 방식으로 실행하는 것 — 이는 벤더 자체 벤치마크를 중립적인 환경에서 시험하는 일이다; 체험판 계산을 예산 문제로 바꾸는 유료 정가; 그리고 vLLM 또는 SGLang에서의 Fin 특화 프로덕션 서빙 수치 — 모델 카드에서는 아키텍처상 약속하지만 아무도 공개하지 않았다.

정직한 현황: Ling 3.0 Flash Fin은 출시된 지 20일 됐고, MIT 라이선스의 오픈 웨이트이며, API에서는 약 열흘 더 무료이고, 이제 최소 한 번은 독립적으로 평가됐다. 이 모델은 9월에 블랙박스가 아니게 됐다. 가중치를 내려받을 수 있고, FinFIRST는 업계에 공용 잣대를 제공하며, Artificial Analysis는 백본이 아니라 모델 자체에 숫자를 매겼다. 오늘 현실은 시장에서 가장 빠르게 움직이는 오픈 웨이트 패밀리의 금융 특화 모델을 무료로 호출하고 무료로 실행할 수 있다는 것, 그리고 첫 외부 측정이 이 특화가 진짜지만 좁다고 말해 준다는 것이다. 최초의 제3자 FinFIRST 점수와 유료 가격이 이것을 흥미로운 출시에서 결정 사항으로 바꿀 것이다.