ERNIE Light DT 1.0 vs Ling 3.1 Flash: een 25x prijsverschil in dezelfde gewichtsklasse

Twee Chinese modellen uit de snelle klasse, beide alleen tekst, beide met een venster van een miljoen tokens, beide gebouwd rond sparse-attentietrucs om lange context betaalbaar te houden — en een van de twee kost vijfentwintig keer meer per inputtoken dan de andere. ERNIE Light DT 1.0, gepubliceerd door Baidu op 10 november 2026, heeft een prijs van $1,13 per miljoen inputtokens en $3,94 per miljoen output. Ling 3.1 Flash, de mixture-of-experts van Ant Group met 560 miljard parameters, aangekondigd op 30 september 2026, kost $0,045 en $0,135 voor dezelfde eenheden en heeft een onafhankelijke score van 41 op de Artificial Analysis Intelligence Index.

Dat is geen bescheiden kloof die nog met de contextkwaliteit kan worden wegverklaard. Het is de grootste spreiding per token tussen twee modellen in deze klasse die een van beide labs momenteel verkoopt, en dat vraagt om een verklaring voordat iemand een inkooporder ondertekent.

De goedkoopste manier om het probleem te zien: één verzoek, twee rekeningen.

Neem één enkele aanroep van het soort waarvoor deze modellen bedoeld zijn — een opgehaalde documentenset van 120.000 tokens met een antwoord van 2.000 tokens, één keer uitgevoerd.

Op ERNIE Light DT 1.0 kost dat verzoek 120.000 × $1,13/1M plus 2.000 × $3,94/1M, wat $0,1356 plus $0,0079 is, of ongeveer 14,4 cent.

Op Ling 3.1 Flash kost hetzelfde verzoek 120.000 × $0,045/1M plus 2.000 × $0,135/1M, wat neerkomt op $0,0054 plus $0,00027, of ongeveer 0,57 cent.

Beide modellen beweren aan dat verzoek te voldoen. Een van hen is vijfentwintig keer goedkoper om erop te draaien. Bij tienduizend zulke verzoeken per dag is het verschil $1,356 per dag tegen $57 — ruwweg $39,000 per maand tegen $1,700.

Er zijn slechts drie mogelijke verklaringen. Ofwel Baidu weet iets over kwaliteit dat het niet heeft gepubliceerd, ofwel het compressieschema levert iets op wat de architectuur van Ling niet biedt, ofwel de prijs is een tijdelijke aanduiding die zal verschuiven. De rest van dit stuk gaat over de vraag welke.

Wat elk ervan eigenlijk is

• Ling 3.1 Flash — de hybride-reasoning-MoE van Ant Group, met ruwweg 560 miljard totale parameters en ongeveer 25 miljard actief per token, tekst in en tekst uit, van het inclusionAI-lab. Aangekondigd op 30 september 2026 en live op Ants eigen API en in zijn consumentenproducten. De marketingclaim is een plafond van 1M tokens; wat het endpoint bij de lancering daadwerkelijk serveerde, was 256.000, en huidige internationale vermeldingen tonen een context van 1.000.000 tokens met een maximale output van 262.144 tokens.

• ERNIE Light DT 1.0 — Baidu's endpoint voor de kleine categorie, vermeld op 10 november 2026, gebouwd op de opensource-GLM-architectuur met onderzoek uit de "Lightning"-lijn van Baidu Search, met gebruik van Baidu Sparse Attention en een feedbackgedreven compressieschema voor geschiedenis. Context van 1,024,000 tokens, maximale uitvoer van 131,072 tokens, alleen tekst. Vier niveaus voor redeneerinspanning, tool calling, gestructureerde outputs.

De parameteraantallen zijn niet vergelijkbaar — Ling heeft die van Light DT niet gepubliceerd, dus de eerlijke bewering is dat van de ene kant bekend is dat het totaal 560B is en van de andere kant niet openbaar. Wat wel vergelijkbaar is, is de vorm: beide zijn sparse, beide zijn tekst-only, beide zijn gericht op werk met lange context en grote volumes.

Sparse attention, twee keer, om twee verschillende redenen

De architectuurverhalen rijmen op elkaar, waardoor de prijskloof juist moeilijker in plaats van gemakkelijker uit te leggen is.

Ling 3.1 Flash gebruikt per token 25 miljard van zijn 560 miljard parameters. Dat is een capaciteitszet: een zeer grote kennisopslag resident houden en er slechts een smalle route doorheen leiden, zodat je wereldkennis van een groot model krijgt tegen de rekenkracht van een klein model. De claim over lange context komt uit hetzelfde ontwerp: als elke stap goedkoop is, is een lange reeks openhouden minder belastend.

Het verhaal van ERNIE Light DT gaat over geheugen, niet over capaciteit. Baidu zegt dat het model "de opslag en indexering van historische informatie verbetert" via feedbackgestuurde geschiedeniscompressie, "de KV-cacheopslag en rekenkosten aanzienlijk verlaagt terwijl de modelprestaties behouden blijven," en je in staat stelt langere contexten "tegen lagere kosten" vast te houden. Let op de formulering: lagere kosten voor de operator. Dat is een bewering over Baidu's factuur voor het aanbieden van de dienst, niet noodzakelijkerwijs over de jouwe.

Dit is het beslissende punt. Elk compressieschema in deze klasse — Baidu's Heavily Compressed Attention in ERNIE 5.5, Qwens micro-block sparse attention, Lings eigen routing — verlaagt de kosten per contexttoken voor de leverancier. Of de leverancier die besparing doorgeeft, is een commerciële beslissing, en Baidu heeft ervoor gekozen dat niet te doen. Het rekent een premie op precies de capaciteit waarvan het zegt dat het die goedkoper heeft gemaakt.

Dat is niet automatisch kwade trouw. Een compressieschema dat de kwaliteit behoudt bij een miljoen tokens is duur om te bouwen en duur om te valideren, en de leverancier kan die onderzoekskosten aan het terugverdienen zijn. Maar het betekent wel dat de koper betaalt voor een capaciteit waarvan de economie zogenaamd is verbeterd, en die verbetering is niet zichtbaar in de tariefkaart.

Ling's onafhankelijke score, en wat die zegt over deze tier

Ling 3.1 Flash scoort 41 op de Artificial Analysis Intelligence Index. Dat is een echte meting door een derde partij, geen leveranciersgrafiek, en ze plaatst het model in de bovenste helft van de snelle categorie — ruim boven modellen met grotere marketingbudgetten, onder de kleine frontiermodellen. Aan de score kleeft een voorbehoud dat van belang is voor een kostenvergelijking: Ling is een praterige reasoner. Eerdere evaluatie van het model wees uit dat het ongeveer 220 miljoen outputtokens verbruikte bij het doorwerken van de indexevaluaties, ruim boven de mediaan voor zijn prijsklasse, en gemiddeld meerdere minuten per taak nodig had. Goedkope tokens die het model vrijelijk uitgeeft, kunnen toch oplopen — maar bij $0.135 per miljoen output blijft zelfs royale redenering goedkoop.

ERNIE Light DT 1.0 heeft helemaal geen score. Geen leverancierscijfer, geen onafhankelijk cijfer. Baidu publiceerde een prijskaart en een alinea met uitleg over de werking, en stopte daar. Voor een model met een premiumprijs is met nul bewijs aankomen het meest schadelijke feit in deze vergelijking — niet omdat het waarschijnlijk slecht is, maar omdat een koper "niet gemeten" niet kan onderscheiden van "niet concurrerend", en de prijs geen voordeel van de twijfel biedt.

Het contextplafond is de enige plek waar Baidu ruimte heeft om te argumenteren.

Als er een argument voor de premium is, dan is het hier. Het miljoen-tokenvenster van Ling 3.1 Flash is, althans gedurende de lanceerperiode, een plafond geweest in plaats van een daadwerkelijk geleverd aantal — de endpoint gaf 256K, terwijl de aankondiging 1M adverteerde. ERNIE Light DT adverteert 1.024.000 en de vermeldingen tonen hetzelfde cijfer voor de context en 131.072 voor de output, zonder gedocumenteerde vermindering.

Of dat onderscheid standhoudt bij echt verkeer, is onbekend, omdat Baidu geen evaluatie met lange context heeft gepubliceerd. Niemand anders ook. Het enige bewijs voor lange context in beide families komt uit de leverancierstabel van ERNIE 5.5 Flash Base, die HELMET-RAG 71,5, HELMET-ICL 85,9, LongBench-v2 48,7 en InfiniteBench 46,5 vermeldt — Baidu's eigen cijfers, gemeten op een ander en veel groter model, en niet overdraagbaar op dit model.

Het argument voor Light DT komt dus neer op: een ongemeten model met een onbewezen lange-contextvoordeel, tegen vijfentwintig keer de inputprijs van een gemeten model dat ten minste een echte indexscore en een werkend endpoint heeft. Dat is geen sterke positie, en het is redelijk om dat ronduit te zeggen.

Waar elk echt beter in is

• Uitvoerplafond — Light DT op 131.072 tokens tegenover 262.144 bij Ling. Ling geeft je twee keer zoveel ruimte om te genereren, wat belangrijk is voor de synthese van lange teksten en agenttranscripten.

• Redeneerbesturing — Light DT biedt max, high, low en none, met max als standaard. Ling is een hybride reasoner met een aan/uit-schakelaar in plaats van een getrapte ladder; er is geen gedocumenteerde "none" die je een snelle, niet-denkende route geeft.

• Kosten bij elk volume — Ling bij elke verzoekgrootte. Er is geen workload waarin een 25x inputprijspremie wordt goedgemaakt door een contextvoordeel van twee procent (1.024.000 tegen 1.000.000 tokens).

• Bewijs — Ling, in beide richtingen: een onafhankelijke indexscore en een gepubliceerde architectuur met parameteraantallen. Light DT heeft geen van beide.

• Stabiliteit van de dienstverlening — Ling draait op Ants eigen infrastructuur plus platforms van derden; Light DT draait uitsluitend op Baidu's internationale endpoint. Een model met één provider kent geen failover, wat een inkooprisico is in plaats van een prestatierisico.

• Openheid — Ling's 1019-checkpoint werd eind oktober 2026 uitgebracht als open gewichten, zodat de architectuur inspecteerbaar is en het model zelf kan worden gehost. {{1}}Light DT{{/1}} heeft geen gewichten en geen modelkaart.

Dat laatste punt verdient nadruk. De Ling-reeks heeft een open artefact en een gesloten artefact, en met het open artefact kunt u de beweringen controleren. ERNIE Light DT biedt alleen de gesloten optie, op een model waarvan de centrale bewering — dat compressie de kwaliteit bij lange context behoudt — precies het soort ding is dat u onafhankelijk zou willen verifiëren.

Als je het nog steeds wilt proberen

Geen van beide modellen staat in de catalogus van OrcaRouter, dus dit is geen aanbeveling om je ergens aan te melden. Maar als het long-contextverhaal van Light DT relevant is voor je werk, is de manier om het te testen beperkt en goedkoop.

Stuur dezelfde prompt van meer dan 100.000 tokens twintig keer naar beide modellen, met vragen waarvan de antwoorden op verschillende diepten liggen — aan het begin, in het midden en aan het einde. Beoordeel de antwoorden zelf. Die test kost minder dan een dollar bij Ling en ongeveer drie dollar bij Light DT, en beslecht in één middag wat geen van beide leveranciers heeft gepubliceerd. Als Light DT de kwaliteit vasthoudt op het diepe eind waar Ling achteruitgaat, is de meerprijs gerechtvaardigd. Als beide achteruitgaan, heb je geleerd dat een contextvenster van een miljoen tokens in deze categorie een marketinggetal is, ongeacht wie het verkoopt.

Wat de uitkomst ook is, houd de overstap goedkoop. Een gerouteerd endpoint dat per aanvraag de prijzen van beide modellen toont — met de mogelijkheid om een deel van je verkeer naar het nieuwe model te sturen en het dezelfde dag weer terug te trekken — is de enige verstandige manier om een model te evalueren waarvoor geen gepubliceerd bewijs bestaat. Capaciteit inkopen op basis van alleen een tariefkaart is precies hoe teams er uiteindelijk 25 keer te veel voor betalen, voor een venster dat ze nooit vullen.