Ling-3.0-flash: Wat we nu weten over Ant Group's open-gewicht snelle-laag MoE
Guides & Insights

Ling-3.0-flash: Wat we nu weten over Ant Group's open-gewicht snelle-laag MoE

Auteur

jinhao.song

Publicatiedatum

Nieuwste modellen · 20Bekijk alle modellen →
Benchmarks: Artificial Analysis · dagelijks bijgewerkt
Terug naar alle berichten

Ling-3.0-flash — de snelle MoE-tier van Ant Groups InclusionAI, aangekondigd op 24 juli 2026 en op 7 augustus open-source gemaakt onder MIT — heeft nu een concrete implementatieroute voor één apparaat. Op 27 oktober publiceerde NVIDIA een technisch recept waaruit blijkt dat de FP4-build van het model 53,89 tokens per seconde decodeert op één DGX Spark, een stijging van 42,5% ten opzichte van 37,81 tok/s, over alle 1.319 GSM8K-vragen, met een statistisch ongewijzigde nauwkeurigheid. Dat zijn NVIDIA's eigen metingen op zijn eigen hardware, geen onafhankelijke uitvoering door een derde partij, en ze gelden voor batchgrootte 1. Ze vervangen de onderstaande cijfers van de gehoste API niet. Ze veranderen de voorheen vage "single-DGX-Spark-implementatieroute" van het model wel in een gepubliceerde configuratie met een baseline, een protocol en een gedocumenteerde faalmodus.

Het model zelf is niet veranderd. Het is een native hybride-reasoning mixture-of-experts met 124B totale parameters en 5,1B actief per token, gebouwd als de snelle, goedkope laag van de Ling-familie; de MIT-gelicenseerde gewichten staan sinds 7 augustus op Hugging Face en ModelScope. Wat sinds de augustusversie van deze post is veranderd, is de context eromheen. De evaluatie van Artificial Analysis, waarnaar deze post in augustus verwees, scoorde Ling-3.0-flash op 38 op zijn Intelligence Index en plaatste het op de open-weights Pareto-frontier voor intelligentie versus totale parameters. De livepagina van AA markeert het model nu als deprecated ten gunste van Ling-3.1-flash, verwijst lezers daarheen en toont geen actuele Intelligence Index meer. De 38 is nog steeds de laatste onafhankelijke score die deze checkpoint heeft gekregen; het is geen live getal.

Deze herziening neemt de meting van DGX Spark uit oktober op en corrigeert de onderdelen van het augustusbericht die zijn veranderd — de huidige snelheidscijfers van AA en de deprecatiestatus ervan — terwijl de bronlabels intact blijven. Waar Ant Group of NVIDIA de enige bron voor een cijfer is, zegt de zin dat.

Kort samengevat. Ling-3.0-flash is Ant Groups snelle open-weight MoE: 124B totaal / 5,1B actief, MIT-licentie, 256K native context (262K zoals aangeboden). Het is niet langer de nieuwste Ling — AA markeert het als verouderd ten gunste van Ling-3.1-flash — maar het blijft beschikbaar, gedocumenteerd en heeft nu een gemeten recept voor één apparaat. NVIDIA's configuratie van 27 oktober voor DGX Spark haalt 53,89 tok/s bij batchgrootte 1 op GSM8K, +42,5% ten opzichte van zijn eigen baseline, volgens de leverancier. Op de gehoste API vermeldt AA momenteel 243 output-tok/s en een time-to-first-token van 2,79 s. Nog steeds alleen van de leverancier: Ants claim van 1.100+ tok/s piekdoorvoer, het TTFT-cijfer onder 100 ms en de benchmarktabel op de modelkaart. De prijsstelling van de eigen API is $0,075 in / $0,22 uit per 1M tokens (80% korting bij cachehits); de gratis tier bij de lancering eindigde op 3 augustus en de promotie van 75% korting op Ling Studio eindigde op 31 augustus.

Belangrijkste conclusies

• Het is de snelle/goedkope laag, niet het vlaggenschip. Het 1T-parameter-vlaggenschip van de vorige generatie blijft InclusionAI's grootste model; Ling-3.0-flash is het kleinere, snellere broertje, gericht op tekst met grote volumes en tool-calling.

• De gewichten zijn nog steeds open onder MIT. Ze verschenen op 7 augustus op Hugging Face (inclusionAI/Ling-3.0-flash) en ModelScope, en de MXFP4-build die NVIDIA documenteert voor de DGX Spark wordt geleverd naast de BF16- en FP8-checkpoints.

• De onafhankelijke score is nu historisch. De AA-run waarnaar deze post in augustus verwees, gaf het een score van 38, 24 punten hoger dan Ling-2.6-flash, en plaatste het op de Pareto-frontier voor open gewichten; AA's live pagina markeert het model nu als verouderd ten gunste van Ling-3.1-flash en toont geen actuele Intelligence Index.

Snelheid heeft drie referentiepunten, en die zijn niet uitwisselbaar. AA vermeldt momenteel 243 output tok/s op de gehoste API; NVIDIA meet 53,89 tok/s op één DGX Spark bij batchgrootte 1; Ant claimt nog steeds 1.100+ tok/s op gespecificeerde clusterhardware.

De prijzen zijn vastgesteld en de promoties zijn voorbij. $0,075 in / $0,22 out per 1 miljoen tokens met 80% korting bij cache-hits; het gratis introductieniveau eindigde op 3 augustus en de periode met 75% korting op Ling Studio eindigde op 31 augustus.

• Het is één onderdeel van een familie van drie modellen. InclusionAI verdeelt zijn aanbod in Ling (algemene tekst- en tool-MoE, dit model), Ring (redeneren) en Ming (multimodaal).

Een opmerking over hoe je deze update moet lezen: het is een herziening van de preview van 24 juli en de herziening van 8 augustus daarvoor. Het DGX Spark-resultaat van 27 oktober is het nieuwe materiaal; de AA-correcties zijn administratieve opschoning zodat de post niet verwijst naar een live score die niet meer bestaat. Elke specificatie, benchmark en prijs hieronder is voorzien van een bronlabel.

Wat we eigenlijk weten

De architectuur is volledig gedocumenteerd op de modelkaart. Ling-3.0-flash gebruikt een native hybride lineaire attention-stack — Kimi Delta Attention (KDA) en Gated MLA-lagen die elkaar afwisselen in een verhouding van 5:1 (35 KDA + 7 MLA, 42 lagen in totaal), met fijnmazige diagonale gating in KDA — bovenop een 1/64 sparse MoE (512 gerouteerde experts, 8 geactiveerd per token, plus één gedeelde expert). Zo bereikt het 124B totale parameters met slechts 5,1B actief. Het contextvenster is native 256K, geserveerd op 262.144 tokens in de inferentierecepten, en Ant beweert dat de architectuur schaalt naar 1M. De maximale uitvoerlengte is niet bekendgemaakt. Het model is alleen tekst met ondersteuning voor tool-calling; multimodale invoer zit in de aparte Ming-lijn.

Het lab publiceert twee gewichtsformaten — BF16 (ongeveer 255GB) en FP8 (ongeveer 128GB) — en op de modelkaart staan links naar door de community gekwantiseerde varianten. Het DGX Spark-recept gebruikt een derde: een MXFP4-build die past binnen het 121GB aan unified memory van het apparaat. De eigen deploymentrecepten van het lab zijn gericht op SGLang en vLLM; NVIDIA's Spark-pad gebruikt een SGLang-build van InclusionAI met de Humming MoE-backend toegevoegd.

Beschikbaarheid: open gewichten onder MIT

Op 7 augustus heeft het InclusionAI-team van Ant Group de modelgewichten onder de MIT-licentie open source gemaakt op Hugging Face (inclusionAI/Ling-3.0-flash) en ModelScope. Dat is een permissieve, commercieel bruikbare licentie — dezelfde waaronder Ling 2.0 en Ling 2.6 zijn uitgebracht — en het betekent dat je Ling-3.0-flash zelf kunt hosten, fine-tunen en implementeren in plaats van het via een API te huren. Het model is ook aanroepbaar via Ant's eigen developer-API en verschillende platforms van derden. Voor een model in de snelle klasse in deze prijsklasse is de interessante vraag niet langer of je het zelf kunt hosten; het is of één apparaat van 121 GB genoeg is. InclusionAI's Ling Cookbook bevat nu een DGX Spark-notebook die gezamenlijk aan Ant Group en NVIDIA wordt toegeschreven, en de MXFP4-checkpoint die het gebruikt, is samen met de andere formaten gepubliceerd. De onderstaande sectie is het eerste gemeten antwoord op die vraag.

Onafhankelijke scores: een resultaat uit augustus, nu historisch

De grootste enkele verandering ten opzichte van het bericht van juli was dat er onafhankelijke cijfers verschenen. De evaluatie van Artificial Analysis, waarnaar dit bericht in augustus verwees, gaf Ling-3.0-flash een score van 38 op de Intelligence Index — 24 punten boven de vorige generatie in de snelle tier, Ling-2.6-flash (14), en gelijk aan MiMo-V2.5 en Qwen 3.6 27B, terwijl het een fractie van hun parameters activeert. AA plaatste het model ook op de open-weights Pareto-frontier voor intelligentie versus totale parameters: op dat moment scoorde geen enkel open-weightsmodel met minder totale parameters hoger. De leider in de flash-tier onder open-weightsmodellen bij AA, DeepSeek V4 Flash, scoorde nog hoger (Index 52 bij maximale redeneerinspanning).

Dat record is sindsdien ingetrokken in plaats van herroepen. De livepagina van AA voor Ling-3.0-flash markeert het model nu als verouderd ten gunste van Ling-3.1-flash, verwijst lezers naar het nieuwere model en toont geen actuele Intelligence Index. De 38 blijft de laatste onafhankelijke score die dit checkpoint heeft ontvangen; lees die als een gedateerd resultaat, niet als een actuele ranglijst. Als u vandaag een Ling-model kiest, is de vergelijking die u moet maken met Ling-3.1-flash, dat AA momenteel dekt.

De agentic- en long-contextresultaten van die evaluatie waren ook richtinggevend sterk. Op AA's τ3-Bench Banking-suite scoorde Ling-3.0-flash 27%, tweede onder de flash-tier open-weights-modellen na DeepSeek V4 Flash (39%). Op GDPval-AA v2 bereikte het een Elo van 1108, tegen 545 voor Ling-2.6-flash. Ant trainde het model in meer dan 10.000 interactieve omgevingen (volgens de leverancier) en positioneert het als een uitvoeringsnode voor agentworkflows — snel, goedkoop en wegwerpbaar, waarbij het zware redeneerwerk aan een groter vlaggenschip wordt overgelaten.

Eén voorbehoud bij de bronvermelding: de benchmarktabel op de modelkaart van Ant — SWE-Bench Pro 56,6, SWE-bench Multilingual 72,4, MathArena AIME 2026 93,2, HLE 22,7 — is door de leverancier gerapporteerd en niet onafhankelijk gereproduceerd. Beschouw het als de eigen claims van het lab, in dezelfde categorie als de pieksnelheidscijfers hieronder.

Snelheid: drie getallen, drie verschillende opstellingen

Het snelheidsverhaal heeft nu drie getallen, en het eerste dat je moet doen is ophouden ze als dezelfde meting te behandelen.

Op de gehoste API vermeldt Artificial Analysis momenteel 243 outputtokens per seconde en een tijd tot het eerste token van 2,79 s. Dat is lager dan de 368 tok/s en 1,98 s die dit bericht in augustus rapporteerde — het providerpanel en de runs van AA veranderen, en de live pagina is vandaag de pagina om naar te verwijzen. Het model staat nog steeds bijna bovenaan in zijn snelheidsklasse.

Op één enkele DGX Spark rapporteert NVIDIA 53,89 decode-tokens per seconde bij batchgrootte 1 op GSM8K, een winst van 42,5% ten opzichte van zijn eigen baseline. Dat is een lokaal cijfer voor één gebruiker, niet vergelijkbaar met een API-doorvoercijfer en geen resultaat voor gelijktijdigheid. De volgende sectie werkt dit uit.

Op gespecificeerde clusterhardware claimt Ant een gemiddelde uitvoersnelheid van meer dan 1.100 tokens per seconde en een time-to-first-token van minder dan 100 ms met een hiërarchische cachinglaag gebouwd op SGLang HiCache en Mooncake. Dat blijft uitsluitend van de leverancier afkomstig — gemeten op hardware en batchopstellingen die Ant zelf beheert, zonder gepubliceerde onafhankelijke herhaling. Gebruik voor planning het AA-cijfer voor gehost werk, het NVIDIA-cijfer voor één Spark, en beschouw 1.100+ tok/s als een plafond dat je op je eigen workload moet verifiëren.

Eén DGX Spark: wat de 42,5% eigenlijk meet

Op 27 oktober publiceerde de technische blog van NVIDIA een recept voor het serveren van Ling-3.0-flash-fp4 op één DGX Spark — het GB10-desktopsysteem met 121 GB uniform geheugen — en de Ling Cookbook van InclusionAI bevat de bijbehorende notebook, met gezamenlijke vermelding van Ant Group en NVIDIA. Ant Groups eigen verslag beschreef het werk als een technische samenwerking met NVIDIA. Dit is een zorgvuldige benchmark in plaats van een demo: alle 1.319 GSM8K-vragen, five-shot chain-of-thought, batchgrootte 1, temperatuur 0,6, top-p 0,95, top-k 29 en een limiet van 32.768 tokens.

De baseline is een W4A8-build die wordt geserveerd met FlashInfer's MXFP4 MoE-kernels, CUTLASS dense GEMM en een 32-bits LM-head. Op die baseline draait decode op 37,81 tok/s. Met drie gestapelde wijzigingen draait het op 53,89 tok/s — de 42,5% uit de kop. De gemiddelde tijd per outputtoken daalt van 26,45 ms naar 18,56 ms (−29,8%), de gemiddelde end-to-end latency van 15,21 s naar 11,49 s (−24,5%), P50 van 8,36 s naar 6,11 s en P95 van 50,20 s naar 38,60 s. De GSM8K-nauwkeurigheid gaat van 96,89% naar 96,82%, een verschil van 0,08 punt dat NVIDIA beschrijft als niet statistisch detecteerbaar. De gemiddelde tijd tot het eerste token is vrijwel gelijk, 0,207 s naar 0,214 s. Dit zijn decode-winsten, geen prefill-winsten.

De drie wijzigingen richten zich op verschillende kosten:

Humming MXFP4 MoE-kernels vervangen de FlashInfer-backend. Humming compileert kernels tijdens runtime met NVRTC voor de exacte vormen van het model — inclusief de smalle MoE-tussenliggende grootte van 768 breed — en slaat ze op in ~/.humming/cache. In NVIDIA's synthetische test verhoogt het alleen al de doorvoer met 9,3%.

• Online FP8-kwantificatie van de LM-head. De head blijft BF16 in het checkpoint en de 157.184 × 2.560 GEMM leest bij elk token het volledige gewichtsblok; kwantisering naar FP8 bij het laden halveert die leesbewerking. Het wordt ingeschakeld met SGLANG_ENABLE_FP8_LM_HEAD=1, wat conflicteert met de --enable-fp32-lm-head van de baseline, en voegt 11,4% toe bovenop Humming alleen.

• NEXTN-voorspelling van meerdere tokens. De ingebouwde NEXTN-laag van het model stelt drie tokens voor en verifieert een venster van vier tokens. Op GSM8K is de gemiddeld geaccepteerde conceptlengte 2,68 tokens per ronde.

Er staat een tweede, opvallender getal in dezelfde post: een synthetische workload van 32K-in / 2K-out bij batchgrootte 1 stijgt van 36,09 naar 102,88 tok/s, +185,1%. NVIDIA zelf waarschuwt om dit niet te generaliseren. Die run gebruikte greedy decoding, een vaste output van 2K en repetitieve tekst; de acceptatie bereikte 3,90 tokens per ronde tegenover 2,68 op GSM8K. Het GSM8K-cijfer van 42,5% is het cijfer waarop je moet plannen. De 185,1% is een synthetisch best-caseplafond.

Eén operationele valkuil is belangrijker dan de snelheidswinst. FP8 LM-head-kwantisatie en MTP werken alleen samen als het draftmodel de volledige LM-head-module van het doelmodel deelt, en niet alleen de gewichtstensor ervan. Zonder die interface valt het framework stilzwijgend terug, worden FP8-gewichten als BF16 gelezen, zakt de acceptatie naar 1.00 en kan het uiteindelijk langzamer zijn dan de niet-geoptimaliseerde baseline. NVIDIA adviseert om bij het opstarten te valideren dat elke optimalisatie actief is, in plaats van dat af te leiden uit latere timings.

Wat dit verandert voor een lezer: het single-Spark-pad is niet langer een leveranciersslide. Het is een gepubliceerd recept met een baseline, een meetprotocol en een vermelde faalmodus — genoeg om op je eigen apparaat te reproduceren of te verwerpen. Wat het niet verandert: het is nog steeds NVIDIA's eigen meting, op één apparaat, met batchgrootte 1, voor decode. Het zegt niets over gelijktijdige serving, throughput bij lange context of de gehoste API. En het is specifiek voor de FP4-build; de BF16- en FP8-checkpoints hebben andere geheugen- en bandbreedteprofielen.

Prijzen: goedkoop, en de actie is voorbij.

Artificial Analysis vermeldt de first-party-API op $0,075 per 1M inputtokens en $0,22 per 1M outputtokens, met cachehits op $0,015 (−80%) — allemaal door de leverancier vastgestelde prijzen. De gratis tier bij de lancering (500.000 gratis tokens/dag, gratis API-toegang) eindigde op 3 augustus. De tijdelijke periode van 75% korting op Ling Studio liep tot en met 31 augustus 2026; sinds 1 september geldt de lijstprijs. Zelfs tegen de volledige lijstprijs plaatsen $0,075/$0,22 Ling-3.0-flash stevig in de goedkope tier voor een model met een Index van 38 in die evaluatie.

Bij zulke lage prijzen wegen de overstapkosten zwaarder dan de prijs per token. Het is de taak van OrcaRouter om de gehoste kant van die vergelijking eerlijk te houden: één API voor meer dan 200 modellen, lijstprijzen van providers doorgegeven met 0% opslag, en automatische failover tussen providers. Een lokale DGX Spark-implementatie moet een echte, actuele marktprijs verslaan, niet een leveranciersslide — en wanneer een gehoste provider zijn prijs wijzigt, laat de doorberekening dat dezelfde dag op dezelfde sleutel zien.

De familie Ling / Ring / Ming

Ling-3.0-flash bestaat niet op zichzelf — InclusionAI organiseert zijn releases in drie benoemde families, elk gericht op een andere taak. Ling is de algemene MoE-lijn voor alledaagse tekstgeneratie en tool-calling, en Ling-3.0-flash zit aan het snelle/goedkope uiteinde, een stap onder het 1T-parameter-vlaggenschip van de vorige generatie. Ring is de op redeneren gerichte lijn, gebouwd voor meerstaps chain-of-thought. Ming is de multimodale lijn. Als je taak zwaarder redeneren of beeldinvoer vereist, is het juiste InclusionAI-model waarschijnlijk niet Ling-3.0-flash — het is gebouwd voor volume en snelheid binnen het tekst- en toolspoor.

Voor wie het is: vier scenario's

Latentiegevoelige tekst- of tool-aanroeppipelines met een hoog volume.

Dit is het thuisveld van het model. Met een MIT-licentie, een gepubliceerd single-Spark-recept en een gedateerde onafhankelijke Index van 38 is de gok voor de snelle tier testbaar in plaats van hypothetisch: laat je eigen evaluatieset erdoorheen lopen, of haal de gewichten op en host zelf. Bouw alleen niet rond het plafond van 1.100+ tok/s van de leverancier voordat je het op je eigen workload hebt gemeten.

{{1}}2. Teams die lange context willen binnen een beperkt budget{{/1}}

Een native context van 256K (262K geserveerd) met een aangegeven pad naar 1M, tegen $0.075/$0.22, is een aantrekkelijke combinatie voor retrieval-intensief werk of documentverwerking. De long-contextcijfers op de modelkaart zijn door de leverancier gerapporteerd, dus zet het model op de shortlist naast gevestigde long-contextopties en verifieer op je eigen corpus voordat je je vastlegt.

3. Waarnemers die het China's MoE-landschap en de InclusionAI-roadmap volgen.

De vraag van juli — zou InclusionAI open blijven? — heeft nu een antwoord: ja, MIT, en snel. Dat Ling-3.0-flash op de AA Pareto-grens belandde met 5,1B actief was één datapunt. Het DGX Spark-recept van oktober is een tweede: een 124B-model dat decodeert aan 53,89 tok/s op één desktopmachine bij batchgrootte 1, met het recept gepubliceerd.

4. Teams met één DGX Spark op het bureau

Als je de box al bezit, is NVIDIA's recept de eerste configuratie die het kopiëren waard is: MXFP4-build, InclusionAI's SGLang-fork, Humming MoE-kernels, een FP8 LM-head en NEXTN MTP. Beschouw het als de meting van één leverancier bij batchgrootte 1, en valideer bij het opstarten dat de FP8- en MTP-onderdelen daadwerkelijk actief zijn — het faalpatroon van stille terugval is reëel. Als je geen Spark hebt, is het recept een datapunt over wat 121GB aan unified memory oplevert, geen reden om er een te kopen.

Wat is er nog onbevestigd?

Een korte lijst, nu de grote hiaten zijn gedicht. De pieksnelheidsclaims van Ant (1.100+ tok/s, TTFT onder 100 ms) hebben nog steeds geen onafhankelijke hermeting. De benchmarktabel op de modelkaart blijft door de leverancier gerapporteerd. De FP4/INT4-builds en het single-DGX-Spark-pad zijn niet langer vaag — NVIDIA publiceerde de configuratie en InclusionAI levert de notebook — maar de cijfers 53,89 tok/s en 96,82% zijn NVIDIA's eigen metingen op één apparaat bij batchgrootte 1, niet een reproductie door een derde partij. De onafhankelijke score is historisch: de evaluatie waarnaar deze post in augustus verwees, gaf het 38, en de livepagina markeert het model nu als verouderd ten gunste van Ling-3.1-flash. En wat kennis betreft: de Omniscience Index uit die evaluatie liet zien dat de verbetering ten opzichte van de vorige generatie grotendeels via abstentie kwam — hallucinatie daalde (97% → 44%) terwijl de nauwkeurigheid slechts licht steeg (16% → 18%) — dus vergis je niet: de opvallende sprong in de Index is geen kennisleap over de hele linie.

Wanneer het niet te gebruiken

Sla Ling-3.0-flash over voor multimodaal werk — dat is de Ming-lijn. Sla het over als je een zwaar reasoning-flagship nodig hebt in plaats van een snelle uitvoerder — dat is Ring's domein. Als je van plan bent zelf te hosten, begroot dan voor de echte hardware: BF16 is ongeveer 255 GB, FP8 ongeveer 128 GB, en de MXFP4-build is degene die op een DGX Spark van 121 GB past. Als je een Ling-model vers kiest in plaats van een bestaande deployment te onderhouden, vergelijk dan eerst met Ling-3.1-flash; AA heeft zijn dekking daarheen verplaatst. En als een bewering voor je belangrijk is, verifieer die dan — de cijfers voor pieksnelheid en lange context zijn van Ant totdat een onafhankelijk lab ze opnieuw uitvoert.

Veelgestelde vragen

Is Ling-3.0-flash open gewicht?

Ja. De gewichten zijn op 7 augustus als open source vrijgegeven onder de MIT-licentie, op Hugging Face (inclusionAI/Ling-3.0-flash) en ModelScope. Dat is een permissieve, commercieel bruikbare licentie — dezelfde waaronder ook Ling 2.0 en Ling 2.6 zijn uitgebracht.

Hoe presteert Ling-3.0-flash op benchmarks?

De evaluatie van Artificial Analysis, waarnaar dit bericht in augustus verwees, gaf het een score van 38 op de Intelligence Index, 24 punten hoger dan Ling-2.6-flash, en plaatste het op de open-weights Pareto-frontier voor intelligentie versus totale parameters. De livepagina van AA markeert het model nu als verouderd ten gunste van Ling-3.1-flash en toont geen actuele Intelligence Index, dus 38 is een historisch resultaat. De benchmarktabel op de modelkaart van Ant (bijvoorbeeld SWE-Bench Pro 56.6) is door de leverancier gerapporteerd en is niet onafhankelijk gereproduceerd.

Hoe snel is het echt?

Er zijn drie verschillende getallen voor drie verschillende opstellingen. AA vermeldt momenteel 243 outputtokens per seconde en een time-to-first-token van 2,79 s op de gehoste API. NVIDIA rapporteert 53,89 decode-tok/s bij batchgrootte 1 op één DGX Spark. Ant claimt 1.100+ tok/s en een TTFT van minder dan 100 ms op gespecificeerde clusterhardware. Alleen het AA-cijfer is onafhankelijk; de andere twee zijn leveranciersmetingen op verschillende hardware.

Wat kost Ling-3.0-flash?

AA vermeldt de first-party API op $0,075 per 1 miljoen inputtokens en $0,22 per 1 miljoen outputtokens, met een korting van 80% bij cachehits. Het gratis introductieniveau eindigde op 3 augustus, en de tijdelijke periode van 75% korting op Ling Studio eindigde op 31 augustus 2026.

Wat is het verschil tussen Ling, Ring en Ming?

Ling is de algemene MoE-lijn van InclusionAI voor tekst en tool-calling, en Ling-3.0-flash bevindt zich aan het snelle/goedkope uiteinde daarvan. Ring is de op redeneren gerichte lijn. Ming behandelt multimodale taken. Het zijn afzonderlijke families voor verschillende taken, geen niveaus van één model.

Kan Ling-3.0-flash op één enkele DGX Spark draaien?

Ja. NVIDIA publiceerde op 27 oktober een recept voor de MXFP4-build op één DGX Spark (121 GB geünificeerd geheugen), met Humming MXFP4-kernels, een FP8 LM-head en NEXTN multi-tokenvoorspelling. Er wordt gerapporteerd dat de decodeersnelheid 53,89 tok/s bedraagt bij batchgrootte 1 over 1.319 GSM8K-vragen, een winst van 42,5%, met een nauwkeurigheid van 96,82%. De resultaten zijn van NVIDIA zelf, niet onafhankelijk gereproduceerd, en gelden alleen bij batchgrootte 1; het combineren van FP8 met MTP vereist dat de draft de volledige LM-head deelt, anders kan de doorvoer onder de niet-geoptimaliseerde baseline zakken.

Moet ik vandaag Ling-3.0-flash in productie gebruiken?

Het is een volwassen open-weightmodel, maar niet langer de nieuwste Ling: AA markeert het als verouderd ten gunste van Ling-3.1-flash. Als je al Ling-3.0-flash draait, is het DGX Spark-recept een concrete optimalisatie die het waard is om te reproduceren. Als je een nieuwe keuze maakt, vergelijk dan met Ling-3.1-flash en draai je eigen evaluatieset; de MIT-licentie en de prijs van $0,075/$0,22 maken het nog steeds een geloofwaardige goedkope tier.

Kortom

Ling-3.0-flash is niet langer de nieuwste Ling, en de livepagina van AA zegt dat ook. Wat het heeft dat de meeste open-weight modellen nooit krijgen, is een gemeten configuratie voor één apparaat: één DGX Spark, 53,89 decode tok/s bij batchgrootte 1, 96,82% op GSM8K, met de baseline, het protocol en de faalmodus erbij gepubliceerd. Lees de 42,5% als NVIDIA's eigen resultaat in plaats van als een onafhankelijk oordeel, en lees de augustusindex van 38 als geschiedenis. Binnen die grenzen blijft het model een geloofwaardige lokale optie voor de snelle tier; als je helemaal opnieuw begint, is de vergelijking die je eerst moet maken die met Ling-3.1-flash.