Ling-3.1-flash-1019 vs Ling-3.1-flash: zelfde grootte, zelfde prijs, een hogere tokenrekening

Als je per token huurt, Ling-3.1-flash-1019 is een gratis upgrade ten opzichte van Ling-3.1-flash. Beide staan vermeld tegen $0,30 per miljoen inputtokens en $0,90 per miljoen outputtokens, beide hebben een MIT-licentie, beide zijn mixture-of-experts-modellen met 560B parameters en 25B actief, en beide nemen 573,8 GB op schijf in beslag. Als je per voltooide taak betaalt, is de upgrade bijna 47% duurder: Artificial Analysis mat $1,49 per Intelligence Index-taak voor de 1019-build tegen $1,01 voor zijn voorganger, omdat het nieuwere model ongeveer 59% meer outputtokens genereert om tot zijn antwoorden te komen. De indexwinst van drie punten tussen beide — 44 tegenover 41 — is reëel. De vraag die deze pagina beantwoordt, is wie ervoor moet betalen.

De data zijn belangrijk voor het lezen van de rest. Ling-3.1-flash werd medio oktober onder MIT open source, met de repository aangemaakt op 13 oktober en de aankondiging van Ant die volgde op 15 oktober. De 1019-build werd op 22 oktober aangekondigd met een score en zonder download, en de gewichten ervan plus een basischeckpoint verschenen op 27 oktober. Dit is dus geen generatiekloof. Het is één post-training-run toegepast op dezelfde architectuur, vijf dagen na het nummer dat hem beschrijft uitgebracht.

Wat de twee checkpoints gemeen hebben

De overlap is groot genoeg dat de migratiekosten effectief nul zijn, wat het belangrijkste argument voor de nieuwere build is:

• Architectuur — 72 lagen, opgesplitst in 63 KDA lineaire-attentielagen en 9 gegate MLA-lagen in een verhouding van 7:1, plus 4 dichte lagen.

• Experts — 512 gerouteerd, 8 geactiveerd per token, 1 gedeeld; verborgen dimensie 4.096; vocabulaire 157.184.

• Gewichten op schijf — 573,8 GB aan FP8-safetensors verdeeld over 54 shards voor beide, volgens onze telling op basis van de bestandslijsten van de twee repositories.

• Licentie — MIT voor beide, inclusief commerciële redistributie.

• Prijs — $0,30 invoer, $0,90 uitvoer, $0,06 cache-lezen, een gemengd tarief van $0,19 bij een 7:2:1-mix van cache-hit/invoer/uitvoer.

• Opgegeven context — een venster van 1M tokens op beide modelkaarten; 262.144 posities en geen RoPE-scaling in beide config.json-bestanden.

Die laatste regel is het eerste dat je je eigen moet maken voordat je ze vergelijkt. Op papier bieden beide modellen een miljoen tokens. In de geleverde configuratie komen beide niet verder dan 256K, tenzij je een opschalingsschema toevoegt dat Ant niet heeft meegeleverd. De beperking is aan beide kanten identiek, dus ze beslist niet over de vergelijking — maar ze betekent wel dat geen van beide builds het miljoen-tokenmodel is dat op de kaarten wordt geadverteerd, en wie een werklast van 1M tokens plant, kiest tussen twee modellen die beide nog werk nodig hebben om daar te komen.

Waar de drie punten vandaan komen

Artificial Analysis meet zelf het verschil in de kop: 41 voor Ling-3.1-flash en 44 voor Ling-3.1-flash-1019 op Intelligence Index v4.3.2, waarbij het oudere model op de achtste plaats van 122 staat en het nieuwere op de vierde. Dat is een onafhankelijke meting van beide eindpunten, waardoor de delta van drie punten het meest betrouwbare getal in deze vergelijking is.

De uitsplitsing per benchmark is door de leverancier gerapporteerd en moet als zodanig worden gelezen — die is afkomstig uit de modelkaart van Ant, niet uit een publieke harness:

• AA-Briefcase — ongeveer 1.400 Elo tot 1.524 Elo. Dit is de benchmark voor artefacten voor kenniswerk, en een verschuiving van 124 punten is de grootste relatieve winst in de set.

• AutomationBench-AA — 62% naar 68%, een verbetering van zes punten op het gebied van agentische taakautomatisering.

• CritPt — 18% naar 26%, de grootste proportionele sprong: acht punten op een set natuurkundige redeneeropgaven waar de absolute scores voor iedereen laag zijn.

• SciCode — 54% tot 57%, de kleinste verschuiving van de vier, en degene die het voorzichtigst moet worden gewogen; Artificial Analysis geeft aan dat SciCode voor dit model onder herziening is.

Samen gelezen is het patroon consistent met wat Ant zegt dat het heeft gedaan: meer post-training op redeneren en meerstaps agentwerk, niet een nieuw capaciteitsoppervlak. De winst concentreert zich waar beslissingsketens lang zijn en waar een gedeeltelijk juist antwoord een deelscore oplevert. Ze is het dunst bij rechttoe rechtaan wetenschappelijke codegeneratie, precies waar je zou verwachten dat een post-training-refresh in plaats van een architectuurwijziging het minst verschuift.

De rekening: 59% meer denkwerk

Op dit punt zijn de twee modellen niet langer uitwisselbaar. Artificial Analysis registreerde 220M outputtokens voor de indexrun met Ling-3.1-flash en 350M voor de 1019-run — een verhouding van 1,59 — en plaatst de nieuwere build op de laatste plaats van 48 modellen wat verboseheid betreft, tegen een mediaan van 140M. De kosten om de index te voltooien stegen van $1,01 naar $1,49 per taak.

Schaal dat naar een workload. Bij 10.000 indexvormige taken wijzen de cijfers per taak op ongeveer $10.100 op de oudere checkpoint en $14.900 op de nieuwere. De tokenkant schaalt op dezelfde manier: een workload die 2,2 miljard outputtokens verbruikt op Ling-3.1-flash, zou bij de gemeten verhouding ongeveer 3,5 miljard verbruiken op de 1019-build, wat bij $0,90 per miljoen $1.980 tegenover $3.150 is. De rest van de kloof per taak komt uit input- en cacheprijzen, maar de richting wordt bepaald door het tokenaantal: je koopt drie indexpunten met ruwweg zes tienden extra antwoord per antwoord.

Of dat een goede ruil is, hangt af van de faalmodus waartegen je je indekt. In een agentloop waarin een verkeerde tool call een retry, het opnieuw lezen van de context of een menselijke beoordeling uitlokt, zijn 59% extra tokens goedkoop tegenover één vermeden lus. Bij classificatie, extractie, korte chats of elke grootschalige taak waarbij het antwoord een of twee zinnen is, is diezelfde verhouding pure overhead — en de index zal het nooit laten zien, omdat de index de moeilijke gevallen beloont waarop post-training was gericht.

De andere helft van het kostenplaatje is tariefstabiliteit. OrcaRouter zet 200+ modellen achter één sleutel met 0% opslag op de lijstprijs van de provider, dus een prijswijziging van een leverancier wordt dezelfde dag doorgegeven voor de modellen die we routeren. De Ling-lijn staat vandaag niet in die catalogus, wat betekent dat de bovenstaande cijfers het lijsttarief van Ant zijn en niets anders. Dat is precies waarom de rekensom per taak belangrijker is dan het tarief per token: het tarief is identiek tussen deze twee modellen, dus het kan je niet helpen kiezen.

Snelheid: er is één getal, en dat hoort bij het oudere model

Artificial Analysis mat Ling-3.1-flash op 215,7 outputtokens per seconde met een tijd tot het eerste token van 1,73 seconde, waarmee het qua snelheid zesde staat van de 78 modellen. Voor Ling-3.1-flash-1019 bevat dezelfde pagina geen cijfer voor de outputsnelheid — op het moment van meten was er geen openbaar beschikbare API om te meten, en de gewichten zijn pas vandaag verschenen. Welk model sneller is, is dus geen kwestie van mening; het is het enige van de twee met een meting.

Combineer dat met de tokenverhouding en je krijgt een verdedigbare schatting, duidelijk aangeduid als rekenwerk in plaats van een benchmark. Als beide builds met 215,7 tokens per seconde decodeerden, zou een antwoord van 1.000 tokens op Ling-3.1-flash ongeveer 4,6 seconden decodeertijd kosten; het equivalente antwoord van 1.590 tokens op de 1019-build zou ongeveer 7,4 seconden kosten. Tijd tot eerste token is een afzonderlijke variabele en kan beide kanten op bewegen. Het punt is dat een toename van 59% in tokens in termen van kloktijd niet gratis kan zijn, tenzij het nieuwere model ook betekenisvol sneller decodeert, en niemand heeft bewijs gepubliceerd dat dat zo is.

Zelfhosting: identieke footprint, andere README

Op je eigen hardware is de keuze eenvoudiger, omdat het deploymentdoel niet verandert. Beide checkpoints hebben dezelfde gedocumenteerde configuratie nodig — acht H200's met TP8 plus EP8, of vier GB300's met TP4 plus EP4 — en dezelfde SGLang day-0-image, met een vLLM-recept dat tensorparallelisme van 8, expertparallelisme en drie speculatieve tokens gebruikt. Omdat de architecturen en bestandsgroottes identiek zijn, is 1019 een drop-invervanging: wissel het pad naar de weights om, behoud de serving-stack, en niets anders in je infrastructuur hoeft het te weten.

Twee praktische waarschuwingen. Ten eerste wijst de Quickstart van de modelkaart van 1019 in de SGLang-opdracht nog steeds naar inclusionAI/Ling-3.1-flash en wordt in het clientvoorbeeld "model": "Ling-3.1-flash" verzonden; als je dat letterlijk kopieert, serveer je het model met 41 punten terwijl je denkt dat je het model met 44 punten test. Ten tweede is de basis-checkpoint die Ant samen met 1019 heeft uitgebracht Ling-3.1-flash-base — de basis van het oudere model, geen snapshot van 1019 vóór post-training. Als je van plan bent de upgrade te fine-tunen, zit het recept dat hem heeft voortgebracht niet in de download. Als je van plan bent om met een 560B-fundament onder MIT iets eigens te bouwen, is de basis het juiste startpunt en is het indexverschil tussen deze twee checkpoints voor jou irrelevant.

Zo heten ze: één naam, twee builds

Het API-verhaal is rommeliger dan het verhaal over de gewichten. De 1019-build is een checkpoint met datumstempel onder een naam die de meeste serveercode als dezelfde modelstring als zijn voorganger behandelt — inclusief de eigen voorbeelden van Ant, die Ling-3.1-flash naar beide sturen. Als je een gehost endpoint aanroept, leg de build dan expliciet vast, anders weet je niet welke heeft geantwoord. Artificial Analysis vermeldde op het moment van meten geen openbaar beschikbare API voor 1019, dus de beschikbaarheid loopt vandaag via de eigen API van de leverancier en verschillende platforms van derden in plaats van via een gevestigd, breed gespiegeld endpoint.

Die ambiguïteit is het sterkste argument voor self-hosting als je om reproduceerbaarheid geeft, en het sterkste argument om te wachten als je dat niet doet. Een model waarvan de naam de build niet identificeert, is een model dat je achteraf niet kunt auditen, en "44 op de index" is geen versienummer.

Welke, per functie

• Complex redeneerwerk en agentwerk over lange termijn — neem Ling-3.1-flash-1019. De winst is precies daar geconcentreerd, en de extra tokens zijn het mechanisme, niet een neveneffect.

• Hoogvolume-extractie, classificatie en korte chat — blijf op Ling-3.1-flash. Je zou 47% meer per taak betalen voor capaciteiten die die werklasten niet benutten.

• Latentiegevoelige producten — blijf op Ling-3.1-flash totdat er een onafhankelijk doorvoercijfer voor 1019 bestaat. Het is de enige van de twee met een gemeten snelheid.

• Fine-tuning of domeinaanpassing — begin met Ling-3.1-flash-base en negeer deze vergelijking. Geen van beide uitgelijnde checkpoints levert een trainingsrecept mee.

• Eén model, gemengd verkeer — Ling-3.1-flash-1019 als standaard, met de oudere build erachter voor de goedkope, korte verzoeken. De twee delen een architectuur, een prijs en een servingstack, dus verkeer tussen hen splitsen kost je operationeel niets.

Wat dit oordeel zou veranderen, is een gemeten decodeersnelheid voor de 1019-build. Als die aanzienlijk sneller blijkt dan 215,7 tokens per seconde, wordt de wall-clock-straf kleiner en wordt de tokenrekening het enige echte bezwaar. Als die gelijk of langzamer is, dan verschijnt de 59% twee keer — één keer op de factuur en één keer in de latentie — en wordt de zaak voor het draaien van beide checkpoints in plaats van alles in één keer te upgraden sterker. Totdat iemand dat aantal publiceert, is de eerlijke samenvatting dat Ling-3.1-flash-1019 kwaliteit koopt met tokens, en Ling-3.1-flash doorvoer verkoopt tegen hetzelfde tarief. Geen van beide is het verkeerde antwoord; het zijn verschillende producten met dezelfde architectuur.