Ling 3.0 Flash Fin: Ant Groups open-weights financiemodel, nu onafhankelijk beoordeeld

Ling 3.0 Flash Fin, het financieel gerichte mixture-of-experts-model van het inclu​sionAI-lab van Ant Group, heeft nu iets wat het de eerste drie weken miste: een benchmarkcijfer van iemand anders dan het lab dat het heeft gebouwd. Artificial Analysis heeft een onafhankelijke evaluatie van Ling 3.0 Flash Fin gepubliceerd, met een score van 23 op de Intelligence Index (v4.3) en 24 op de Finance & Accounting Index, en plaatst het op de intelligentie-versus-actieve-parameters-Pareto-grens van die index. Het model dook op 27 augustus 2026 op als een niet-aangekondigde gratis API-vermelding, en kreeg op 3 september zijn MIT-gelicentieerde gewichten; de externe score is de eerste echte controle of de finance-finetuning bovenop Ling 3.0 Flash iets oplevert — en die valt net iets anders uit dan de eigen framing van de leverancier suggereert.

De momentopname

Alles hieronder is afkomstig uit de modelkaart, de Hugging Face-repository en de evaluatie van Artificial Analysis. De eerste twee zijn door de leverancier geschreven; de derde niet.

• Wat het is — een op financiën gericht mixture-of-experts-model gebouwd op dezelfde ruggengraat als Ling 3.0 Flash: 124B totale parameters met ~5.1B actief per token.

Waar het zit — tekst-only, een contextvenster van 262,144 tokens en maximaal 32,768 uitvoertokens, dezelfde serving-vorm als die van zijn bovenliggende model.

• Wat het kost — $0 per 1M input en $0 per 1M output tijdens een gratis API-proefperiode van één maand die begon met de aankondiging van 28 augustus; Artificial Analysis vermeldt onafhankelijk dezelfde prijs van nul. Er is geen betaalde lijstprijs gepubliceerd. De BF16-gewichten zijn gratis te downloaden en zelf te hosten.

• Wat het doet — redeneren is standaard ingeschakeld en kan worden uitgeschakeld, function calling wordt ondersteund, en gestructureerde JSON-output wordt niet afgedwongen.

• Wat is er veranderd — een officiële lancering op 28 augustus met CICC, MIT-gelicentieerde BF16-gewichten op Hugging Face op 3 september naast de FinFIRST-benchmark, en op 16 september een eerste onafhankelijke score van Artificial Analysis.

• Wat het nog mist — een betaalde lijstprijs, en een door een derde partij uitgevoerde test van FinFIRST zelf.

Wat de modelkaart zegt

De modelkaart staat op Hugging Face onder de eigen org van inclu​sionAI, met de bijbehorende gewichten. De claims zijn nog steeds door de leverancier zelf opgesteld — Artificial Analysis meet het model en publiceert zijn eigen indexscores, maar voert de FinFIRST-suite van Ant niet opnieuw uit — lees de kaart dus als intentie en beschouw de benchmarkcijfers als die van Ant. Het beschrijft Ling 3.0 Flash Fin als het "eerste financieel versterkte model" van de familie, dat Ling 3.0 Flash uitbreidt "door voortgezette training op hoogwaardige financiële data", en richt de release op end-to-end financieel onderzoek, brononderbouwd zoeken, het redeneren over meerdere documenten in financiële filings, en waarderings- en spreadsheetworkflows.

• Architectuur — 124B totaal / ~5,1B actieve MoE, beschreven als gebouwd op Ling 3.0 Flash, dat zelf een hybride Ki​mi Delta Attention + MLA-stack gebruikt met 1/64 sparse MoE (door leverancier beschreven).

• Context — 262.144 tokens invoer, maximaal 32.768 tokens uitvoer.

• Modaliteit — tekst in, tekst uit; geen afbeelding, audio of video-invoer.

• Redeneren — standaard ingeschakeld, kan per verzoek worden uitgeschakeld.

• Tool calling — ondersteund, inclusief tools en tool_choice; geen response_format-ondersteuning, dus gepijpte JSON is niet gegarandeerd.

• Gewichten en licentie — MIT; de checkpoint is uitgebracht in BF16 (ongeveer 255 GB verdeeld over 64 shards) op Hugging Face als inclusionAI/Ling-3.0-flash-Fin, wat overeenkomt met de permissieve open-gewichtenstandaard van de familie.

• Serveren — de kaart zegt dat Fin dezelfde architectuur heeft als Ling 3.0 Flash en compatibel is met de SGLang- en vLLM-runtimes die het moedermodel al serveren. Die compatibiliteit is een bewering van de leverancier; het snelheidscijfer dat bestaat is van Artificial Analysis, niet van Ant.

Wat is er sinds de release veranderd — en wat is nog niet geverifieerd

De onzekerheden die drie weken geleden het zwaarst wogen, zijn opgelost. Ant Group kondigde Ling 3.0 Flash Fin op 28 augustus officieel aan in samenwerking met CICC, positioneerde het als het eerste model van de familie dat op finance is toegespitst en opende een gratis API-proefperiode van één maand. Vervolgens verscheen op 3 september de BF16-checkpoint op de Hugging Face-organisatie van inclu​sionAI onder een MIT-licentie — dezelfde permissieve voorwaarden als de rest van de Ling 3.0-familie — waardoor het model nu kan worden gedownload, zelf gehost en gefinetuned. De ontbrekende gewichten waren de allerbelangrijkste reden om voorzichtig te blijven; dat bezwaar is verdwenen.

De referentie voor het draaien van Fin is het hierboven weergegeven parentmodel. Omdat de twee modellen dezelfde architectuur delen, verwijst de Fin-kaart naar de deploymentgids van Ling 3.0 Flash in plaats van een tweede te publiceren, en er staat dat Fin compatibel is met de SGLang- en vLLM-runtimes die al het parentmodel bedienen. Dat wordt door de leverancier beweerd, niet aangetoond met een Fin-specifieke benchmark voor productieserving — hoewel Artificial Analysis Fin wel rapporteert op 162,4 outputtokens per seconde in zijn eigen harness, wat sneller is dan de mediaan van 115 die het bijhoudt voor vergelijkbare open-weightmodellen.

Wat deze release meer maakt dan een gewichtenrelease, is FinFIRST — Financial Information Retrieval, Sourcing and Traceability — de benchmark die Ant Group samen met het investmentbankingteam van CICC bouwde en dezelfde dag uitbracht. Hij test of een model de juiste data kan vinden, gezaghebbende primaire bronnen kan citeren, de berekening correct kan uitvoeren en achter het proces kan staan, en beoordeelt elk antwoord op 701 gedetailleerde punten die resultaat, proces en bewijs dekken. De set is klein maar streng: meer dan 50 financiële professionals schreven en valideerden de vragen, slechts 9,78% van de kandidaat-items overleefde de screening, en de 123 die overblijven zijn voor 61,8% berekeningsintensief en voor 32,5% meerbronnig. Omdat de vragen, referentieantwoorden en beoordelingscriteria openbaar zijn onder een Apache 2.0-licentie, geeft FinFIRST derden een gedeelde maatstaf om de claims van Ant mee te verifiëren. Een hulpmiddel voor onafhankelijk testen is echter geen vervanging daarvoor — en drie weken later heeft niemand buiten Ant een FinFIRST-run gepubliceerd.

Geld is nu het belangrijkste openstaande punt. De API is gratis tijdens de proefperiode van één maand, waardoor het einde van het gratis venster rond eind september ligt, en er is geen betaalde lijstprijs gepubliceerd — dus als je na dat punt voor Fin wilt budgetteren, blijft het gissen. Aan al het andere dat in augustus openstond, hangt een getal vast.

Waarom een op financiën afgestemde Ling 3.0 Flash een echte move is

De financiële richting is het minst verrassende aan deze release, omdat de modelfamilie daar al op aanstuurde. In de eigen modelcard-evaluatie van Ant voor Ling 3.0 Flash rapporteerde het lab 27% op τ3-Bench Banking — tweede onder open flash-class modellen, na DeepSeek V4 Flash — en de hoogste end-to-end Elo op GDPVal v2-AA met ruwweg 1.107. Dat zijn door de leverancier gerapporteerde cijfers van de generalist; een specialist is er om precies die cijfers omhoog te stuwen. Ant Group draait AI binnen Alipay, betalings-, risico- en beleggingsproducten, dus een op financiën afgestemd executiemodel is het verklaarde speelboek van de familie — 'planning-execution separation' — toegepast op de vertical waar het bedrijf daadwerkelijk geld verdient.

De screenshot hierboven laat zien hoe het onafhankelijke referentiepunt van de familie er in augustus uitzag: Artificial Analysis toonde Ling 3.0 Flash op 38 in een oudere build van zijn Intelligence Index. Dat cijfer is nu verouderd, en het is de moeite waard de reden te begrijpen voordat je het met iets vergelijkt. Artificial Analysis herberekent de scores van modellen wanneer het de index herziet, en de huidige v4.3-build zet Ling 3.0 Flash op 21 tegenover een mediaan van 8. De 38 is niet vergelijkbaar met een v4.3-getal — inclusief dat van Fin.

Wat v4.3 zegt, is interessanter dan een simpele downgrade. Ling 3.0 Flash Fin scoort 23 op die index — boven zijn eigen generalistische moedermodel op 21, en net achter Ling 3.0 Flash VL op 25. Op de Finance & Accounting Index eindigen Fin en de VL-variant gelijk op 24. Artificial Analysis plaatst Fin ook op de Pareto-frontier van de Intelligence Index tegenover actieve parameters: het evenaart de score van 23 van MiniMax-M2.7 terwijl het 5,1B parameters per token activeert, tegenover de 10B van dat model. De nuance snijdt ook de andere kant op — beide Ling-modellen liggen onder de frontier voor het totale aantal parameters, waar Qwen3.8 27B (xhigh) 34 scoort met 27B aan totale parameters.

De finance-tuning is evenmin een volledige overwinning. De bedrijfskennisnauwkeurigheid van Fin overtreft die van de VL-variant (17% tegen 11%), maar het hallucinatiepercentage is slechter (33% tegen 19%), en het blijft achter op de agentische maatstaven: 7% op AutomationBench-AA tegen 16%, 1.171 Elo tegen 1.225 op GDPval-AA v2, en 0% op Terminal-Bench v4.0 voor beide. Het verbruikt ook ruwweg 67.000 outputtokens per Intelligence Index-taak, ongeveer 34% meer dan VL. Dat is het profiel van een model dat hard op documentintensief financieel werk is gericht in plaats van op algemene agentische uitvoering — wat dicht in de buurt komt van wat Ant ervoor claimt, en beperkter is dan 'beter in financiën' klinkt.

Gratis proefperiode plus open weights — wat dat waard is

Een gratis API-proefperiode van een maand plus MIT-gelicentieerde gewichten is een wezenlijk betere positie dan de gratis, gewichtloze week die dit model aanvankelijk had. De mogelijkheid is tweeledig: verken de financiële finetuning op je eigen meerstapsinvesteringstaken tegen nul tokenkosten via de API, of download het BF16-checkpoint en draai — en fine-tune — het zelf. De waarschuwing is beperkter dan voorheen, maar ze is niet verdwenen. Eén onafhankelijke evaluatie is een echt signaal, geen productiegarantie, en wat ze laat zien, is een specialisatie die documentgebaseerde nauwkeurigheid koopt, ten koste van enige controle op hallucinaties en agentische uitvoering. Draai je eigen taken voordat je er geld via laat lopen.

Dit is precies de situatie waarvoor een routinglaag is gebouwd. Via één API die 200+ modellen aanstuurt, kun je Ling 3.0 Flash Fin op een testpad zetten met automatische failover naar een bewezen generalist — wanneer het nieuwe model ondermaats presteert of de gratis laag je een limiet oplegt, verschuift het verkeer zonder dat je applicatiecode hoeft aan te raken. Wanneer de proefperiode afloopt en er een listprijs komt, toont een router die providerprijzen met 0% marge doorgeeft het nieuwe bedrag dezelfde dag, zodat je kostenmodel wordt bijgewerkt zonder heronderhandeling. Probeer de specialist, houd het vangnet, en beslis op basis van data in plaats van verkooppraatjes.

Wie moet het laden?

Finance- en agentteams die workflows bouwen voor investeringsanalyse, onderzoek of langetermijnbeslissingen zijn de voor de hand liggende doelgroep, en ze vallen uiteen in twee kampen: teams die een kosteloze gehoste proef van de finance-finetuning willen voordat het gratis venster sluit, en teams die zelf willen hosten of finetunen, voor wie de open gewichten het punt zijn. Het Artificial Analysis-profiel maakt de match scherper — als je workload bestaat uit lange filings, reconciliatie van meerdere bronnen en onderbouwd onderzoek, dan zijn Fin's scores op jou gericht; als het gaat om agentisch toolgebruik onder krappe tokenbudgetten, dan lijken de VL-variant en het generalistische moedermodel beide sterker.

Sla het over als je afgedwongen JSON-uitvoer nodig hebt (het endpoint ondersteunt response_format niet), als je een betaalde, productieklare API met een bekende prijs nodig hebt, of als je in een gereguleerde context zit waarin noch een leverancierskaart noch één enkele index van een derde partij op zichzelf voldoende bewijs is. Het open-weights-bezwaar dat in augustus gold, geldt niet meer — de MIT-checkpoint staat op Hugging Face. Voor het best gedocumenteerde lid van de familie blijft Ling 3.0 Flash de veiligere standaard.

Wat te kijken

De watchlist van augustus telde vier items; drie zijn nu afgerond. Afgesloten: de officiële aankondiging (28 augustus), de weights-release (3 september, MIT) en een eerste onafhankelijke evaluatie (16 september, Artificial Analysis). Nog open, in volgorde van belangrijkheid: een run van FinFIRST door een derde partij, door iemand zonder belang bij Ant, die de eigen benchmark van de leverancier in neutrale omstandigheden zou testen; een betaalde listprijs, waardoor de rekensom van de proefperiode een budgetkwestie wordt; en Fin-specifieke productiecijfers voor serving op vLLM of SGLang, die de modelkaart op basis van de architectuur belooft maar die niemand heeft gepubliceerd.

De eerlijke status: Ling 3.0 Flash Fin is twintig dagen oud, open weights onder MIT-licentie, nog ongeveer tien dagen gratis op de API, en is nu minstens één keer onafhankelijk beoordeeld. In september is het opgehouden een black box te zijn — de gewichten zijn te downloaden, FinFIRST geeft de sector een gedeelde meetlat, en Artificial Analysis heeft een cijfer aan het model gehangen in plaats van aan zijn backbone. Wat vandaag echt is, is dat een op finance afgestemd lid van de snelst bewegende open-weight-familie in de markt gratis aan te roepen en gratis te draaien is, en dat de eerste externe meting zegt dat de specialisatie echt maar smal is. De eerste FinFIRST-score van een derde partij en de betaalde prijs zullen dit van een interessante release in een beslissing veranderen.