ERNIE Light DT 1.0 kontra Ling 3.1 Flash: 25-krotna różnica cen w tej samej klasie wagowej

Dwa chińskie modele klasy szybkiej, oba wyłącznie tekstowe, oba reklamujące okno miliona tokenów, oba zbudowane wokół trików rzadkiej uwagi, aby długi kontekst pozostał przystępny cenowo — a jeden z nich kosztuje dwadzieścia pięć razy więcej za token wejściowy niż drugi. ERNIE Light DT 1.0, opublikowany przez Baidu 10 listopada 2026 r., ma cennik na poziomie 1,13 USD za milion tokenów wejściowych i 3,94 USD za milion tokenów wyjściowych. Ling 3.1 Flash, będący ogłoszoną 30 września 2026 r. przez Ant Group mieszaniną ekspertów o 560 miliardach parametrów, ma cennik 0,045 USD i 0,135 USD w tych samych jednostkach i ma niezależny wynik 41 w Artificial Analysis Intelligence Index.

To nie jest skromna różnica, którą można zbyć jakością kontekstu. To największa różnica ceny za token między dwoma modelami w tej klasie, jakie obecnie sprzedaje którakolwiek z tych pracowni, i wymaga wyjaśnienia, zanim ktokolwiek podpisze zamówienie zakupu.

Najtańszy sposób, by zobaczyć problem: jedno żądanie, dwa rachunki

Weź pojedyncze wywołanie tego rodzaju, do którego te modele istnieją — zestaw pobranych dokumentów liczący 120 000 tokenów z odpowiedzią liczącą 2000 tokenów, uruchomione raz.

Na ERNIE Light DT 1.0 to zapytanie kosztuje 120 000 × 1,13 USD/1 mln plus 2000 × 3,94 USD/1 mln, co daje 0,1356 USD plus 0,0079 USD, czyli około 14,4 centa.

W modelu Ling 3.1 Flash to samo żądanie kosztuje 120 000 × 0,045 USD/1 mln plus 2 000 × 0,135 USD/1 mln, co daje 0,0054 USD plus 0,00027 USD, czyli około 0,57 centa.

Oba modele twierdzą, że spełniają to zapytanie. Jeden z nich jest dwadzieścia pięć razy tańszy w obsłudze. Przy dziesięciu tysiącach takich zapytań dziennie różnica wynosi 1356 dolarów dziennie wobec 57 dolarów — około 39 000 dolarów miesięcznie wobec 1700 dolarów.

Istnieją tylko trzy możliwe wyjaśnienia. Albo Baidu wie coś o jakości, czego nie opublikował, albo schemat kompresji daje coś, czego architektura Linga nie daje, albo cena jest wartością zastępczą, która ulegnie zmianie. Reszta tego tekstu dotyczy tego, które z nich jest właściwe.

Czym każde z nich tak naprawdę jest

• Ling 3.1 Flash — hybrydowy model MoE z rozumowaniem od Ant Group, około 560 mld parametrów łącznie i około 25 mld aktywnych na token, wejście i wyjście tekstowe, z laboratorium inclusionAI. Ogłoszony 30 września 2026 r. i dostępny przez własne API Ant oraz w jego produktach konsumenckich. Deklaracja marketingowa mówi o limicie 1 mln tokenów; to, co endpoint faktycznie obsługiwał w momencie premiery, to 256 000, a obecne międzynarodowe oferty wskazują na kontekst 1 000 000 tokenów z maksymalnie 262 144 tokenami wyjścia.

• ERNIE Light DT 1.0 — endpoint Baidu niższej klasy, wpisany 10 listopada 2026, zbudowany na otwartoźródłowej architekturze G​LM z badaniami z linii „Lightning” wyszukiwarki Baidu, wykorzystujący Baidu Sparse Attention oraz sterowany informacją zwrotną schemat kompresji historii. Kontekst 1 024 000 tokenów, maksymalna długość wyjścia 131 072 tokeny, tylko tekst. Cztery poziomy intensywności rozumowania, wywoływanie narzędzi, ustrukturyzowane dane wyjściowe.

Liczby parametrów nie są porównywalne — Ling nie opublikował danych Light DT, więc uczciwym stwierdzeniem jest, że jedna strona ma znane łącznie 560B, a druga pozostaje nieujawniona. Porównywalny jest kształt: oba są rzadkie, oba są wyłącznie tekstowe, oba są ukierunkowane na pracę z długim kontekstem i dużym wolumenem.

Rzadka uwaga, dwukrotnie, z dwóch różnych powodów

Historie o architekturze brzmią podobnie, co sprawia, że różnicę cenową trudniej, a nie łatwiej wyjaśnić.

Ling 3.1 Flash angażuje 25 miliardów z 560 miliardów swoich parametrów na każdy token. To zagranie na pojemność: utrzymać bardzo duży zasób wiedzy stale w pamięci i prowadzić przez niego wąską ścieżkę, dzięki czemu zyskujesz wiedzę o świecie dużego modelu przy koszcie obliczeniowym małego modelu. Zapewnienie o długim kontekście wynika z tego samego projektu — jeśli każdy krok jest tani, utrzymywanie długiej sekwencji otwartej jest mniejszym obciążeniem.

Historia ERNIE Light DT dotyczy pamięci, a nie pojemności. Baidu twierdzi, że model „poprawia przechowywanie i indeksowanie informacji historycznych” dzięki sterowanej sprzężeniem zwrotnym kompresji historii, „znacząco zmniejsza koszty przechowywania i obliczeń pamięci podręcznej KV, zachowując wydajność modelu” i pozwala utrzymywać dłuższe konteksty „po niższym koszcie”. Zwróć uwagę na sformułowanie: niższy koszt dla operatora. To twierdzenie dotyczy rachunku Baidu za serwowanie modelu, a niekoniecznie Twojego.

W tym tkwi sedno. Każdy schemat kompresji w tej klasie — Heavily Compressed Attention Baidu w ERNIE 5.5, rzadka uwaga mikroblokowa Qwena, własny routing Linga — obniża koszt kontekstu na token ponoszony przez dostawcę. To, czy dostawca przekazuje tę oszczędność dalej, jest decyzją komercyjną, a Baidu zdecydowało się tego nie robić. Pobiera premię cenową dokładnie za tę możliwość, którą — jak twierdzi — uczyniło tańszą.

To nie musi automatycznie oznaczać złej wiary. Opracowanie i walidacja schematu kompresji, który zachowuje jakość przy milionie tokenów, są kosztowne, a dostawca może w ten sposób odzyskiwać koszty badań. Oznacza to jednak, że kupujący płaci za możliwość, której ekonomika miała rzekomo się poprawić, a poprawa nie jest widoczna w cenniku.

Niezależna ocena Ling i co mówi ona o tym poziomie

Ling 3.1 Flash uzyskuje 41 punktów w Artificial Analysis Intelligence Index. To rzeczywisty pomiar zewnętrzny, a nie wykres dostawcy, i plasuje model w górnej połowie szybkiej klasy — wyraźnie powyżej modeli z większymi budżetami marketingowymi, ale poniżej czołowych małych modeli. Wynikowi towarzyszy zastrzeżenie istotne dla porównania kosztów: Ling to gadatliwy model rozumujący. Wcześniejsza ewaluacja modelu wykazała, że zużywał około 220 mln tokenów wyjściowych podczas przechodzenia przez ewaluacje indeksu, znacznie powyżej mediany dla swojej półki cenowej, i średnio kilka minut na zadanie. Tanie tokeny, które model zużywa swobodnie, wciąż mogą się kumulować — ale przy 0,135 USD za milion tokenów wyjściowych nawet hojne rozumowanie pozostaje niedrogie.

ERNIE Light DT 1.0 nie ma żadnego wyniku. Ani liczby od dostawcy, ani niezależnej. Baidu opublikował cennik i akapit tekstu opisującego mechanizm — i na tym poprzestał. W przypadku modelu z wyższą ceną przybycie z zerowymi dowodami jest najszkodliwszym faktem w tym porównaniu — nie dlatego, że prawdopodobnie jest zły, ale dlatego, że kupujący nie może odróżnić „niezmierzonego” od „niekonkurencyjnego”, a cena nie daje żadnej taryfy ulgowej.

Limit kontekstu to jedyne pole, na którym Baidu ma przestrzeń do dyskusji.

Jeśli istnieje uzasadnienie dla wersji premium, to właśnie tutaj. Milionowe okno tokenów Ling 3.1 Flash było — przynajmniej w okresie premiery — pułapem, a nie faktycznie udostępnianą wartością: punkt końcowy zwracał 256K, podczas gdy w ogłoszeniu reklamowano 1M. ERNIE Light DT reklamuje 1 024 000, a jego wpisy podają tę samą wartość dla kontekstu i 131 072 dla danych wyjściowych, bez udokumentowanego zmniejszenia.

Nie wiadomo, czy ta różnica przetrwa kontakt z rzeczywistym ruchem, ponieważ Baidu nie opublikował żadnej oceny długiego kontekstu. Nikt inny również. Jedyny dowód dotyczący długiego kontekstu w obu rodzinach pochodzi z tabeli dostawcy ERNIE 5.5 Flash Base, która podaje HELMET-RAG 71,5, HELMET-ICL 85,9, LongBench-v2 48,7 i InfiniteBench 46,5 — to liczby samego Baidu, dotyczące innego i znacznie większego modelu, nieprzenośne na ten model.

Argument za Light DT sprowadza się więc do tego: niezmierzony model z niezweryfikowaną przewagą w długim kontekście, przy dwudziestopięciokrotnie wyższej cenie wejściowej niż zmierzony model, który przynajmniej ma prawdziwy wynik indeksu i działający endpoint. To nie jest mocna pozycja i można to powiedzieć wprost.

W czym każde z nich jest naprawdę lepsze

• Limit generowania — Light DT na poziomie 131,072 tokenów w porównaniu z 262,144 w Ling. Ling daje dwukrotnie więcej miejsca na generowanie, co ma znaczenie w przypadku syntezy długich tekstów i transkrypcji agentów.

• Sterowanie rozumowaniem — Light DT udostępnia opcje max, high, low i none, przy czym domyślna jest max. Ling to hybrydowy model rozumujący z przełącznikiem włącz/wyłącz, a nie stopniowaną drabinką; nie ma udokumentowanej opcji „none”, która zapewnia szybką ścieżkę bez rozumowania.

• Koszt przy dowolnym wolumenie — Ling przy każdym rozmiarze zapytania. Nie ma obciążenia, w którym 25-krotna premia w cenie wejściowej zostaje zrekompensowana przez dwuprocentową przewagę kontekstu (1 024 000 wobec 1 000 000 tokenów).

• Dowody — Ling, w obu kierunkach: niezależny wynik indeksu i opublikowana architektura z liczbą parametrów. Light DT nie ma ani jednego, ani drugiego.

• Stabilność obsługi — Ling działa na własnej infrastrukturze Anta oraz platformach zewnętrznych; Light DT działa wyłącznie na międzynarodowym punkcie końcowym Baidu. Model oparty na jednym dostawcy nie ma mechanizmu przełączania awaryjnego, co stanowi ryzyko zakupowe, a nie wydajnościowe.

• Otwartość — punkt kontrolny Ling 1019 został udostępniony jako otwarte wagi pod koniec października 2026 r., więc architekturę można sprawdzić, a model można hostować samodzielnie. Light DT nie ma wag ani karty modelu.

Ten ostatni punkt zasługuje na podkreślenie. Linia Ling ma otwarty artefakt i zamknięty, a ten otwarty pozwala sprawdzić twierdzenia. ERNIE Light DT oferuje tylko opcję zamkniętą, w modelu, którego główne twierdzenie — że kompresja zachowuje jakość przy długim kontekście — jest dokładnie tym, co chciałbyś zweryfikować niezależnie.

Jeśli nadal chcesz tego spróbować

Żaden z tych modeli nie znajduje się w katalogu OrcaRouter, więc nie jest to rekomendacja, by gdziekolwiek się zapisywać. Ale jeśli długi kontekst Light DT ma znaczenie dla Twojej pracy, można to przetestować w wąskim i tanim zakresie.

Wyślij ten sam prompt o długości ponad 100 000 tokenów do obu modeli dwadzieścia razy, z pytaniami, których odpowiedzi są zakopane na różnych głębokościach — blisko początku, w środku i na końcu. Oceń odpowiedzi samodzielnie. Ten test kosztuje poniżej dolara w Ling i około trzech dolarów w Light DT, a rozstrzyga w ciągu jednego popołudnia to, czego nie opublikował żaden z dostawców. Jeśli Light DT utrzymuje jakość na dużych głębokościach, tam gdzie Ling się pogarsza, wyższa cena ma uzasadnienie. Jeśli oba się pogarszają, dowiedziałeś się, że okno miliona tokenów to liczba marketingowa w tej klasie, niezależnie od tego, kto je sprzedaje.

Niezależnie od wyniku, dbaj o to, by podmiana była tania. Endpoint z routingiem, który udostępnia ceny obu modeli w przeliczeniu na żądanie — z możliwością skierowania ułamka ruchu do nowego modelu i wycofania go tego samego dnia — to jedyny rozsądny sposób oceny modelu bez opublikowanych dowodów. Kupowanie przepustowości wyłącznie na podstawie cennika to właśnie sposób, w jaki zespoły kończą, przepłacając 25-krotnie za okno, którego nigdy nie zapełnią.