Ling 3.0 Flash Fin: finansowy model z otwartymi wagami od Ant Group, teraz niezależnie oceniony

Ling 3.0 Flash Fin, skupiony na finansach model typu mixture-of-experts z laboratorium inclusionAI Grupy Ant, ma teraz coś, czego brakowało mu przez pierwsze trzy tygodnie: wynik benchmarku od kogoś innego niż laboratorium, które go stworzyło. Artificial Analysis opublikowała niezależną ocenę Ling 3.0 Flash Fin, przyznając mu 23 punkty w Intelligence Index (v4.3) i 24 w Finance & Accounting Index oraz umieszczając go na granicy Pareto inteligencji względem liczby aktywnych parametrów tego indeksu. Model pojawił się jako niezapowiedziany wpis w darmowym API 27 sierpnia 2026 r., a 3 września otrzymał swoje wagi na licencji MIT; zewnętrzny wynik to pierwsze prawdziwe sprawdzenie, czy dostrajanie finansowe na bazie Ling 3.0 Flash cokolwiek daje — i wypada nieco inaczej, niż sugeruje własne ujęcie dostawcy.

Migawka

Wszystko poniżej pochodzi z karty modelu, repozytorium Hugging Face oraz oceny Artificial Analysis. Pierwsze dwa są autorstwa dostawcy; trzecie nie.

• Co to jest — model mieszanki ekspertów (mixture-of-experts) ukierunkowany na finanse, zbudowany na tym samym szkielecie co Ling 3.0 Flash: łącznie 124B parametrów, z czego ~5.1B aktywnych na token.

• Gdzie się znajduje — tryb tekstowy, okno kontekstu 262 144 tokenów i do 32 768 tokenów wyjściowych, identyczny sposób serwowania jak model nadrzędny.

• Ile to kosztuje — 0 USD za 1 mln tokenów wejściowych i 0 USD za 1 mln tokenów wyjściowych w ramach jednomiesięcznego bezpłatnego okresu próbnego API, który rozpoczął się wraz z ogłoszeniem z 28 sierpnia; Artificial Analysis niezależnie podaje tę samą zerową cenę. Nie opublikowano żadnej płatnej ceny katalogowej. Wagi BF16 można bezpłatnie pobrać i hostować samodzielnie.

• Co robi — rozumowanie jest domyślnie włączone i można je wyłączyć, obsługiwane jest wywoływanie funkcji, a strukturalne wyjście JSON nie jest wymuszane.

• Co się zmieniło — oficjalna premiera 28 sierpnia z CICC, wagi BF16 na licencji MIT na Hugging Face 3 września wraz z benchmarkiem FinFIRST, a 16 września pierwszy niezależny wynik od Artificial Analysis.

• Czego wciąż brakuje — płatnej ceny katalogowej oraz testu samego FinFIRST przeprowadzonego przez stronę trzecią.

Co mówi karta modelu

Karta modelu znajduje się na Hugging Face w organizacji inclu​sionAI, a za nią stoją wagi. Jej twierdzenia nadal pochodzą od dostawcy — Artificial Analysis mierzy model i publikuje własne wyniki indeksu, ale nie uruchamia ponownie zestawu FinFIRST firmy Ant — więc czytaj kartę jako deklarację intencji, a jej liczby benchmarkowe traktuj jako należące do Anta. Opisuje Ling 3.0 Flash Fin jako „pierwszy model rodziny wzmocniony finansowo”, rozszerzający Ling 3.0 Flash „poprzez kontynuowane trenowanie na wysokiej jakości danych finansowych”, a premierę koncentruje na kompleksowych badaniach finansowych end-to-end, wyszukiwaniu opartym na źródłach, rozumowaniu wielodokumentowym na podstawie dokumentów rejestracyjnych oraz procesach wyceny i pracy z arkuszami kalkulacyjnymi.

• Architektura — łącznie 124B / ~5,1B aktywnych parametrów MoE, opisana jako zbudowana na Ling 3.0 Flash, który sam wykorzystuje hybrydowy stos Kimi Delta Attention + MLA z rzadkim MoE 1/64 (według opisu dostawcy).

• Kontekst — 262 144 tokenów na wejściu, do 32 768 tokenów na wyjściu.

• Modalność — tekst na wejściu, tekst na wyjściu; brak wejścia obrazu, dźwięku lub wideo.

• Reasoning — domyślnie włączone, można wyłączyć na życzenie.

— Obsługa wywoływania narzędzi — wspierana, w tym tools i tool_choice; brak wsparcia dla response_format, więc przekazywane JSON nie jest gwarantowane.

• Wagi i licencja — MIT; checkpoint jest udostępniony w formacie BF16 (około 255 GB na 64 shardach) na Hugging Face jako inclusionAI/Ling-3.0-flash-Fin, co odpowiada permisywnemu standardowi otwartych wag tej rodziny modeli.

• Serwowanie — karta podaje, że Fin ma tę samą architekturę co Ling 3.0 Flash i jest zgodny ze środowiskami uruchomieniowymi SGLang i vLLM, które już obsługują model nadrzędny. Ta zgodność to deklaracja dostawcy; jedyny istniejący wynik dotyczący szybkości pochodzi od Artificial Analysis, a nie od Ant.

Co się zmieniło od wydania — a co wciąż pozostaje niezweryfikowane

Niewiadome, które trzy tygodnie temu miały największe znaczenie, zostały rozwiązane. Ant Group oficjalnie ogłosiła Ling 3.0 Flash Fin 28 sierpnia we współpracy z CICC, przedstawiając go jako pierwszy model z rodziny wzmocniony w obszarze finansów i otwierając jednomiesięczny bezpłatny okres próbny API. Następnie 3 września checkpoint BF16 pojawił się w organizacji inclu​sionAI na Hugging Face na licencji MIT — tych samych liberalnych warunkach co reszta rodziny Ling 3.0 — dzięki czemu model można teraz pobrać, hostować samodzielnie i dostroić. Brakujące wagi były największym powodem do zachowania ostrożności; ten zarzut już nie istnieje.

Materiałem referencyjnym dotyczącym uruchamiania Fin jest model nadrzędny pokazany powyżej. Ponieważ oba modele mają wspólną architekturę, karta Fin wskazuje na przewodnik wdrożeniowy Ling 3.0 Flash, zamiast publikować drugi, i stwierdza, że Fin jest zgodny ze środowiskami uruchomieniowymi SGLang i vLLM, które już obsługują model nadrzędny. Jest to twierdzenie dostawcy, a nie coś, co zademonstrowano za pomocą testu porównawczego produkcyjnego serwowania specyficznego dla Fin — choć Artificial Analysis rzeczywiście podaje, że Fin osiąga 162,4 tokena na sekundę na wyjściu w swoim własnym środowisku testowym, co jest szybsze niż mediana 115, którą śledzi dla porównywalnych modeli open-weight.

To, co czyni to wydanie czymś więcej niż tylko publikacją wag, to FinFIRST — Financial Information Retrieval, Sourcing and Traceability — benchmark, który Ant Group zbudował wraz z zespołem bankowości inwestycyjnej CICC i udostępnił tego samego dnia. Testuje, czy model potrafi znaleźć właściwe dane, zacytować autorytatywne źródła pierwotne, poprawnie przeprowadzić obliczenia i wziąć odpowiedzialność za proces, oceniając każdą odpowiedź w 701 szczegółowych punktach obejmujących wynik, proces i dowody. Zbiór jest mały, ale rygorystyczny: ponad 50 specjalistów ds. finansów napisało i zweryfikowało pytania, tylko 9,78% pozycji kandydujących przeszło wstępną selekcję, a wśród 123, które pozostały, 61,8% to pytania obliczeniowe, a 32,5% to pytania wieloźródłowe. Ponieważ pytania, odpowiedzi referencyjne i kryteria oceniania są publicznie dostępne na licencji Apache 2.0, FinFIRST daje stronom trzecim wspólną miarę do weryfikacji twierdzeń Ant Group. Jednak narzędzie do niezależnego testowania nie zastępuje samego testowania — a trzy tygodnie później nikt spoza Ant nie opublikował przebiegu FinFIRST.

Pieniądze to teraz główna otwarta kwestia. API jest bezpłatne przez jednomiesięczny okres próbny, co sprawia, że koniec darmowego okna przypada na okolice końca września, a nie opublikowano żadnej ceny katalogowej wersji płatnej — więc planowanie budżetu na Fin po tym terminie wciąż oznacza zgadywanie. Wszystko inne, co było otwarte w sierpniu, ma już przypisaną konkretną liczbę.

Dlaczego Ling 3.0 Flash dostrojony do finansów to prawdziwe posunięcie

Kierunek finansowy to najmniej zaskakujący aspekt tej premiery, bo rodzina modeli już wcześniej w tę stronę zmierzała. We własnej ocenie na karcie modelu Ling 3.0 Flash laboratorium Anta podało 27% na {{1}}τ3-Bench Banking{{/1}} — drugi wynik wśród otwartych modeli klasy flash, za DeepSeek V4 Flash — oraz najwyższe end-to-end Elo na {{2}}GDPVal v2-AA{{/2}}, wynoszące około 1107. To liczby raportowane przez producenta dla modelu ogólnego; model specjalistyczny istnieje po to, by właśnie te liczby podnieść. Ant Group wykorzystuje AI w Alipay, płatnościach, zarządzaniu ryzykiem i produktach inwestycyjnych, więc model wykonawczy dostrojony pod finanse to zadeklarowany plan działania rodziny — {{3}}"planning-execution separation"{{/3}} — zastosowany w pionie, w którym firma realnie zarabia.

Powyższy zrzut ekranu przedstawia, jak w sierpniu wyglądał niezależny punkt odniesienia rodziny: Artificial Analysis z Ling 3.0 Flash na poziomie 38 w starszej wersji swojego Intelligence Index. Ta wartość jest już nieaktualna, a powód warto zrozumieć, zanim porówna się ją z czymkolwiek. Artificial Analysis ponownie ocenia modele, gdy zmienia indeks, a jego obecna wersja v4.3 umieszcza Ling 3.0 Flash na poziomie 21 przy medianie 8. Wartości 38 nie można porównywać z liczbą z v4.3 — w tym z wynikiem Fin.

To, co mówi v4.3, jest ciekawsze niż zwykły downgrade. Ling 3.0 Flash Fin uzyskuje 23 punkty w tym indeksie — powyżej swojego własnego generalistycznego modelu nadrzędnego z wynikiem 21 i tuż za Ling 3.0 Flash VL z 25. W indeksie Finance & Accounting Fin i wariant VL remisują z wynikiem 24. Artificial Analysis umieszcza też Fin na granicy Pareto dla Intelligence Index względem aktywnych parametrów: dorównuje wynikowi 23 modelu MiniMax-M2.7, aktywując 5,1 mld parametrów na token w porównaniu z 10 mld tego modelu. Niuanse działają też w drugą stronę — oba modele Ling znajdują się poniżej granicy dla całkowitej liczby parametrów, gdzie Qwen3.8 27B (xhigh) uzyskuje 34 punkty przy 27 mld parametrów całkowitych.

Dostrojenie do finansów również nie jest czystym zwycięstwem. Dokładność wiedzy biznesowej Fin przebija tę w wariancie VL (17% wobec 11%), ale jego wskaźnik halucynacji jest gorszy (33% wobec 19%), a w miarach agentowych wypada słabiej: 7% w AutomationBench-AA wobec 16%, 1171 Elo wobec 1225 w GDPval-AA v2 oraz 0% w Terminal-Bench v4.0 w przypadku obu. Zużywa też około 67 000 tokenów wyjściowych na zadanie Intelligence Index, około 34% więcej niż VL. To profil modelu mocno nakierowanego na obfitującą w dokumenty pracę finansową, a nie ogólne wykonywanie zadań agentowych — co jest bliskie temu, co twierdzi o nim Ant, i węższe, niż sugeruje „lepszy w finansach”.

Darmowy okres próbny plus otwarte wagi — co to jest warte

Miesięczny darmowy okres próbny API plus wagi na licencji MIT to istotnie lepsza pozycja niż darmowy, pozbawiony wag tydzień, jaki ten model miał na początku. Możliwości są dwie: przetestować dostrojenie finansowe na własnych wieloetapowych zadaniach inwestycyjnych przy zerowym koszcie tokenów w API albo pobrać checkpoint BF16 i uruchomić — oraz dostroić — go samodzielnie. Ostrożność jest węższa niż wcześniej, ale nie zniknęła. Jedna niezależna ocena to prawdziwy sygnał, a nie gwarancja produkcyjna, a pokazuje specjalizację, która kupuje dokładność opartą na dokumentach kosztem pewnej utraty kontroli nad halucynacjami i wykonywaniem zadań agentowych. Uruchom własne zadania, zanim przepuścisz przez to pieniądze.

To jest dokładnie ta sytuacja, dla której powstała warstwa routingu. Poprzez jedno API obsługujące ponad 200 modeli możesz umieścić Ling 3.0 Flash Fin na ścieżce testowej z automatycznym przełączeniem awaryjnym na sprawdzonego generalistę — gdy nowy model nie spełnia oczekiwań lub darmowy plan ogranicza cię limitami, ruch przełącza się bez dotykania kodu aplikacji. Gdy okres próbny się kończy i pojawia się cena katalogowa, router, który przekazuje ceny dostawców przy 0% marży, pokazuje nową kwotę tego samego dnia, więc twój model kosztów aktualizuje się bez renegocjacji. Wypróbuj specjalistę, zachowaj siatkę bezpieczeństwa i decyduj na podstawie danych, a nie tekstów sprzedażowych dostawcy.

Kto powinien to załadować?

Zespoły finansowe i zespoły agentów budujące przepływy pracy do analiz inwestycyjnych, badań lub decyzji długoterminowych to oczywista grupa docelowa, a dzielą się one na dwa obozy: zespoły, które chcą bezpłatnego hostowanego testu dostrojenia finansowego, zanim zamknie się darmowe okno, oraz zespoły, które chcą samodzielnie hostować lub dostrajać, dla których otwarte wagi są kluczowe. Profil Artificial Analysis zaostrza dopasowanie — jeśli Twoje obciążenie to długie dokumenty, uzgadnianie wielu źródeł i badania ze źródłami, wyniki Fin są skierowane do Ciebie; jeśli jest to agentowe korzystanie z narzędzi przy ciasnych budżetach tokenów, wariant VL i nadrzędny model ogólnego przeznaczenia wyglądają na mocniejsze.

Pomiń go, jeśli potrzebujesz wymuszonego wyjścia JSON (endpoint nie obsługuje response_format), jeśli potrzebujesz płatnego, produkcyjnego API o znanej cenie albo jeśli działasz w regulowanym kontekście, w którym ani karta dostawcy, ani pojedynczy indeks strony trzeciej nie stanowi samodzielnie wystarczającego dowodu. Zastrzeżenie dotyczące otwartych wag, które miało zastosowanie w sierpniu, już nie obowiązuje — checkpoint na licencji MIT jest dostępny na Hugging Face. W przypadku najlepiej udokumentowanego przedstawiciela rodziny Ling 3.0 Flash pozostaje bezpieczniejszym domyślnym wyborem.

Co obejrzeć

Sierpniowa lista obserwacyjna liczyła cztery pozycje; trzy są już zrealizowane. Zamknięte: oficjalne ogłoszenie (28 sierpnia), wydanie wag (3 września, MIT) i pierwsza niezależna ocena (16 września, Artificial Analysis). Nadal otwarte, w kolejności ważności: uruchomienie FinFIRST przez stronę trzecią, przez kogoś, kto nie ma żadnego interesu w Ant, co pozwoliłoby przetestować własny benchmark dostawcy na neutralnym gruncie; płatna cena katalogowa, która zamienia kalkulację okresu próbnego w kwestię budżetu; oraz liczby dotyczące produkcyjnego serwowania specyficzne dla Fin na vLLM lub SGLang, które karta obiecuje ze względu na architekturę, ale których nikt nie opublikował.

Uczciwy stan: Ling 3.0 Flash Fin ma dwadzieścia dni, ma otwarte wagi na licencji MIT, jest bezpłatny w API przez około kolejne dziesięć dni i został już co najmniej raz niezależnie oceniony. We wrześniu przestał być czarną skrzynką — wagi można pobrać, FinFIRST daje branży wspólną miarę, a Artificial Analysis podało liczbę dla modelu, a nie dla jego szkieletu. Realne dzisiaj jest to, że dostrojony do finansów przedstawiciel najszybciej rozwijającej się rodziny modeli z otwartymi wagami na rynku jest darmowy w wywołaniu i darmowy w uruchomieniu, oraz że pierwszy zewnętrzny pomiar mówi, że specjalizacja jest autentyczna, ale wąska. Pierwszy wynik FinFIRST od strony trzeciej i cena wersji płatnej zamienią to z interesującego wydania w decyzję.