Ling-3.1-flash: o MoE de 560B que o Ant Group disponibiliza, mas não abriu

A resposta curta para o que é o Ling-3.1-flash: um modelo de linguagem de mistura de especialistas com raciocínio híbrido da linha Ant Ling do Ant Group, com cerca de 560 bilhões de parâmetros totais e aproximadamente 25 bilhões ativos em cada token, uma janela que o fornecedor limita a 1 milhão de tokens mas disponibiliza hoje em 256.000, texto de entrada e texto de saída, e sem pesos para download. O modelo foi anunciado em 2026-09-30 e está em produção no produto próprio da Ant e na API própria da Ant. Essa data é onde esta página começa e onde termina: é o fato que fixa a idade do modelo, não um lançamento que este artigo esteja noticiando. O que um leitor que pesquisa por Ling-3.1-flash precisa é do estado do modelo no dia em que o lê, e, no dia em que isto foi escrito, o estado dos pesos ainda era "não publicado".

Três fatos fazem a maior parte do trabalho. Os pesos não foram divulgados, e o próprio anúncio da Ant diz quando pretende divulgá-los. O número de contexto que circula — 1M — é um teto, não o que o endpoint entrega, que é 256K. E a especificação é possível conhecer, enquanto o preço após a janela promocional não é. Tudo abaixo tem fontes e, quando um número é da própria Ant e não de terceiros, isso é indicado.

Uma observação sobre onde reside o estado deste modelo. O anúncio da Ant de 30 de setembro de 2026 é o documento que traz a arquitetura e a condição de pesos abertos, e não é algo que o fornecedor atualiza. As páginas que de fato são mantidas — as páginas do modelo Ling e a página de preços no site de desenvolvedores da Ant, cada uma com a marca "Última atualização em 8 de outubro de 2026" — trazem os parâmetros, os números de contexto e o preço. Quando esses dois divergem, ou quando o anúncio diz mais do que a documentação, esta página indica qual dos dois está citando.

O que é o Ling-3.1-flash e quem o publica

Ling-3.1-flash pertence à família Ling — a linha de linguagem de propósito geral da Ant Ling, o programa de modelos que o Ant Group executa e publica por meio de seu laboratório inclusionAI (a entidade operacional indicada no site do desenvolvedor é a Ant Intelligence (Hang Zhou) Technology Co., Ltd.). A família divide-se em três frentes: Ling para trabalho de linguagem geral, Ring para raciocínio profundo e Ming para compreensão e geração omnimodais. Ling-3.1-flash é o carro-chefe do ramo Ling, posicionando-se acima do Ling-3.0-flash, que permanece no catálogo como a opção mais barata e rápida.

A Ant o posiciona de forma restrita e consistente: tarefas do mundo real de horizonte longo, trabalho de escritório que vai de um pedido vago a um entregável finalizado, engenharia de software que se estende por horas e ciclos de agentes que chamam ferramentas em sequência e se autocorrigem. O próprio resumo do fornecedor sobre a proposta é que ele mantém cerca de 560B de capacidade enquanto paga por cerca de 25B por passo, de modo que o conhecimento de mundo e a profundidade de raciocínio permanecem, enquanto a computação por token não. É o sucessor do Ling-3.0-flash no mesmo espaço, não um novo nível.

Os pesos foram liberados? Não — e a Ant nomeou a condição

Este é o fato mais contestado sobre o modelo, e a resposta hoje é inequívoca: os pesos não são publicados. Não há repositório Ling-3.1-flash no Hugging Face sob a organização inclusionAI, nem ficha de modelo, nem texto de licença, nem arquivo de checkpoint; uma busca nos repositórios públicos da organização retorna a geração Ling-3.0 e anteriores, e nenhuma entrada 3.1. O ModelScope, onde a Ant espelha seus lançamentos, também não tem modelo Ling-3.1-flash. Também não há receita de implantação para ele: o próprio repositório Ling Cookbook do fornecedor no GitHub, com último push em 2026-10-12, o dia anterior a esta página, contém receitas de implantação local e de quantização para Ling-3.0-flash, Ling-3.0-flash-VL, Ling-3.0-flash-Fin e Ling-3.0-tiny, e nada para Ling-3.1-flash. O avaliador independente Artificial Analysis classifica o modelo como proprietário, e sua FAQ responde "Não" à pergunta se o modelo é de código aberto.

O que a Ant fez foi anexar uma condição à abertura, e ela é mais específica do que "em breve". O anúncio afirma que o período gratuito atende a um contexto de 256K, e que, depois que o período gratuito terminar e o modelo passar a ser um serviço pago, o plano é abrir a janela de 1M e tornar o modelo de código aberto ao mesmo tempo. Portanto, a sequência descrita pelo fornecedor é: teste em 256K, depois serviço pago de até 1M, com os pesos sendo liberados nessa transição. Isso é um plano, não uma data, e nenhuma data foi publicada. Trate qualquer alegação de que "Ling-3.1-flash tem pesos abertos" como errada até que exista um repositório; trate o plano como a intenção declarada do fornecedor, não como um evento.

Tamanho e arquitetura: 560B no total, 25B ativos, sete camadas lineares para cada camada global

A Ant publica a arquitetura em um nível de detalhe que torna os números verificáveis entre si, em vez de apenas citados:

• Parâmetros totais — cerca de 560B, segundo o fornecedor, inalterado em toda a documentação.

• Parâmetros ativos — cerca de 25B por token, uma taxa de esparsidade próxima de 1 em 22.

• Roteamento de especialistas — 512 especialistas roteados, dos quais cada token seleciona 8, além de um especialista compartilhado que todos os tokens usam. Trata-se de um pool de especialistas consideravelmente mais amplo do que a geração anterior, que usava um corpo muito menor. A contagem de especialistas, a seleção de 8 de 512 e a proporção de atenção de 7:1 vêm do anúncio, e não da página do modelo; a página do modelo informa os parâmetros e os números de contexto.

• Atenção — uma pilha híbrida que dá continuidade ao design de atenção linear do Ling-3.0-flash, com a parcela linear aumentada: 7 camadas KDA (Kimi Delta Attention) para cada 1 camada Gated MLA, de modo que uma camada em cada oito mantém um caminho de atenção global. O caminho KDA é o de tempo linear, voltado para sequências longas.

• Predecessor em escala — Ling-3.0-flash roda com 124B no total e 5,1B ativos em uma pilha híbrida de 42 camadas, então Ling-3.1-flash tem aproximadamente quatro vezes e meia o corpo, com aproximadamente cinco vezes a ativação por token.

Vale dizer claramente, porque Ant também diz isso: nada disso se converte diretamente em custo de implantação. A taxa de transferência, a latência e a memória dependem do hardware, da precisão numérica, do tamanho do lote, da comunicação entre especialistas, do comprimento do contexto e do comprimento da saída. A arquitetura explica por que o modelo pode existir nesse tamanho; ela não diz quanto custará uma requisição.

Janela de contexto e saída máxima

A janela é onde mora o erro de leitura mais comum. A documentação da Ant a apresenta como dois números em uma linha: a janela vai até 1M tokens, e o serviço oficial atualmente expõe 256K. O anúncio dá o motivo nas palavras do próprio fornecedor — o teste gratuito dura duas semanas, o comprimento do serviço durante ele é 256K e, quando o teste terminar e o modelo passar para serviço pago, o plano é abrir a janela de 1M e tornar o modelo open-source ao mesmo tempo. A documentação e o anúncio concordam quanto ao número disponibilizado, e ambos são da Ant. A superfície do produto está atrás de um login, então o próprio controle de comprimento máximo do Ling Studio não é algo que esta página poderia confirmar hoje; se você precisar do limite exato antes de dimensionar um pipeline, leia-o no studio depois de fazer login, em vez de aceitar um número de segunda mão para isso.

Artificial Analysis lista a janela de contexto como 1M. Esse é o teto declarado, não o que uma requisição recebe atualmente, e é o número que mais circula e que mais frequentemente está errado na prática. Se você está dimensionando um pipeline, dimensione-o para 256K e trate 1M como um item de roadmap sem data de publicação.

O máximo de saída é um número que a Ant não publica por modelo. O que o fornecedor publica é a superfície de requisição: o max_tokens do endpoint compatível com a Anthropic tem valor padrão de 32.000, a referência compatível com a OpenAI não lista nenhum limite de saída por modelo, e chamadas sem streaming expiram em 90 segundos. Se a sua tarefa precisa de uma única geração longa, a orientação do próprio fornecedor é usar streaming em vez de aumentar um limite que ele não documenta.

O que recebe e o que devolve

Texto de entrada, texto de saída. O Ling-3.1-flash não é um modelo multimodal, e vale ser explícito porque a família contém um que é: o Ling-3.0-flash-VL é o modelo de visão, aceitando nativamente entrada de imagem, texto e vídeo pela mesma plataforma, e a documentação multimodal do fornecedor foi escrita para esse modelo. O Ling-3.1-flash aparece na tabela de especificações Ling do fornecedor sem qualquer modalidade de entrada além de texto, e a página do avaliador independente para ele registra apenas entrada e saída de texto, e o classifica entre os modelos de raciocínio, e não entre os de visão. Se você precisar enviar uma imagem para um modelo Ling hoje, o próprio guia de seleção do fornecedor aponta para o Ling-3.0-flash-VL, não para este.

Declarações do fornecedor versus avaliação independente

Existem dois tipos de número para Ling-3.1-flash e eles não são intercambiáveis.

O anúncio da própria Ant é intitulado como uma atualização de modelo para tarefas do mundo real, e é cuidadoso quanto ao que seus números representam. As áreas de avaliação nomeadas são GDPVal-AA V2.1 para trabalho de escritório, HealthBench Professional para comunicação médica, FrontierSWE para engenharia, Terminal-Bench 4.0 para operação de terminal, além de automação, análise de segurança, perguntas e respostas sobre bases de código e tarefas de agentes financeiros — e os números por benchmark estão em imagens de gráficos, e não em uma tabela de texto. Até hoje, a Ant não publicou essas pontuações individuais em um formato que qualquer pessoa possa citar linha por linha, e esta página não vai inventar uma tabela para elas. O que a Ant declara em texto são três resultados de engenharia de horizonte longo, todos reportados pelo fornecedor, todos com base nas definições de tarefas do próprio fornecedor, e todos rotulados como os números de comparação "listados na documentação", em vez de uma comparação direta pareada: um compilador de Lua para x86-64-ELF construído do zero em cerca de 17 horas de execução contínua, com 178 de 182 testes independentes aprovados, cerca de 97,8%, contra 99,0% do Claude Fable 5 e 95,9% do GLM-5.3-Flash na mesma tarefa, conforme a listagem do fornecedor; uma passagem de otimização do Pyright 1.1.400 de aproximadamente 10 horas, alcançando um ganho de velocidade de 1,432× com todos os 2.279 testes de benchmark e de regressão passando, contra Claude Fable 5 a 1,502× e GLM-5.3-Flash a 1,290×; e uma reimplementação em Rust de uma biblioteca de imagens em C levando cerca de 20 horas, passando em todas as 30 verificações a 8,015×, contra GLM-5.3-Flash a 1,396× e Claude Fable 5 a 27,310×. Essas três tarefas não são avaliadas em comparação direta com esforço e harness equivalentes — os números dos concorrentes são citações do próprio fornecedor, não execuções controladas por ele —, então leia-as como o relato do fornecedor sobre sua própria suíte de tarefas, e não como um ranking em igualdade de condições. A Ant também relata que o modelo encontrou e corrigiu um stack-buffer-overflow no parser de calibração do banco de dados de código aberto OceanBase, trabalhando no problema de forma autônoma. Cada uma dessas afirmações é uma alegação de primeira parte sobre uma tarefa de primeira parte; nenhuma tem reprodução por terceiros, e o próprio fornecedor destaca o terceiro resultado como evidência de que ainda há margem restante na otimização extrema de desempenho. Do lado da demanda de busca, "ling 3.1 flash benchmark" é uma das perguntas menos frequentes que as pessoas fazem sobre este modelo, e a resposta honesta de uma frase é a resposta acima: o card da Ant existe, seus números são reportados pelo fornecedor, e o número independente pelo qual você pode de fato avaliar o modelo é o do parágrafo seguinte.

O segundo tipo de número é medido de forma independente. A Artificial Analysis, que executa seu próprio sistema de avaliação em hardware que controla, atribui ao Ling-3.1-flash a pontuação 41 em seu Intelligence Index v4.3.2, um composto de dez avaliações, e o classifica em quinto lugar entre 175 modelos nesse índice. O antecessor pontua 20 no mesmo índice. A mesma página registra 212,1 tokens de saída por segundo e 1,87 segundos até o primeiro token, 220 milhões de tokens de saída gerados ao longo do índice — alto em comparação com uma mediana de 95M — e um custo corrente de US$ 0,30 por milhão de tokens de entrada e US$ 0,90 por milhão de saída, com um desconto de cache de 80%, cerca de US$ 1,00 por tarefa do índice. Essas são as medições do próprio avaliador em relação à API do fornecedor, não os números da Ant, e são as únicas medições independentes desse modelo que existem hoje.

Quanto ao preço, aplica-se a mesma divisão, e a moeda importa. A página de preços da Ant — a mantida, com a marca “Última atualização em 8 de outubro de 2026”, em vez da data 2026-10-13 em que esta página foi escrita — lista o Ling-3.1-flash a ¥0,00 para entrada, saída e leituras de cache, e afirma que o modelo é gratuito por um período limitado de duas semanas, após o qual passa para a cobrança padrão paga, com as tarifas a serem anunciadas. A mesma página publica uma tabela em USD na qual a linha mostra $0,00 nas três colunas. Essa é toda a resposta do nível gratuito: o gratuito é real, é promocional, é por tempo limitado, e o número que vem depois dele não foi publicado. O valor registrado de $0,30 e $0,90 pelo avaliador independente é a coisa mais próxima de uma tabela de tarifas pós-teste disponível publicamente, e a Ant não o confirmou.

Como obter uma resposta do Ling-3.1-flash hoje

Existem duas rotas próprias, ambas da própria Ant. O Ling Studio em chat.ant-ling.com é a superfície do produto, e o anúncio do fornecedor também diz que o modelo está dentro de um agente de desktop interno da Ant usado para tarefas de escritório. A Open API em api.ant-ling.com é a rota para desenvolvedores e é oferecida em dois formatos: um endpoint chat/completions compatível com OpenAI e um endpoint messages compatível com Anthropic, de modo que um SDK existente funciona apenas com a mudança da URL base. Duas ressalvas vêm diretamente da documentação, o que é incomum o suficiente para valer a pena copiar exatamente: os controles de probabilidade e diversidade, temperature e top_p, têm valor padrão 1 em ambas as páginas de referência, então uma requisição que aprendeu a definir uma temperatura baixa em outro lugar se comportará de forma diferente aqui; e o controle thinking documentado para alternar o raciocínio está documentado apenas para Ling-3.0-flash, o que significa que a superfície de requisição publicada por essas páginas não foi atualizada para Ling-3.1-flash. O acesso exige uma conta Alipay vinculada e o serviço Ling ativado — o FAQ também lista "Ling model service not activated" como um erro conhecido com sua própria solução — a cobrança é pay-as-you-go por token, o limite de requisições publicado é de 2 requisições por segundo globalmente, com 429s além disso, e chamadas sem streaming expiram em 90 segundos. O fornecedor também lista o modelo pelo mesmo preço promocional zero em plataformas de terceiros; essas não são superfícies próprias e seus termos são delas próprias.

Uma verificação que vale a pena fazer antes de você construir em cima do endpoint: até o momento, a referência da API publicada pelo fornecedor não enumera o Ling-3.1-flash em sua lista de modelos, e o changelog da plataforma não traz nenhuma entrada para ele — as entradas mais recentes lá são Ling-3.0-flash-VL em setembro e Ling-3.0-tiny em agosto — embora a página de preços traga uma tarifa para o modelo e o anúncio ofereça seu teste da API. Confirme o identificador do modelo na sua própria conta antes de conectá-lo a qualquer coisa, em vez de presumir que a documentação já acompanhou.

Ling-3.1-flash não consta no catálogo da OrcaRouter — uma verificação contra a nossa lista de modelos em tempo real em 2026-10-13 não retorna nenhuma entrada de Ling ou da inclusionAI —, então esta página não vai lhe dizer que ele está a uma chamada de distância. O que está a uma chamada de distância são os dois modelos com os quais ele é mais frequentemente comparado: DeepSeek V4.1 Flash, que nossa lista precifica em US$0,15 por milhão de tokens de entrada e US$0,60 por milhão de tokens de saída, e o GLM 5.3 Flash a US$0,15 e US$0,50, ambos ao preço de tabela com markup zero e failover automático entre provedores, de modo que uma mudança de preço de qualquer um dos fornecedores entra em vigor no mesmo dia sem alteração de código do seu lado. Quando a Ant abrir o Ling-3.1-flash ou um host o adicionar, essa é a forma como ele chegaria.

O que observar e o que não presumir

Três coisas resolvem as questões em aberto desta página, e cabe à Ant publicar todas as três: os pesos, com uma licença e uma ficha do modelo, se o plano do anúncio se confirmar; a janela de 1M ser realmente servida, e não apenas declarada; e uma tabela de preços após o período de teste. Até que pelo menos as duas primeiras se concretizem, a descrição precisa do Ling-3.1-flash é a de um modelo forte, rápido, fechado e somente de texto, com uma pontuação independente genuína de 41 e um perfil agêntico genuinamente promissor, disponível em primeira parte e gratuito por uma janela que se fecha sem aviso.

Quem deve agir agora: qualquer pessoa cujo trabalho seja agêntico, com forma de terminal ou de escritório e que queira duas semanas de inferência gratuita com os seus próprios prompts para descobrir se um MoE de 560B a 212 tokens por segundo muda aquilo que constrói. Quem deve esperar: quem planeia alojá-lo por conta própria, quem precisa de uma licença antes que as compras o analisem, quem tem um pipeline que precisa da janela de um milhão de tokens em produção, e quem precisa de um modelo de custos que sobreviva ao período promocional. Para todos esses quatro, a resposta honesta hoje é que a decisão ainda não pode ser tomada, e o que a desbloquearia é um repositório Hugging Face, não mais um gráfico de benchmarks.