Ling-3.1-flash-1019 vs Ling-3.1-flash: mesmo tamanho, mesmo preço, uma conta de tokens maior

Se você paga por token, Ling-3.1-flash-1019 é uma atualização gratuita em relação a Ling-3.1-flash. Ambos têm preço de US$ 0,30 por milhão de tokens de entrada e US$ 0,90 por milhão de tokens de saída, ambos têm licença MIT, ambos são modelos de mistura de especialistas com 560B de parâmetros e 25B ativos, e ambos ocupam 573,8 GB em disco. Se você paga pela tarefa concluída, a atualização é quase 47% mais cara: o Artificial Analysis mediu US$ 1,49 por tarefa do Intelligence Index para a versão 1019, contra US$ 1,01 para o modelo anterior, porque o modelo mais novo gera cerca de 59% mais tokens de saída para chegar às suas respostas. O ganho de três pontos no índice entre eles — 44 contra 41 — é real. A pergunta que esta página responde é: quem deve pagar por isso.

As datas importam para a leitura do restante. O Ling-3.1-flash tornou-se aberto sob a licença MIT em meados de outubro, com seu repositório criado em 13 de outubro e o anúncio da Ant vindo em 15 de outubro. A build 1019 foi anunciada em 22 de outubro com uma pontuação e sem download, e seus pesos, além de um checkpoint base, foram disponibilizados em 27 de outubro. Portanto, isso não é um salto de geração. É uma única execução de pós-treinamento aplicada à mesma arquitetura, lançada cinco dias depois do número que a descreve.

O que os dois checkpoints têm em comum

A sobreposição é grande o suficiente para que o custo de migração seja efetivamente zero, o que é o principal argumento para a versão mais recente:

• Arquitetura — 72 camadas, divididas em 63 camadas de atenção linear KDA e 9 camadas MLA com gating numa proporção de 7:1, além de 4 camadas densas.

• Especialistas — 512 roteados, 8 ativados por token, 1 compartilhado; tamanho oculto 4,096; vocabulário 157,184.

• Pesos em disco — 573,8 GB de safetensors FP8 distribuídos em 54 shards para ambos, segundo nossa contagem a partir das duas listagens de arquivos dos repositórios.

• Licença — MIT para ambos, incluindo redistribuição comercial.

• Preço — $0,30 de entrada, $0,90 de saída, $0,06 de leitura de cache, um valor combinado de $0,19 numa proporção de 7:2:1 de acerto de cache/entrada/saída.

• Contexto declarado — uma janela de 1M de tokens nas duas fichas de modelo; 262.144 posições e nenhum escalonamento de RoPE nos dois arquivos config.json.

Essa última linha é a primeira coisa a internalizar antes de compará-los. No papel, ambos os modelos oferecem um milhão de tokens. Na configuração entregue, ambos param em 256K, a menos que você adicione um esquema de escalonamento que a Ant não incluiu. A limitação é idêntica dos dois lados, então não decide o confronto — mas significa que nenhuma das versões é o modelo de um milhão de tokens anunciado nas fichas, e quem planeja uma carga de trabalho de 1M de tokens está escolhendo entre dois modelos que ambos precisarão de trabalho para chegar lá.

De onde vêm os três pontos

A Artificial Analysis mede a própria diferença principal: 41 para o Ling-3.1-flash e 44 para o Ling-3.1-flash-1019 no Intelligence Index v4.3.2, com o modelo mais antigo classificado em oitavo lugar entre 122 e o mais novo em quarto. Trata-se de uma medição independente de ambos os extremos, o que faz do delta de três pontos o número mais confiável nesta comparação.

O detalhamento por benchmark é reportado pelo fornecedor e deve ser lido como tal — vem do model card da Ant, não de um harness público:

• AA-Briefcase — aproximadamente de 1.400 Elo a 1.524 Elo. Este é o benchmark de artefatos de trabalho do conhecimento, e um avanço de 124 pontos é o maior ganho relativo do conjunto.

• AutomationBench-AA — 62% a 68%, uma melhoria de seis pontos na automação de tarefas agênticas.

• CritPt — 18% a 26%, o maior salto proporcional: oito pontos em um conjunto de raciocínio de física em que as pontuações absolutas são baixas para todos.

• SciCode — 54% a 57%, a menor variação das quatro, e a que deve ser ponderada com mais cautela; a Artificial Analysis sinaliza o SciCode como em análise para este modelo.

Lidos em conjunto, o padrão é consistente com o que a Ant diz que fez: mais pós-treinamento em raciocínio e trabalho com agentes em múltiplas etapas, não uma nova superfície de capacidades. Os ganhos se concentram onde as cadeias de decisões são longas e onde uma resposta parcialmente correta recebe crédito parcial. Eles são mais tênues na geração direta de código científico, que é exatamente onde você esperaria que uma atualização por pós-treinamento, e não uma mudança de arquitetura, avançasse menos.

A conta: 59% mais raciocínio

É aqui que os dois modelos deixam de ser intercambiáveis. O Artificial Analysis registrou 220M tokens de saída para a execução do índice do Ling-3.1-flash e 350M para a execução 1019 — uma proporção de 1,59 — e classifica a versão mais recente em último lugar entre 48 modelos em verbosidade, contra uma mediana de 140M. O custo para concluir o índice subiu de US$ 1,01 para US$ 1,49 por tarefa.

Escale isso para uma carga de trabalho. Em 10.000 tarefas no formato de índice, os números por tarefa implicam cerca de US$ 10.100 no checkpoint mais antigo e US$ 14.900 no mais novo. O lado dos tokens escala da mesma forma: uma carga de trabalho que consome 2,2 bilhões de tokens de saída no Ling-3.1-flash consumiria cerca de 3,5 bilhões no build 1019 na proporção medida, o que, a US$ 0,90 por milhão, dá US$ 1.980 contra US$ 3.150. O restante da diferença por tarefa vem do preço de entrada e de cache, mas a direção é definida pela contagem de tokens: você está comprando três pontos de índice com aproximadamente seis décimos de uma resposta extra por resposta.

Se essa é uma boa troca depende do modo de falha contra o qual você está se protegendo. Em um loop de agente em que uma chamada de ferramenta errada dispara uma nova tentativa, uma releitura do contexto ou uma revisão humana, 59% extras de tokens são baratos diante de um loop evitado. Em classificação, extração, chat curto ou qualquer tarefa de alto volume em que a resposta tem uma ou duas frases, a mesma proporção é pura sobrecarga — e o índice nunca mostrará isso, porque o índice recompensa os casos difíceis para os quais o pós-treinamento foi direcionado.

A outra metade do panorama de custos é a estabilidade de preços. O OrcaRouter coloca mais de 200 modelos atrás de uma única chave com 0% de margem sobre a lista do provedor, portanto, uma mudança de preço do fornecedor é repassada no mesmo dia para os modelos que roteamos. A linha Ling não está nesse catálogo hoje, o que significa que os números acima são a tarifa de lista da Ant e nada mais. É exatamente por isso que a aritmética por tarefa importa mais do que a tarifa por token: a tarifa é idêntica entre estes dois modelos, então não pode ajudá-lo a escolher.

Velocidade: existe apenas um número, e ele pertence ao modelo mais antigo

A Artificial Analysis mediu o Ling-3.1-flash em 215,7 tokens de saída por segundo, com tempo até o primeiro token de 1,73 segundo, classificando-o em sexto lugar entre 78 modelos em velocidade. Para o Ling-3.1-flash-1019, a mesma página não traz nenhum número de velocidade de saída — no momento da medição, não havia uma API disponível publicamente para medir, e os pesos só apareceram hoje. Portanto, o modelo mais rápido não é questão de opinião; é o único dos dois com uma medição.

Combine isso com a proporção de tokens e você terá uma estimativa defensável, claramente rotulada como aritmética, e não como benchmark. Se ambas as builds decodificassem a 215,7 tokens por segundo, uma resposta de 1.000 tokens no Ling-3.1-flash levaria cerca de 4,6 segundos de decodificação; a resposta equivalente de 1.590 tokens na build 1019 levaria cerca de 7,4 segundos. O tempo até o primeiro token é uma variável separada e pode mudar em qualquer direção. O ponto é que um aumento de 59% no número de tokens não pode sair de graça em termos de tempo real, a menos que o modelo mais novo também decodifique significativamente mais rápido, e ninguém publicou evidências de que isso aconteça.

Auto-hospedagem: pegada idêntica, README diferente

Em seu próprio hardware, a escolha é mais simples, porque o destino de implantação não muda. Ambos os checkpoints precisam da mesma configuração documentada — oito H200s em TP8 mais EP8, ou quatro GB300s em TP4 mais EP4 — e da mesma imagem SGLang day-0, com uma receita vLLM usando paralelismo de tensores de 8, paralelismo de especialistas e três tokens especulativos. Como as arquiteturas e os tamanhos de arquivo são idênticos, o 1019 é um substituto direto: troque o caminho dos pesos, mantenha a pilha de serving e nada mais na sua infraestrutura precisa saber.

Dois avisos práticos. Primeiro, o Quickstart do model card do 1019 ainda aponta para inclusionAI/Ling-3.1-flash no comando SGLang e envia "model": "Ling-3.1-flash" no exemplo de cliente; copie isso ao pé da letra e você vai servir o modelo de 41 pontos enquanto acredita estar testando o de 44 pontos. Segundo, o checkpoint base que a Ant lançou junto com o 1019 é o Ling-3.1-flash-base — a base do modelo mais antigo, não um snapshot pré/pós-treinamento do 1019. Se seu plano é fazer fine-tuning da atualização, a receita que a produziu não está no download. Se seu plano é construir algo seu a partir de uma base de 560B sob MIT, a base é o ponto de partida certo e a diferença de índice entre esses dois checkpoints é irrelevante para você.

Chamando-os: um nome, duas builds

A história da API é mais confusa do que a dos pesos. A build 1019 é um checkpoint com data sob um nome que a maior parte do código de serving trata como a mesma string de modelo do seu antecessor — inclusive os próprios exemplos da Ant, que enviam Ling-3.1-flash para ambos. Se você chamar um endpoint hospedado, fixe a build explicitamente ou não saberá qual delas respondeu. A Artificial Analysis não listou nenhuma API disponível publicamente para a 1019 no momento da medição, portanto, a disponibilidade hoje passa pela própria API do fornecedor e por várias plataformas de terceiros, e não por um endpoint consolidado e amplamente espelhado.

Essa ambiguidade é o argumento mais forte a favor da auto-hospedagem se você se importa com reprodutibilidade, e o argumento mais forte a favor de esperar se não se importa. Um modelo cujo nome não identifica sua build é um modelo que você não pode auditar depois dos fatos, e "44 no índice" não é um número de versão.

Qual deles, por trabalho

• Raciocínio complexo e trabalho de agente de longo horizonte — use o Ling-3.1-flash-1019. Os ganhos concentram-se exatamente aí, e {{1}}os tokens extras são o mecanismo, não um efeito colateral{{/1}}.

• Extração, classificação e chat curto em alto volume — fique no Ling-3.1-flash. Você estaria pagando 47% mais por tarefa por uma capacidade que essas cargas de trabalho não utilizam.

• Produtos sensíveis à latência — permaneçam no Ling-3.1-flash até que exista um valor independente de throughput para o 1019. É o único dos dois com velocidade medida.

• Ajuste fino ou adaptação de domínio — comece a partir do Ling-3.1-flash-base e ignore esta comparação. Nenhum dos checkpoints alinhados vem com uma receita de treinamento.

Um modelo, tráfego misto — Ling-3.1-flash-1019 como padrão, com a versão mais antiga por trás dele para as solicitações curtas e baratas. Os dois compartilham uma arquitetura, um preço e uma pilha de serviço, então dividir o tráfego entre eles não custa nada em termos operacionais.

O que mudaria esse veredito é uma velocidade de decodificação medida para o build 1019. Se ela se revelar materialmente mais rápida que 215,7 tokens por segundo, a penalidade em tempo real diminui e a conta de tokens passa a ser a única objeção real. Se for igual ou mais lenta, então os 59% aparecem duas vezes — uma na fatura e outra na latência — e o argumento para executar ambos os checkpoints em vez de atualizar tudo de uma vez fica mais forte. Até que alguém publique esse número, o resumo honesto é que o Ling-3.1-flash-1019 compra qualidade com tokens, e o Ling-3.1-flash vende throughput na mesma taxa. Nenhum dos dois é a resposta errada; são produtos diferentes vestindo a mesma arquitetura.