Ling 3.0 Flash Fin: Modelo de Finanças de Pesos Abertos da Ant Group, Agora Avaliado de Forma Independente

Ling 3.0 Flash Fin, o modelo de mistura de especialistas focado em finanças do laboratório inclu​sionAI do Ant Group, agora tem algo que lhe faltou nas suas primeiras três semanas: um número de benchmark vindo de outra fonte que não o laboratório que o criou. A Artificial Analysis publicou uma avaliação independente do Ling 3.0 Flash Fin, marcando 23 no Intelligence Index (v4.3) e 24 no Finance & Accounting Index, e colocando-o na fronteira de Pareto de inteligência versus parâmetros ativos desse índice. O modelo surgiu como uma listagem de API gratuita não anunciada em 27 de agosto de 2026 e recebeu seus pesos licenciados sob MIT em 3 de setembro; a pontuação externa é a primeira verificação real de se o ajuste financeiro sobre o Ling 3.0 Flash traz algum ganho — e chega de forma um pouco diferente do que o enquadramento do próprio fornecedor sugere.

A captura de tela

Tudo o que se segue baseia-se no model card, no repositório do Hugging Face e na avaliação da Artificial Analysis. Os dois primeiros são de autoria do fornecedor; o terceiro, não.

• O que é — um modelo de mistura de especialistas focado em finanças, construído com a mesma base do Ling 3.0 Flash: 124B de parâmetros totais com ~5.1B ativos por token.

• Onde se encaixa — somente texto, uma janela de contexto de 262.144 tokens e até 32.768 tokens de saída, o mesmo formato de serviço do seu modelo pai.

• Quanto custa — $0 por 1M de entrada e $0 por 1M de saída em um teste gratuito de API de um mês que começou com o anúncio de 28 de agosto; a Artificial Analysis lista de forma independente o mesmo preço zero. Nenhum preço de tabela pago foi publicado. Os pesos BF16 são gratuitos para baixar e hospedar por conta própria.

• O que faz — o raciocínio está habilitado por padrão e pode ser desativado, a chamada de funções é suportada e a saída JSON estruturada não é imposta.

• O que mudou — um lançamento oficial em 28 de agosto com a CICC, pesos BF16 com licença MIT no Hugging Face em 3 de setembro, junto com o benchmark FinFIRST, e, em 16 de setembro, a primeira pontuação independente da Artificial Analysis.

• O que ainda lhe falta — um preço de tabela pago, e uma execução por terceiros do próprio FinFIRST.

O que o cartão do modelo diz

A ficha do modelo está no Hugging Face, sob a própria organização da inclu​sionAI, com os pesos por trás dela. As alegações ainda são escritas pelo fornecedor — a Artificial Analysis mede o modelo e publica suas próprias pontuações de índice, mas não executa novamente a suíte FinFIRST da Ant —, então leia a ficha como intenção e trate seus números de benchmark como os da Ant. Ela descreve o Ling 3.0 Flash Fin como o "primeiro modelo aprimorado para finanças" da família, estendendo o Ling 3.0 Flash "por meio de treinamento contínuo em dados financeiros de alta qualidade", e concentra o lançamento em pesquisa financeira de ponta a ponta, busca fundamentada em fontes, raciocínio com vários documentos em registros regulatórios, e fluxos de trabalho de avaliação e planilhas.

• Arquitetura — 124B no total / ~5,1B ativos de MoE, descrito como construído sobre o Ling 3.0 Flash, que por sua vez usa uma pilha híbrida de Kimi Delta Attention + MLA com MoE esparso de 1/64 (segundo o fornecedor).

• Contexto — 262.144 tokens de entrada, até 32.768 tokens de saída.

• Modalidade — texto entra, texto sai; sem entrada de imagem, áudio ou vídeo.

• Raciocínio — ativado por padrão, pode ser desativado a pedido.

• Chamada de ferramentas — suportada, incluindo tools e tool_choice; sem suporte a response_format, portanto JSON via pipe não é garantido.

• Pesos e licença — MIT; o checkpoint é disponibilizado em BF16 (cerca de 255 GB em 64 shards) no Hugging Face como inclusionAI/Ling-3.0-flash-Fin, seguindo o padrão permissivo de pesos abertos da família.

• Serviço — o card diz que Fin compartilha a arquitetura do Ling 3.0 Flash e é compatível com os runtimes SGLang e vLLM que já servem o modelo pai. Essa compatibilidade é uma alegação declarada pelo fornecedor; o número de velocidade que existe é da Artificial Analysis, não da Ant.

O que mudou desde o lançamento — e o que ainda não foi verificado

As incógnitas que mais importavam há três semanas estão resolvidas. O Ant Group anunciou formalmente o Ling 3.0 Flash Fin em 28 de agosto, em parceria com o CICC, apresentando-o como o primeiro modelo da família aprimorado para finanças e abrindo um teste gratuito de API por um mês. Depois, em 3 de setembro, o checkpoint BF16 apareceu na organização do Hugging Face da inclu​sionAI sob uma licença MIT — os mesmos termos permissivos do restante da família Ling 3.0 —, de modo que o modelo agora pode ser baixado, auto-hospedado e ajustado com fine-tuning. Os pesos ausentes eram o maior motivo, de longe, para se manter cauteloso; essa objeção desapareceu.

A referência para executar o Fin é o modelo pai mostrado acima. Como os dois modelos compartilham uma arquitetura, o cartão do Fin aponta para o guia de implantação do Ling 3.0 Flash em vez de publicar um segundo, e afirma que o Fin é compatível com os runtimes SGLang e vLLM que já servem o pai. Isso é afirmado pelo fornecedor, não demonstrado com um benchmark de serving em produção específico do Fin — embora a Artificial Analysis reporte o Fin a 162,4 tokens de saída por segundo em seu próprio harness, o que é mais rápido do que a mediana de 115 que ela acompanha para modelos de pesos abertos comparáveis.

O que torna o lançamento mais do que uma simples disponibilização de pesos é o FinFIRST — Financial Information Retrieval, Sourcing and Traceability — o benchmark que a Ant Group construiu com a equipe de banco de investimento da CICC e lançou no mesmo dia. Ele testa se um modelo consegue encontrar os dados certos, citar fontes primárias autoritativas, executar o cálculo corretamente e defender o processo, atribuindo pontuação a cada resposta em 701 pontos granulares que abrangem resultado, processo e evidências. O conjunto é pequeno, mas rigoroso: mais de 50 profissionais de finanças escreveram e validaram as perguntas, apenas 9,78% dos itens candidatos passaram pela triagem, e os 123 que restaram são 61,8% intensivos em cálculo e 32,5% com múltiplas fontes. Como as perguntas, as respostas de referência e os critérios de pontuação são públicos sob uma licença Apache 2.0, o FinFIRST dá a terceiros uma régua compartilhada para verificar as alegações da Ant. Uma ferramenta para testes independentes, no entanto, não substitui a testagem em si — e, passadas três semanas, ninguém fora da Ant publicou uma execução do FinFIRST.

O dinheiro é o principal item em aberto agora. A API é gratuita durante o teste de um mês, o que coloca o fim da janela gratuita por volta do final de setembro, e nenhum preço de tabela da versão paga foi publicado — então fazer orçamento para o Fin além desse ponto ainda é adivinhar. Todo o resto que estava em aberto em agosto tem um número associado.

Por que um Ling 3.0 Flash otimizado para finanças é uma jogada certeira

A direção financeira é a coisa menos surpreendente neste lançamento, porque a família já apontava para lá. Na avaliação do model-card da própria Ant para o Ling 3.0 Flash, o laboratório relatou 27% no τ3-Bench Banking — segundo entre os modelos abertos da classe flash, atrás do DeepSeek V4 Flash — e o maior Elo de ponta a ponta no GDPVal v2-AA, aproximadamente 1.107. Esses são números relatados pelo fornecedor sobre o generalista; um especialista existe para elevar exatamente esses números. O Ant Group executa IA dentro do Alipay, pagamentos, risco e produtos de investimento, então um modelo de execução ajustado para finanças é o manual declarado da família — "separação planejamento-execução" — aplicado ao vertical onde a empresa realmente ganha dinheiro.

A captura de tela acima mostra como o ponto de referência independente da família estava em agosto: o Artificial Analysis exibia o Ling 3.0 Flash em 38 em uma versão mais antiga de seu Intelligence Index. Esse número agora está desatualizado, e vale a pena entender o motivo antes de compará-lo a qualquer coisa. O Artificial Analysis reavalia as pontuações dos modelos quando revisa o índice, e sua versão v4.3 atual coloca o Ling 3.0 Flash em 21 contra uma mediana de 8. O 38 não é comparável a um número da v4.3 — incluindo o da Fin.

O que a v4.3 diz é mais interessante do que um downgrade direto. O Ling 3.0 Flash Fin pontua 23 nesse índice — acima de seu próprio modelo pai generalista, com 21, e logo atrás do Ling 3.0 Flash VL, com 25. No Índice de Finanças e Contabilidade, o Fin e a variante VL empatam em 24. A Artificial Analysis também coloca o Fin na fronteira de Pareto do Índice de Inteligência versus parâmetros ativos: ele iguala a pontuação de 23 do MiniMax-M2.7 enquanto ativa 5,1B parâmetros por token, contra os 10B desse modelo. A nuance também corta no sentido oposto — ambos os modelos Ling ficam abaixo da fronteira de parâmetros totais, onde o Qwen3.8 27B (xhigh) pontua 34 com 27B de parâmetros totais.

O ajuste para finanças também não é uma vitória completa. A precisão do conhecimento de negócios do Fin supera a da variante VL (17% contra 11%), mas sua taxa de alucinação é pior (33% contra 19%), e ele fica atrás nas medidas agênticas: 7% no AutomationBench-AA contra 16%, 1.171 Elo contra 1.225 no GDPval-AA v2, e 0% no Terminal-Bench v4.0 para ambos. Ele também gasta cerca de 67.000 tokens de saída por tarefa do Intelligence Index, cerca de 34% mais que o VL. Esse é o perfil de um modelo direcionado com força para trabalho financeiro com grande volume de documentos, e não para execução agêntica geral — o que se aproxima do que a Ant alega para ele, e é mais restrito do que "melhor em finanças" sugere.

Teste grátis mais pesos abertos — quanto isso vale

Um teste gratuito de API por um mês, além de pesos licenciados sob MIT, é uma posição materialmente melhor do que a semana gratuita e sem pesos que este modelo teve no início. A oportunidade é dupla: testar o ajuste financeiro em suas próprias tarefas de investimento de várias etapas a custo zero de tokens na API, ou baixar o checkpoint BF16 e executá-lo — e fazer fine-tuning nele — por conta própria. A cautela é mais restrita do que era, mas não desapareceu. Uma avaliação independente é um sinal real, não uma garantia de produção, e o que ela mostra é uma especialização que compra acurácia ancorada em documentos a certo custo no controle de alucinações e na execução agêntica. Execute suas próprias tarefas antes de direcionar dinheiro por meio dele.

Esta é exatamente a situação para a qual uma camada de encaminhamento foi criada. Através de uma única API que dá acesso a mais de 200 modelos, pode colocar o Ling 3.0 Flash Fin num percurso de teste com ativação automática de contingência para um generalista comprovado — quando o novo modelo fica aquém das expectativas ou o nível gratuito lhe impõe limites de utilização, o tráfego muda sem tocar no código da aplicação. Quando o período de teste termina e chega um preço de tabela, um router que repassa os preços dos fornecedores com 0% de margem mostra o novo valor no mesmo dia, para que o seu modelo de custos seja atualizado sem necessidade de renegociação. Experimente o especialista, mantenha a rede de segurança e decida com base em dados, e não no discurso dos fornecedores.

Quem deveria carregá-lo?

Equipes de finanças e de agentes que constroem fluxos de trabalho de análise de investimentos, de pesquisa ou de decisão de longo prazo são o público óbvio e se dividem em dois grupos: equipes que querem um teste hospedado sem custo do ajuste financeiro antes que a janela gratuita feche, e equipes que querem auto-hospedar ou fazer fine-tuning, para as quais os pesos abertos são o ponto. O perfil da Artificial Analysis torna o encaixe mais preciso — se sua carga de trabalho é composta por documentos extensos, reconciliação de múltiplas fontes e pesquisa com fontes, as pontuações do Fin são direcionadas a você; se for uso de ferramentas agênticas com orçamentos de tokens apertados, a variante VL e o modelo pai generalista parecem mais fortes.

Ignore-o se precisar de saída JSON imposta (o endpoint não suporta response_format), se precisar de uma API paga, de nível de produção, com um preço conhecido, ou se estiver num contexto regulamentado em que nem um cartão de fornecedor nem um único índice de terceiros é evidência suficiente por si só. A objeção relativa a pesos abertos que se aplicava em agosto já não se aplica — o checkpoint MIT está no Hugging Face. Para o membro mais documentado da família, o Ling 3.0 Flash continua a ser a opção padrão mais segura.

O que assistir

A lista de acompanhamento de agosto tinha quatro itens; três já estão concluídos. Fechados: o anúncio oficial (28 de agosto), a liberação dos pesos (3 de setembro, MIT) e uma primeira avaliação independente (16 de setembro, Artificial Analysis). Ainda em aberto, em ordem de importância: uma execução do FinFIRST por terceiros, feita por alguém sem participação na Ant, o que testaria o próprio benchmark do fornecedor em terreno neutro; um preço de tabela pago, o que transforma a matemática do teste em uma questão de orçamento; e números de serving em produção específicos para Fin em vLLM ou SGLang, que o model card promete por arquitetura, mas ninguém publicou.

O status honesto: o Ling 3.0 Flash Fin tem vinte dias de existência, com pesos abertos sob MIT, gratuito na API por aproximadamente mais dez dias e, agora, avaliado de forma independente pelo menos uma vez. Ele deixou de ser uma caixa-preta em setembro — os pesos são baixáveis, o FinFIRST dá ao setor uma régua compartilhada, e o Artificial Analysis atribuiu um número ao modelo, e não à sua espinha dorsal. O que é real hoje é que um membro ajustado para finanças da família de pesos abertos que se move mais rápido no mercado é gratuito para chamar e gratuito para executar, e que a primeira medição externa diz que a especialização é genuína, mas estreita. A primeira pontuação FinFIRST de terceiros e o preço pago transformarão isto de um lançamento interessante em uma decisão.