
Ling-3.0-flash: Что мы теперь знаем о MoE быстрого уровня с открытыми весами от Ant Group
- OrcaНОВИНКАOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 за 1 млн токенов · 186 tok/s
- openaiНОВИНКАOpenAI: GPT-6.2 Astra2026-11-17$8.00 / $40.00 за 1 млн токенов · 86 tok/s
- openaiНОВИНКАOpenAI: GPT-6.2 Sol2026-11-17$2.00 / $10.00 за 1 млн токенов · 151 tok/s
- tencentНОВИНКАTencent: Hy4 Flash2026-11-16$0.02 / $0.07 за 1 млн токенов · 192 tok/s
- AlibabaНОВИНКАQwen: Qwen4 Max2026-11-16$1.50 / $4.50 за 1 млн токенов · 86 tok/s
- GoogleНОВИНКАGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 за 1 млн токенов · 705 tok/s
- AnthropicНОВИНКАAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 за 1 млн токенов · 246 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 за 1 млн токенов · 97 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 за 1 млн токенов · 138 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 за 1 млн токенов · 85 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 за 1 млн токенов · 122 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 за 1 млн токенов · 102 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 за 1 млн токенов · 70 tok/s
- openaiOpenAI: GPT-6.1 Terra2026-10-26$1.00 / $5.00 за 1 млн токенов · 35 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 за 1 млн токенов · 89 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 за 1 млн токенов · 38 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Интеллект
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 за 1 млн токенов · 231 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Интеллект
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 за 1 млн токенов · 101 tok/s
Ling-3.0-flash — быстрая MoE-модель от InclusionAI (Ant Group), представленная 24 июля 2026 года и открытая под лицензией MIT 7 августа, — теперь имеет конкретный путь развёртывания на одном устройстве. 27 октября NVIDIA опубликовала техническое руководство, показывающее, что FP4-сборка модели декодирует со скоростью 53,89 токена в секунду на одном DGX Spark — на 42,5% больше, чем 37,81 ток/с, — на всех 1319 вопросах GSM8K при статистически неизменной точности. Это собственные измерения NVIDIA на её собственном оборудовании, а не независимый сторонний запуск, и они относятся к размеру пакета 1. Они не заменяют приведённые ниже показатели hosted-API. Однако они превращают ранее расплывчатый «путь развёртывания на одном DGX Spark» для этой модели в опубликованную конфигурацию с базовой точкой отсчёта, протоколом и документированным режимом отказа.
Сама модель не изменилась. Это нативная гибридная mixture-of-experts модель с рассуждением: 124 млрд общих параметров и 5,1 млрд активных на токен, созданная как быстрый и дешёвый уровень семейства Ling; веса под лицензией MIT доступны на Hugging Face и ModelScope с 7 августа. Что изменилось с августовской версии этого поста, так это сопутствующая информация. Оценка Artificial Analysis, на которую этот пост ссылался в августе, присвоила Ling-3.0-flash 38 баллов в её Intelligence Index и поместила её на Парето-фронтир открытых весов по соотношению интеллекта и общего числа параметров. Актуальная страница AA теперь помечает модель как устаревшую в пользу Ling-3.1-flash, направляет читателей туда и больше не показывает текущий Intelligence Index. 38 — это по-прежнему последняя независимая оценка, которую получил этот чекпоинт; это не актуальное значение.
Этот пересмотр учитывает октябрьское измерение DGX Spark и исправляет те части августовского поста, которые изменились, — текущие показатели скорости AA и его статус устаревания, — сохраняя при этом метки источников без изменений. Там, где Ant Group или NVIDIA являются единственным источником числа, в предложении это указано.
TL;DR. Ling-3.0-flash — это MoE с открытыми весами быстрого уровня от Ant Group: 124B всего / 5,1B активных параметров, лицензия MIT, нативное контекстное окно 256K (262K в развёрнутом виде). Это уже не самый новый Ling — AA помечает его как устаревший в пользу Ling-3.1-flash — но он остаётся доступным, документированным и теперь имеет измеренную методику для одного устройства. Конфигурация NVIDIA DGX Spark от 27 октября выдаёт 53,89 tok/s при размере батча 1 на GSM8K, что на +42,5% выше собственного базового показателя, по данным вендора. В хостинговом API AA сейчас указывает 243 выходных tok/s и 2,79 с до первого токена. По-прежнему только от вендора: заявленный Ant пиковый показатель пропускной способности 1 100+ tok/s, значение TTFT ниже 100 мс и таблица бенчмарков из карточки модели. Цены собственного API: $0,075 за вход / $0,22 за выход на 1M токенов (скидка 80% при попадании в кэш); бесплатный тариф при запуске закончился 3 августа, а акция Ling Studio со скидкой 75% закончилась 31 августа.
Ключевые выводы
• Это быстрый и дешёвый уровень, а не флагман. Флагман предыдущего поколения с 1T параметров остаётся самой крупной моделью InclusionAI; Ling-3.0-flash — меньший и более быстрый собрат, ориентированный на обработку больших объёмов текста и вызов инструментов.
• Веса по-прежнему открыты под лицензией MIT. Они появились на Hugging Face (inclusionAI/Ling-3.0-flash) и ModelScope 7 августа, а сборка MXFP4, которую NVIDIA документирует для DGX Spark, поставляется вместе с чекпоинтами BF16 и FP8.
• Независимая оценка теперь стала историей. Прогон AA, на который ссылался этот пост в августе, оценил модель в 38 баллов — на 24 больше, чем у Ling-2.6-flash, — и вывел её на фронтир Парето для открытых весов; на актуальной странице AA модель теперь помечена как устаревшая в пользу Ling-3.1-flash, а текущий Intelligence Index отсутствует.
• У скорости есть три точки отсчёта, и они не взаимозаменяемы. AA в настоящее время указывает 243 выходных ток/с на hosted API; NVIDIA измеряет 53,89 ток/с на одном DGX Spark при размере батча 1; Ant по-прежнему заявляет 1 100+ ток/с на указанном кластерном оборудовании.
• Цены установлены, а промоакции завершены. {{1}}$0.075 за ввод / $0.22 за вывод за 1 млн токенов со скидкой 80% при попадании в кэш{{/1}}; стартовый бесплатный тариф закончился {{2}}3 августа{{/2}}, а период скидки 75% на Ling Studio закончился {{3}}31 августа{{/3}}.
• Это одна из трёх моделей семейства. InclusionAI разделяет свою линейку на Ling (MoE общего назначения для текста и работы с инструментами, эта модель), Ring (рассуждение) и Ming (мультимодальная модель).
Примечание о том, как читать это обновление: это редакция предварительной версии от 24 июля и редакции от 8 августа, предшествовавшей ей. Результат DGX Spark от 27 октября — это новый материал; исправления AA носят технический характер, чтобы в посте не упоминалась действующая оценка, которой больше не существует. Каждая характеристика, каждый бенчмарк и каждая цена ниже снабжены указанием на источник.
Что мы на самом деле знаем
Архитектура полностью документирована в карточке модели. Ling-3.0-flash использует нативный гибридно-линейный стек внимания — слои Kimi Delta Attention (KDA) и Gated MLA чередуются в соотношении 5:1 (35 KDA + 7 MLA, всего 42 слоя), с мелкозернистым диагональным гейтингом KDA — поверх разреженной MoE 1/64 (512 маршрутизируемых экспертов, 8 активируются на токен, плюс один общий эксперт). Именно так модель достигает 124B общих параметров при всего 5.1B активных. Контекстное окно изначально составляет 256K, в рецептах инференса подаётся 262 144 токена, а Ant утверждает, что архитектура масштабируется до 1M. Максимальная длина вывода не раскрывается. Модель работает только с текстом и поддерживает вызов инструментов; мультимодальный ввод реализован в отдельной линейке Ming.
Лаборатория публикует два формата весов — BF16 (примерно 255 ГБ) и FP8 (примерно 128 ГБ), а ссылки на квантованные варианты сообщества приведены в карточке модели. В рецепте для DGX Spark используется третий: сборка MXFP4, которая помещается в 121 ГБ унифицированной памяти устройства. Собственные рецепты развёртывания лаборатории ориентированы на SGLang и vLLM; вариант NVIDIA для Spark использует сборку SGLang от InclusionAI с добавленным бэкендом Humming MoE.
Доступность: открытые веса по лицензии MIT
7 августа команда InclusionAI открыла исходные веса под лицензией MIT на Hugging Face (inclusionAI/Ling-3.0-flash) и ModelScope. Это разрешительная лицензия, допускающая коммерческое использование — та же, под которой выпускались Ling 2.0 и Ling 2.6, — и она означает, что вы можете самостоятельно хостить, дообучать и развёртывать Ling-3.0-flash, а не арендовать доступ через API. Модель также можно вызывать через собственный API для разработчиков Ant и несколько сторонних платформ. Для модели быстрого эшелона по такой цене интересный вопрос уже не в том, можете ли вы хостить её самостоятельно, а в том, достаточно ли одного устройства на 121 ГБ. В Ling Cookbook от InclusionAI теперь есть ноутбук для DGX Spark, авторство которого совместно указано за Ant Group и NVIDIA, а используемый в нём чекпойнт MXFP4 опубликован наряду с другими форматами. Раздел ниже — первый ответ на этот вопрос, основанный на измерениях.

Независимые оценки: августовский результат, теперь уже исторический
Самым большим изменением по сравнению с июльским постом стало появление независимых цифр. Оценка Artificial Analysis, на которую этот пост ссылался в августе, присвоила Ling-3.0-flash 38 баллов по Intelligence Index — на 24 балла больше, чем у предыдущего поколения fast-tier, Ling-2.6-flash (14), и на одном уровне с MiMo-V2.5 и Qwen 3.6 27B, при этом активируя лишь долю их параметров. AA также поместила модель на границу Парето для моделей с открытыми весами по соотношению интеллекта и общего числа параметров: на тот момент ни одна модель с открытыми весами с меньшим общим числом параметров не имела более высокого балла. Лидер AA среди моделей fast-tier с открытыми весами, DeepSeek V4 Flash, показал ещё более высокий результат (индекс 52 при максимальном уровне рассуждений).
С тех пор эта запись была снята с учёта, а не опровергнута. На актуальной странице AA для Ling-3.0-flash модель теперь помечена как устаревшая в пользу Ling-3.1-flash, читателям указывают на более новую модель, а текущий Intelligence Index не отображается. Оценка 38 остаётся последним независимым баллом, полученным этой контрольной точкой; воспринимайте её как результат на определённую дату, а не как актуальный рейтинг. Если вы выбираете модель Ling сегодня, сравнивать следует с Ling-3.1-flash, которую AA сейчас отслеживает.
Результаты той оценки по агентным задачам и длинному контексту также были уверенно сильными. В наборе τ3-Bench Banking от AA модель Ling-3.0-flash набрала 27%, заняв второе место среди open-weight моделей flash-уровня после DeepSeek V4 Flash (39%). В GDPval-AA v2 она достигла Elo 1108 по сравнению с 545 у Ling-2.6-flash. Ant обучала модель более чем в 10 000 интерактивных средах (по данным вендора) и позиционирует её как узел исполнения для агентных рабочих процессов — быстрый, дешёвый и легко заменяемый, при этом основное рассуждение передаётся более крупной флагманской модели.
Одна оговорка насчёт источников: таблица бенчмарков в карточке модели Ant — SWE-Bench Pro 56.6, SWE-bench Multilingual 72.4, MathArena AIME 2026 93.2, HLE 22.7 — составлена по данным производителя и не была независимо воспроизведена. Считайте это собственными заявлениями лаборатории — из той же категории, что и приведённые ниже показатели пиковой скорости.
Скорость: три числа, три разные конфигурации
У истории о скорости теперь три числа, и первое, что нужно сделать, — это перестать относиться к ним как к одному и тому же измерению.
В размещённом API Artificial Analysis в настоящее время указывает 243 выходных токена в секунду и 2,79 с до первого токена. Это ниже, чем 368 ток/с и 1,98 с, о которых сообщалось в этом посте в августе, — панель провайдеров и запуски AA меняются, и сегодня цитировать следует актуальную страницу. Модель по-прежнему занимает одно из первых мест в своём классе скорости.
На одном DGX Spark компания NVIDIA сообщает о 53,89 токена декодирования в секунду при размере батча 1 на GSM8K — на 42,5% больше по сравнению с её собственным базовым показателем. Это локальный показатель для одного пользователя, который нельзя сравнивать с показателем пропускной способности API и не является результатом при конкурентной нагрузке. Следующий раздел разбирает это подробнее.
На указанном кластерном оборудовании Ant утверждает среднюю скорость вывода выше 1 100 токенов в секунду и время до первого токена менее 100 мс благодаря иерархическому слою кэширования, построенному на SGLang HiCache и Mooncake. Это по-прежнему данные только производителя — измеренные на оборудовании и в конфигурациях пакетной обработки, которые контролирует Ant, без опубликованного независимого повторного запуска. Для планирования используйте показатель AA для размещённых рабочих нагрузок, показатель NVIDIA для одного Spark, а 1 100+ ток/с рассматривайте как верхний предел, который нужно проверить на собственной рабочей нагрузке.
Один DGX Spark: что на самом деле измеряют 42,5%
27 октября технический блог NVIDIA опубликовал рецепт запуска Ling-3.0-flash-fp4 на одной DGX Spark — настольной системе GB10 с 121 ГБ унифицированной памяти, — а Ling Cookbook от InclusionAI содержит соответствующий ноутбук с указанием совместного авторства Ant Group и NVIDIA. В собственном сообщении Ant Group описала эту работу как техническое сотрудничество с NVIDIA. Это тщательно подготовленный бенчмарк, а не демонстрация: все 1 319 вопросов GSM8K, цепочка рассуждений с пятью примерами, размер батча 1, temperature 0.6, top-p 0.95, top-k 29 и ограничение в 32 768 токенов.
Базовый вариант — это сборка W4A8, использующая MXFP4 MoE-ядра FlashInfer, плотный GEMM CUTLASS и 32-битный LM head. На этом базовом варианте декодирование работает со скоростью 37,81 tok/s. При трёх наложенных изменениях оно работает со скоростью 53,89 tok/s — те самые 42,5% из заголовка. Среднее время на выходной токен снижается с 26,45 мс до 18,56 мс (−29,8%), средняя сквозная задержка — с 15,21 с до 11,49 с (−24,5%), P50 — с 8,36 с до 6,11 с, а P95 — с 50,20 с до 38,60 с. Точность GSM8K меняется с 96,89% до 96,82% — разница в 0,08 пункта, которую NVIDIA описывает как статистически не обнаружимую. Среднее время до первого токена практически не меняется: с 0,207 с до 0,214 с. Это прирост на декодировании, а не на префилле.
Три изменения нацелены на разные виды затрат:
Ядра Humming MXFP4 MoE заменяют бэкенд FlashInfer. Humming компилирует ядра во время выполнения с помощью NVRTC под точные формы модели — включая её узкий промежуточный размер MoE, равный 768, — и кэширует их в ~/.humming/cache. В синтетическом тесте NVIDIA только это повышает пропускную способность на 9,3%.
• Онлайн-квантование LM head в FP8. Этот LM head остаётся в BF16 в чекпоинте, и его GEMM 157 184 × 2 560 считывает весь блок весов на каждом токене; квантование его в FP8 при загрузке вдвое сокращает это считывание. Включается с помощью SGLANG_ENABLE_FP8_LM_HEAD=1, что конфликтует с --enable-fp32-lm-head базового варианта, и даёт прирост 11,4% по сравнению с одним только Humming.
• Многотокенное предсказание NEXTN. Встроенный слой NEXTN модели создаёт черновик из трёх токенов и проверяет окно из четырёх токенов. На GSM8K средняя принятая длина черновика составляет 2,68 токена за раунд.
В том же посте есть второе, более громкое число: синтетическая нагрузка 32K на входе / 2K на выходе при размере пакета 1 вырастает с 36,09 до 102,88 токенов/с, +185,1%. Сама NVIDIA предостерегает от обобщения этого результата. В том запуске использовалось жадное декодирование, фиксированный выходной объём 2K и повторяющийся текст; за один раунд принималось 3,90 токена против 2,68 на GSM8K. Именно на цифру 42,5% по GSM8K стоит ориентироваться. 185,1% — это синтетический потолок для лучшего случая.
Одна эксплуатационная ловушка важнее самого ускорения. Квантование FP8 для LM-head и MTP сочетаются только в том случае, если драфт-модель разделяет с целевой моделью весь модуль LM-head, а не только его тензор весов. Без этого интерфейса фреймворк молча переходит в резервный режим, читает веса FP8 как BF16, роняет показатель acceptance до 1.00 и может в итоге оказаться медленнее неоптимизированного базового варианта. Совет NVIDIA — проверять, что каждая оптимизация активна при запуске, а не делать выводы по последующим замерам времени.
Что это меняет для читателя: путь с одним Spark больше не является слайдом вендора. Это опубликованная методика с базовым уровнем, протоколом измерений и заявленным режимом отказа — suficiente, чтобы воспроизвести или опровергнуть на собственном устройстве. Что это не меняет: это по-прежнему собственное измерение NVIDIA, на одном устройстве, при размере батча 1, для декодирования. Оно ничего не говорит о параллельном обслуживании, пропускной способности при длинном контексте или хостинговом API. И это относится конкретно к сборке FP4; у чекпоинтов BF16 и FP8 другие профили памяти и пропускной способности.
Цены: дёшево, и акция закончилась
Artificial Analysis указывает для официального API цену $0.075 за 1 млн входных токенов и $0.22 за 1 млн выходных, а при попадании в кэш — $0.015 (−80%); все цены установлены производителем. Стартовый бесплатный тариф (500 тыс. бесплатных токенов в день, бесплатный доступ к API) завершился 3 августа. Временный период скидки 75% в Ling Studio действовал до 31 августа 2026 года; с 1 сентября применяются цены по прайс-листу. Даже по полному прайс-листу $0.075/$0.22 уверенно относят Ling-3.0-flash к дешёвому сегменту для модели с индексом 38 в той оценке.
При таких низких ценах стоимость переключения важнее цены за токен. {{1}}Задача OrcaRouter — сохранять честность стороны хостинга в этом сравнении: один API для 200+ моделей, цены провайдеров из прайс-листов передаются без наценки (0%), а также автоматическое переключение между провайдерами при сбоях.{{/1}} Локальное развёртывание DGX Spark должно побить реальную текущую рыночную цену, а не слайд вендора — и {{2}}когда провайдер хостинга меняет цену, сквозная передача отражает это по тому же ключу в тот же день.{{/2}}
Семья Линг / Ринг / Минг
Ling-3.0-flash не существует изолированно — InclusionAI организует свои релизы в три именованных семейства, каждое из которых предназначено для своей задачи. Ling — это универсальная MoE-линейка для повседневной генерации текста и вызова инструментов, а Ling-3.0-flash находится на её быстром и недорогом конце, на шаг ниже флагманской модели предыдущего поколения с 1T параметров. Ring — это линейка, ориентированная на рассуждения, созданная для многошаговой цепочки рассуждений. Ming — мультимодальная линейка. Если вашей задаче требуется более сложное рассуждение или ввод изображений, подходящая модель InclusionAI, вероятно, не Ling-3.0-flash — она создана для объёма и скорости в направлении текста и инструментов.
Для кого это: четыре сценария
1. Высоконагруженные, чувствительные к задержкам конвейеры обработки текста или вызова инструментов
Это родная стихия модели. Благодаря лицензии MIT, опубликованному рецепту single-Spark и датированному независимому Index of 38, ставка на быстрый уровень поддаётся проверке, а не остаётся гипотезой — прогоните через неё собственный набор для оценки или скачайте веса и разверните у себя. Только не стройте планы вокруг заявленного поставщиком потолка в 1 100+ tok/s, пока не измерите его на своей нагрузке.
2. Команды, которым нужен длинный контекст при ограниченном бюджете
Нативный контекст 256K (262K при обслуживании) с заявленным путём к 1M при цене $0.075/$0.22 — привлекательное сочетание для задач с интенсивным поиском или обработки документов. Показатели длинного контекста в карточке модели приведены производителем, поэтому включите её в шорт-лист для сравнения с проверенными вариантами длинного контекста и проверьте на собственном корпусе, прежде чем принимать решение.
3. Наблюдатели, отслеживающие ландшафт MoE в Китае и дорожную карту InclusionAI
На июльский вопрос — останется ли InclusionAI открытым? — теперь есть ответ: да, MIT, и быстро. Выход Ling-3.0-flash на границу Парето AA при 5,1 млрд активных параметров был одной точкой данных. Октябрьский рецепт DGX Spark — вторая точка данных: модель на 124B декодирует со скоростью 53.89 tok/s на одном настольном ПК при размере батча 1, причём рецепт опубликован.
4. Команды с одним DGX Spark на столе
Если у вас уже есть это устройство, рецепт NVIDIA — первая конфигурация, которую стоит копировать: сборка MXFP4, форк SGLang от InclusionAI, ядра Humming MoE, FP8 LM head и NEXTN MTP. Рассматривайте это как измерение одного вендора при размере батча 1 и проверяйте при запуске, что компоненты FP8 и MTP действительно активны — сценарий отказа с тихим переходом на запасной вариант вполне реален. Если у вас нет Spark, этот рецепт — лишь точка данных о том, что дают 121 ГБ унифицированной памяти, а не причина покупать его.
Что ещё не проверено?
Небольшой список — теперь, когда крупные пробелы закрыты. Утверждения Ant о пиковой скорости (1,100+ tok/s, TTFT менее 100 мс) всё ещё не имеют независимого повторного измерения. Таблица бенчмарков в карточке модели по-прежнему основана на данных производителя. Сборки FP4/INT4 и путь с одним DGX Spark больше не расплывчаты — NVIDIA опубликовала конфигурацию, а InclusionAI поставляет ноутбук — но цифры 53.89 tok/s и 96.82% — это собственные измерения NVIDIA на одном устройстве при размере батча 1, а не воспроизведение третьей стороной. Независимая оценка относится к прошлому: оценка, на которую этот пост ссылался в августе, дала 38, а на актуальной странице модель теперь помечена как устаревшая в пользу Ling-3.1-flash. А что касается знаний, Omniscience Index из той оценки показал, что улучшение по сравнению с предыдущим поколением было достигнуто в основном за счёт воздержания от ответа — галлюцинации снизились (97% → 44%), тогда как точность выросла лишь незначительно (16% → 18%), — так что не принимайте заметный скачок Omniscience Index за всесторонний скачок знаний.
Когда не следует использовать это
Пропустите Ling-3.0-flash для мультимодальных задач — это линейка Ming. Пропустите его, если вам нужен тяжёлый флагман для рассуждений, а не быстрый исполнитель — это вотчина Ring. Если вы планируете развёртывать модель самостоятельно, предусмотрите бюджет под реальное оборудование: BF16 — примерно 255 ГБ, FP8 — примерно 128 ГБ, а сборка MXFP4 — именно та, что помещается в DGX Spark с 121 ГБ. Если вы выбираете модель Ling с нуля, а не поддерживаете уже существующее развёртывание, сначала сравните её с Ling-3.1-flash; AA перенесла туда своё покрытие. И если какое-то утверждение для вас важно, проверьте его — цифры пиковой скорости и длинного контекста принадлежат Ant, пока независимая лаборатория не повторит их.
Часто задаваемые вопросы
Имеет ли Ling-3.0-flash открытые веса?
Да. Веса были опубликованы с открытым исходным кодом 7 августа под лицензией MIT на Hugging Face (inclusionAI/Ling-3.0-flash) и ModelScope. Это разрешительная лицензия, допускающая коммерческое использование, — та же, под которой выпускались Ling 2.0 и Ling 2.6.
Как Ling-3.0-flash показывает себя в бенчмарках?
Оценка Artificial Analysis, на которую эта публикация ссылалась в августе, присвоила модели 38 баллов по Intelligence Index — на 24 балла больше, чем у Ling-2.6-flash, — и поместила её на границу Парето открытых весов по соотношению интеллекта и общего числа параметров. На актуальной странице AA модель теперь помечена как устаревшая в пользу Ling-3.1-flash, а текущий Intelligence Index не указан, поэтому 38 — это исторический результат. Таблица бенчмарков в карточке модели Ant (например, SWE-Bench Pro 56.6) составлена производителем и не была независимо воспроизведена.
Насколько это на самом деле быстро?
Существуют три разных числа для трёх разных конфигураций. Сейчас AA указывает 243 выходных токена в секунду и время до первого токена 2,79 с на размещённом API. NVIDIA сообщает о 53,89 ток/с при декодировании при размере пакета 1 на одном DGX Spark. Ant утверждает о 1100+ ток/с и TTFT менее 100 мс на указанном кластерном оборудовании. Независимым является только показатель AA; два других — это измерения производителей на разном оборудовании.
Сколько стоит Ling-3.0-flash?
AA указывает стоимость собственного API: $0,075 за 1 млн входных токенов и $0,22 за 1 млн выходных, со скидкой 80% при попадании в кэш. Вводный бесплатный тариф завершился 3 августа, а период временной скидки 75% на Ling Studio — 31 августа 2026 года.
В чем разница между Ling, Ring и Ming?
Ling — это линейка универсальных MoE-моделей InclusionAI для работы с текстом и вызова инструментов, а Ling-3.0-flash находится на её быстром и недорогом конце. Ring — линейка, ориентированная на рассуждения. Ming работает с мультимодальными задачами. Это отдельные семейства для разных задач, а не уровни одной модели.
Может ли Ling-3.0-flash работать на одном DGX Spark?
Да. 27 октября NVIDIA опубликовала рецепт сборки MXFP4 на одном DGX Spark (121 ГБ унифицированной памяти) с использованием ядер Humming MXFP4, FP8 LM head и многотокового предсказания NEXTN. Сообщается о 53,89 ток/с при декодировании с размером батча 1 на 1319 вопросах GSM8K — прирост на 42,5% при точности 96,82%. Это собственные результаты NVIDIA, независимо не воспроизведённые, и они справедливы только при размере батча 1; сочетание FP8 с MTP требует, чтобы драфт-модель использовала общую полноразмерную LM head, иначе пропускная способность может упасть ниже неоптимизированного базового уровня.
Стоит ли мне использовать Ling-3.0-flash в продакшене сегодня?
Это зрелая модель с открытыми весами, но она уже не самая новая Ling: AA помечает её как устаревшую в пользу Ling-3.1-flash. Если вы уже используете Ling-3.0-flash, рецепт для DGX Spark представляет собой конкретную оптимизацию, которую стоит воспроизвести. Если вы выбираете модель с нуля, сравните её с Ling-3.1-flash и прогоните собственный набор оценок; лицензия MIT и цена $0.075/$0.22 по-прежнему делают её убедительным представителем дешёвого сегмента.
Итог
Ling-3.0-flash больше не самый новый Ling, и актуальная страница AA это подтверждает. То, чего у большинства моделей с открытыми весами никогда не бывает, — это измеренная конфигурация на одном устройстве: один DGX Spark, 53,89 ток/с декодирования при размере батча 1, 96,82% на GSM8K, причём базовая линия, протокол и режим отказа опубликованы вместе с результатами. Воспринимайте 42,5% как собственный результат NVIDIA, а не независимый вердикт, а августовский индекс 38 — как историю. В этих пределах модель остаётся правдоподобным вариантом локального быстрого уровня; если вы начинаете с нуля, первое сравнение, которое стоит провести, — с Ling-3.1-flash.
