Ling-3.1-flash-1019 и Kimi K3 делят результат 44 — а скачать по-прежнему нечего

Сначала появилось число, а потом — сама модель. 22 октября команда Ling в Ant Group выставила Ling-3.1-flash-1019 от своего имени, приложив оценку и обещание: 44 балла в Artificial Analysis Intelligence Index — рост с 41 у Ling-3.1-flash неделей ранее — и на уровне показателя Moonshot — Kimi K3. В том же посте говорится, что доступ по API и открытые веса «скоро появятся». Страница модели на Artificial Analysis согласуется с первой половиной — 44 балла и третье место среди 174 отслеживаемых моделей — и со второй: публично доступного API нет, число параметров не раскрыто, а статус лицензии — проприетарный. Поэтому точная формулировка не «Ant выпустила модель класса K3». Она такая: Ant опубликовала измеренную оценку для Ling-3.1-flash-1019, и на сегодня никто за пределами собственного оценочного конвейера Ant не может обратиться к сборке, которая её заработала. Это сводка того, что мы знаем на данный момент, о модели, которая пока состоит из одного числа и одного обещания; и каждая цифра ниже либо имеет источник, либо явно помечена как не имеющая его.

Суть в двух словах, для тех, кто хочет всё сразу: Ling-3.1-flash-1019 — это датированный чекпойнт той же линейки, что и Ling-3.1-flash: разреженная смесь экспертов примерно на 560 млрд параметров, из которых около 25 млрд активны на токен, гибридный стек линейного внимания и заявленный контекст в 1 млн токенов; «1019» — это дата сборки, а не новая архитектура. Новое здесь — это показатель, стоимость его получения и разрыв между двумя лабораториями, которых теперь касается это сравнение: Ant, которая анонсировала, а не выпустила, и DeepSeek, чья собственная датированная flash-сборка, DeepSeek V4.1-Flash-1017, вышла пятью днями раньше с весами и неизменной тарифной сеткой. Разница между этими двумя стилями выпуска — во многом и есть то, о чём эта статья.

Что такое 44 и о чём страница умалчивает

Индекс интеллекта Artificial Analysis — это составной показатель, а не отдельный тест. Версия 4.3.2 взвешивает десять оценок: AA-Briefcase v1.1, GDPval-AA v2.1, AutomationBench-AA, Terminal-Bench 4.0, SciCode, Humanity's Last Exam, GDP.pdf, CritPt, AA-Omniscience и AA-LCR v1.1. Составной показатель, объединяющий офисную работу, использование терминала, соревновательную математику, извлечение информации из длинного контекста и поведение при галлюцинациях, выдаст число почти для любой модели, но это число будет настолько информативным, насколько информативны строки, лежащие в его основе.

Для Ling-3.1-flash-1019 соответствующих строк пока нет. Страница публикует 44 и ставит модель на третье место в общем зачёте; в ней указаны контекст в 1M токенов, текст на входе и текст на выходе, reasoning-модель, нераскрытое число параметров и — что важнее всего — «Нет публично доступного API» там, где должны быть результаты по отдельным оценкам и показатели скорости. SciCode помечен как «на проверке». Нет ни показателя скорости вывода, ни показателя задержки, и нет способа воспроизвести хотя бы одну строку без весов или эндпоинта. Это не критика Artificial Analysis, которая может измерять только то, до чего может добраться; это описание того, насколько скудны доказательства в этот момент. Детали модели ниже сводного показателя были измерены, по всей вероятности, на размещённом у поставщика или предоставленном поставщиком эндпоинте, а подробности этой схемы не раскрываются публично.

Две цифры на той странице говорят больше, чем заголовок, потому что обе — это затраты, а не баллы. Первая — выходные токены, потреблённые за прогон индекса: 350 млн для сборки 1019 против 220 млн для сборки, набравшей 41. Вторая — стоимость одной задачи Intelligence Index: $1.49 против $1.00 у предшественника. Вместе они говорят то, чего не может сказать балл: три дополнительных балла были куплены за счёт рассуждений примерно на 59% дольше при том же номинальном тарифе, а счёт за задачу вырос примерно на 49%. Лаборатория, которая получает баллы индекса, заставляя модель рассуждать дольше, поступает не неправильно — длина рассуждений является законным рычагом, — но это означает, что 44 не бесплатны и что покупатель, сравнивающий только по индексу, сравнивает число, стоимость балла которого сдвинулась не в ту сторону.

Сама тарифная сетка не изменилась. Artificial Analysis указывает $0.30 за миллион входных токенов и $0.90 за миллион выходных для обеих сборок, 80%-ную скидку на кэш, смешанную цену $0.19 за миллион при стандартном сочетании и контекстное окно в 1M. Это перенесённые опубликованные цены родительской модели — разумное допущение, когда поставщик не объявил новых цен, но это именно допущение. Промоакционные цены Ant на рабочей сборке — подробнее об этом ниже — значительно ниже прайсового тарифа.

Откуда взялись три очка

Ant не опубликовала таблицу с результатами по каждому оценочному тесту для сборки 1019. Суб-оценки, которые получили распространение, взяты из китайскоязычного освещения анонса, где сообщается о двух изменениях, приписываемых Artificial Analysis: AA-Briefcase вырос примерно с 1,400 Elo до 1,524, а AutomationBench-AA — примерно с 62% до 68%. Считайте оба показателя вторичными, пока строки оценки не появятся на странице модели — это заявленные числа, а не те, которые эта статья проверила по первичной таблице.

По крайней мере, внутренне они согласуются с тем, что измерила родительская сборка. Когда мы 7 октября посмотрели страницу Ling-3.1-flash, AA-Briefcase составлял 1,400.35, а AutomationBench-AA — 0.617; это те же значения, которые в материале округляются до «примерно 1,400» и «около 62%». Так что направление движения правдоподобно и указывает на конкретное утверждение: обновление представляет собой улучшение в агентных сценариях и офисной работе, а не общий прирост возможностей. AutomationBench и AA-Briefcase — это две строки в данном индексе, которые наиболее непосредственно вознаграждают многошаговое использование инструментов и выполнение долгосрочных задач. Если они сдвинулись, а GDPval, SciCode, HLE и CritPt — нет, то правильное описание Ling-3.1-flash-1019 — «лучше справляется с завершением задач», а не «умнее».

Это различие имеет практическое значение. Модель, которая выигрывает на строках агентных сценариев, стоит проверить на вашей собственной нагрузке с вызовом инструментов; модель, которая улучшается равномерно, стоит проверять везде. Пока строки не опубликованы, по показателю 44 нельзя понять, какой из этих вариантов у вас в руках, и разумная позиция — та, которую занял аккаунт, отметивший эту сборку: показать полные результаты. Композитный показатель — это заголовок. Строки — это решение.

Kimi K3-Flash: позиционирование и цена

Формулировка, благодаря которой Ling-3.1-flash-1019 попал во многие ленты, появилась 22 октября у широко читаемого аккаунта: там сборку описали, по сути, как Kimi K3-Flash — интеллект класса K3 при экономике flash-уровня — и провели параллель между прогрессом Ant в этой линейке и прогрессом DeepSeek в V4.1-Flash. Ни «Kimi K3-Flash», ни эта параллель не являются продуктовым утверждением; и то и другое — сокращённые обозначения, и стоит отделить то, в чём они точны, от того, что они замалчивают.

Что здесь правильно — это арифметика соотношения «цена — индекс», и эта арифметика сурова. Kimi K3 в конфигурации Max находится на отметке 44 в том же индексе. Это также модель с 2,8 трлн параметров и 104 млрд активных на токен, которую Moonshot оценивает в $3.00 за миллион входных и $15.00 за миллион выходных, а кэшированный ввод — в $0.30. Ling-3.1-flash-1019 — это линейка с 560 млрд параметров и примерно 25 млрд активных, по цене $0.30 и $0.90. Тот же композитный балл, одна десятая тарифа за ввод, одна шестнадцатая тарифа за вывод и четверть активных параметров на токен. Если вам нужен только индекс, это не маргинальный выигрыш; это другая структура затрат при том же главном показателе.

Что эта краткая формулировка обходит молчанием — это всё, что индекс не измеряет. Kimi K3 принимает изображения на вход; Artificial Analysis указывает Ling-3.1-flash-1019 как текст на входе, текст на выходе. Kimi K3 доступна для скачивания по собственной лицензии с конца июля и с тех пор вызывается через нескольких провайдеров; у Ling-3.1-flash-1019 нет ни весов, ни эндпоинта. Строки оценки Kimi K3 опубликованы, а её скорость измерена — 44 — это композитная оценка по видимой таблице. 44 у Ling — композитная оценка по таблице, которая пока не видна. И количества параметров несопоставимы так, как подразумевает слово «560B»: K3 расходует 104 миллиарда параметров на токен, эта сборка — 25 миллиардов.

• Индекс — 44 у обоих, по Artificial Analysis Intelligence Index v4.3.2.

• Цена — Ling-3.1-flash-1019: $0.30 за вход / $0.90 за выход за 1 млн против Kimi K3 — $3.00 / $15.00.

• Активные параметры — около 25 млрд на токен против 104 млрд на токен. Всего: около 560 млрд против 2,8 трлн.

• Модальность — только текст или текст и изображение на входе.

• Доступность — анонсировано, API нет, весов нет, в отличие от доступного для скачивания и предоставляемого с июля 2026 года.

• Доказательство — композит без опубликованных строк против композита с опубликованной таблицей и измеренной скоростью вывода.

В такой формулировке «Kimi K3-Flash» — это честное описание замысла и нечестное описание текущего положения. Замысел реален: если Ant выпустит эту сборку под MIT-лицензией родительской модели по цене родительской модели, она станет самым дешёвым путём к композитной производительности уровня K3 на рынке — с большим отрывом. Текущее же положение таково, что это оценка, за которой не стоит никакого артефакта, а модели, которые реально можно арендовать за 44, стоят совсем не так.

Две лаборатории, одна методика: контрольная точка с отметкой даты

Самое интересное здесь — не оценка, а форма релиза. Обе лаборатории, которых касается это сравнение, в этом месяце выпустили промежуточные обновления по одной и той же схеме именования — четырёхзначный суффикс с месяцем и днём, добавленный к существующему названию продукта, — и обе просили воспринимать этот суффикс как версию.

У DeepSeek в списке — DeepSeek V4.1-Flash-1017, датированный 17 октября, на пять дней раньше, чем у Ant. В его changelog обновление названо «улучшением по Парето в соотношении производительности и стоимости»; говорилось, что способ вызова API и цены не изменились, а существующие вызовы перенаправлены на новую сборку. В то же утро его веса выложили на Hugging Face под MIT — 763 млрд параметров, без каких-либо ограничений доступа. В индексе, согласно публикации со ссылкой на Artificial Analysis, он получает 45 — на один пункт выше, чем у Ling's 1019, — рост на шесть пунктов по сравнению с 39, которые конфигурация V4.1-Flash (Max) показывала в начале октября. Шесть пунктов за десять дней, причём вместе с весами.

Запись Ant — это Ling-3.1-flash-1019: датируется 19 октября по суффиксу и анонсирована 22 октября. Три пункта примерно за неделю, веса не включены, дата их появления не указана. Тот же сценарий, другое исполнение: DeepSeek относилась к чекпойнту как к релизу, Ant — как к обновлению табло результатов с последующим релизом. Это не скандал и не что-то необычное — лаборатории постоянно анонсируют до появления весов — но это меняет то, что читатель может сделать сегодня, а это единственный тест, который имеет значение для модели, на которую вы, возможно, захотите направлять трафик.

В соглашении об именовании скрыто операционное последствие, и именно поэтому этот паттерн стоит отслеживать за пределами одного релиза. Когда вендор обновляет модель, меняя суффикс и оставляя строку API-модели без изменений, «flash-модель» перестаёт быть стабильной целью. Вы запрашиваете модель по имени, провайдер направляет это имя на ту сборку, которую выпустил последней, и ваша оценка с прошлой недели больше не описывает то, что ответило сегодня утром. DeepSeek высказался об этом прямо — в журнале изменений сказано, что вызовы к существующей строке модели теперь попадают в сборку 1017.

Закрепление версии — вот решение, и это вопрос маршрутизации, а не бенчмарков. Именно здесь наш собственный каталог оказывается полезен как иллюстрация: в нём и deepseek/deepseek-v4.1-flash и deepseek/deepseek-v4.1-flash-1017 значатся как отдельные ID моделей, а kimi/kimi-k3 соседствует с ними, так что вызывающая сторона может указать сборку, а не семейство. Ling-3.1-flash-1019 отсутствует в нашем каталоге, и эта статья не станет делать вид обратного — эндпоинта для него нет нигде, где мы могли бы это проверить, и в этом весь смысл раздела выше.

Что на самом деле открыто, а что из «скоро» стоит внимания

Анонсируемая сборка — не та сборка, которая открыта. Открытая — Ling-3.1-flash, чьи веса Ant опубликовала 15 октября под лицензией MIT на Hugging Face и ModelScope. Её карточка конкретна в том смысле, в каком анонс 1019 — нет: 560 млрд параметров всего, 25 млрд активных на токен, скачиваемый чекпоинт на 572 млрд параметров, 63 слоя KDA плюс 9 слоёв gated MLA в соотношении 7:1 и 4 плотных слоя, 512 маршрутизируемых экспертов, из которых активируются 8 и 1 общий, словарь размером 157 184 и контекст в 1 млн токенов.

То, как организовано обслуживание в этой родительской сборке, — как раз причина, по которой модель 560B вообще представляет интерес. В примечаниях к выпуску Ant описана схема смешанной точности — MXFP4 для маршрутизируемых экспертов, block-FP8 для плотных слоев, — которая сокращает объем весов примерно с 534GB до 292GB и в протестированной конфигурации уменьшает развертывание на Hopper с восьми GPU до четырех. Есть рецепты для SGLang и vLLM, схема параллелизации для длинного контекста, которую Ant называет PCP/DCP, и улучшенная поддержка JSON Schema для вызовов инструментов. Опубликованные Ant измеренные показатели обслуживания ничем не примечательны — в хорошем смысле: на восьми GPU Hopper среднее время до первого токена составляет 604 мс, а межтокенная задержка — 3,28 мс при 76% попаданий в кэш; на четырех — около 1,36 запроса в секунду при P50 времени до первого токена менее трех секунд.

Ничего из этого не подтверждено для сборки 1019. Это разумное ожидание — контрольная точка с датой в названии в той же линейке, при отсутствии упоминания тех же значений числа параметров, вряд ли заново выстроила свой подход к квантованию, — но ожидание не является документацией, и оба фактора, которые определили бы, имеет ли этот релиз значение на операционном уровне, отсутствуют. Первый — лицензия. Собственный пост Ant от 15 октября описывает родительскую модель как open-source и вообще не называет лицензию; карточка Hugging Face указывает MIT. Это разные артефакты с разным уровнем авторитетности, и для сборки 1019 ни того, ни другого пока нет. Второй — контрольная точка. Модель с 25 млрд активных параметров, работающая на четырёх GPU Hopper, — это действительно иное предложение, чем модель, которой нужно восемь, и всё утверждение о четырёх GPU держится на рецепте квантования, который не приложен к этой сборке.

Итак, справедливое прочтение «coming soon» таково: это заявление о сроках, а не техническое. Оно говорит, что Ant намерен выпустить продукт. Оно не говорит, на каких условиях, какого масштаба или переносятся ли расчёты по развёртыванию.

Что можно запустить сегодня

Сборка, доступная для вызова, — это родительская, Ling-3.1-flash, и её оговорки относятся к тому типу, который проявляется только после того, как вы попытаетесь её использовать. Обслуживаемый контекст составлял 262 144 токена, а не 1M, как заявлено в спецификации, при этом на размещённом эндпоинте действует ограничение вывода в 32 768 токенов, а размещённая цена была промоакционной, а не каталожной. В заметках Ant от 15 октября указано, что промоакция даёт скидку примерно 75%: $0.075 за миллион входных, $0.225 за миллион выходных и $0.015 за миллион кэшированных чтений на международной стороне, и ¥0.5 / ¥1.5 / ¥0.1 в Ling Studio. Это реальные цифры для родительской модели, а не для сборки 1019, у которой нет собственного опубликованного тарифа.

Если ваш вопрос звучит как «стоит ли переносить production-маршрут на это», ответ — нет, и не потому, что модель плоха. Сборку без эндпоинта, без весов, без лицензии и без опубликованных строк результатов по каждому оценочному прогону нельзя оценить — можно только предполагать. Если ваш вопрос звучит как «стоит ли следить за этой линейкой», ответ — да, и дешёвый способ действовать исходя из этого — прогнать бенчмарк на том, с чем она заявляет паритет. Kimi K3 и DeepSeek V4.1-Flash-1017 доступны через один ключ OrcaRouter по цене из прайс-листа провайдера с наценкой 0%, поэтому прогон одного и того же харнесса по обеим моделям покажет, во сколько 44 и 45 на самом деле обходятся вам за задачу ещё до того, как Ant что-либо выпустит. Автоматическое переключение при сбое здесь важно по прозаичной причине: когда вы направляете новый оценочный харнесс на незнакомую сборку, вы хотите, чтобы плохой эндпоинт стоил вам повторной попытки, а не целого дня. Routing DSL поместит любую из моделей за единый эндпоинт, если вы предпочитаете не переписывать клиент дважды.

Что бы это решило?

Четыре вещи, в порядке убывания того, насколько они могли бы изменить картину.

• Строки оценок. Опубликованная на странице Artificial Analysis таблица с результатами по каждой оценке превратила бы 44 из заголовка в профиль и показала бы читателю, является ли это улучшением в агентных задачах или широким улучшением. То, что SciCode выходит из статуса «на рассмотрении», важнее обычного, потому что именно в программировании дешёвая модель в первую очередь вытесняет дорогую.

• Веса с явно указанной лицензией. MIT сделала бы утверждение о четырёх GPU переносимым и превратила бы это в самую дешёвую модель класса K3, которую кто угодно может развернуть у себя. Ограничительная или индивидуальная лицензия превратила бы 44 в маркетинговую цифру с прилагаемым контрактом и стала бы отдельной историей.

• API, чтобы скорость и задержка существовали. У каждой модели в индексе, у которой есть endpoint, есть измеренная скорость вывода; у этой её нет, а значит, половина утверждения о «{{1}}flash{{/1}}», касающаяся эффективности, сейчас не проверена. Модель {{1}}flash{{/1}}, которая рассуждает на 59% дольше, — это другой продукт по сравнению с той, которая рассуждает на столько же быстрее.

• Единый испытательный стенд для всех трёх. Ни один опубликованный бенчмарк пока не прогоняет Ling-3.1-flash-1019, DeepSeek V4.1-Flash-1017 и Kimi K3 на одной и той же оценке, и пока такой не появится, любое сравнение в этой статье — включая то, что в посте, с которого всё началось, — представляет собой сравнение составных показателей, вычисленных в разное время на разных конфигурациях.

Пока не выйдет хотя бы первый из них, точное резюме Ling-3.1-flash-1019 таково: реальный балл от реальной лаборатории для модели, которая ещё не существует как артефакт. Ant уже анонсировала две сборки Ling-3.1-flash до того, как какая-либо из них стала полностью доступна — сентябрьский запуск без весов и эту, без весов и без эндпоинта — и закономерность достаточно ясна, чтобы её учитывать при планировании: воспринимайте суффикс Ant как сигнал, что что-то приближается, а суффикс DeepSeek — как сигнал, что что-то уже здесь. Про 44 стоит знать. Но маршрутизировать на это пока не стоит.