
Ling-3.0-flash: Vad vi nu vet om Ant Groups open-weight MoE i snabbtier
- OrcaNYOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1M tokens · 186 tok/s
- openaiNYOpenAI: GPT-6.2 Astra2026-11-17$8.00 / $40.00 per 1M tokens · 86 tok/s
- openaiNYOpenAI: GPT-6.2 Sol2026-11-17$2.00 / $10.00 per 1M tokens · 151 tok/s
- tencentNYTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1M tokens · 192 tok/s
- AlibabaNYQwen: Qwen4 Max2026-11-16$1.50 / $4.50 per 1M tokens · 86 tok/s
- GoogleNYGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1M tokens · 705 tok/s
- AnthropicNYAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1M tokens · 246 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1M tokens · 97 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1M tokens · 138 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1M tokens · 85 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1M tokens · 122 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1M tokens · 102 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1M tokens · 70 tok/s
- openaiOpenAI: GPT-6.1 Terra2026-10-26$1.00 / $5.00 per 1M tokens · 35 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M tokens · 89 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M tokens · 38 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligens
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1M tokens · 231 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligens
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1M tokens · 101 tok/s
Ling-3.0-flash — Ant Groups InclusionAI-MoE på snabbnivå, som tillkännagavs den 24 juli 2026 och släpptes som öppen källkod under MIT-licensen den 7 augusti — har nu en konkret driftsättningsväg för en enda enhet. Den 27 oktober publicerade NVIDIA ett tekniskt recept som visar att modellens FP4-bygge avkodar i 53,89 token per sekund på en DGX Spark, en ökning med 42,5 % från 37,81 tok/s, för samtliga 1 319 GSM8K-frågor, med statistiskt oförändrad noggrannhet. Det är NVIDIAs egna mätningar på deras egen hårdvara, inte en oberoende tredjepartskörning, och de gäller batchstorlek 1. De ersätter inte siffrorna för det värdbaserade API:et nedan. De förvandlar dock modellens tidigare vaga "driftsättningsväg för en enda DGX Spark" till en publicerad konfiguration med en baslinje, ett protokoll och ett dokumenterat felbeteende.
Själva modellen har inte förändrats. Det är en inbyggd hybridresonemangs-mixture-of-experts med 124B parametrar totalt och 5,1B aktiva per token, byggd som den snabba, billiga nivån i Ling-familjen; vikterna under MIT-licens har funnits på Hugging Face och ModelScope sedan 7 augusti. Det som har förändrats sedan augustiversionen av det här inlägget är den omgivande dokumentationen. Utvärderingen från Artificial Analysis, som det här inlägget citerade i augusti, gav Ling-3.0-flash 38 på sitt Intelligence Index och placerade den på Paretofronten för öppna vikter när det gäller intelligens kontra totalt antal parametrar. AAs livesida markerar nu modellen som utfasad till förmån för Ling-3.1-flash, hänvisar läsarna dit och visar inte längre något aktuellt Intelligence Index. 38 är fortfarande den senaste oberoende poäng som denna checkpoint fick; det är inte en aktuell siffra.
Den här revideringen införlivar oktobermätningen av DGX Spark och rättar de delar av augustiinlägget som har ändrats – AA:s aktuella hastighetssiffror och dess utfasningsstatus – samtidigt som källbeteckningarna hålls intakta. När Ant Group eller NVIDIA är den enda källan för en siffra, står det i meningen.
Kort sagt. Ling-3.0-flash är Ant Groups MoE i snabbklassen med öppna vikter: 124B totalt / 5.1B aktiva, MIT-licens, 256K inbyggd kontext (262K i serverad form). Det är inte längre den nyaste Ling — AA markerar den som utfasad till förmån för Ling-3.1-flash — men den är fortfarande tillgänglig, dokumenterad och har nu ett uppmätt recept för en enskild enhet. NVIDIAs DGX Spark-konfiguration från 27 oktober kör 53.89 tok/s vid batchstorlek 1 på GSM8K, +42.5 % över dess egen baslinje, enligt leverantören. I det hostade API:et listar AA för närvarande 243 utdata-tok/s och 2.79 s tid till första token. Fortfarande endast från leverantören: Ants påstående om toppgenomströmning på 1 100+ tok/s, siffran för TTFT under 100 ms och benchmarktabellen i modellkortet. Priset för förstaparts-API:et är $0.075 in / $0.22 ut per 1M tokens (80 % rabatt vid cacheträffar); den kostnadsfria lanseringsnivån upphörde den 3 augusti, och Ling Studio-kampanjen med 75 % rabatt upphörde den 31 augusti.
Viktiga slutsatser
• Det är den snabba/billiga nivån, inte flaggskeppet. Den tidigare generationens flaggskepp med 1T parametrar är fortfarande InclusionAI:s största modell; Ling-3.0-flash är det mindre, snabbare syskonet som riktar sig mot text med hög volym och verktygsanrop.
• Vikterna är fortfarande öppna under MIT. De släpptes på Hugging Face (inclusionAI/Ling-3.0-flash) och ModelScope den 7 augusti, och MXFP4-bygget som NVIDIA dokumenterar för DGX Spark levereras tillsammans med BF16- och FP8-checkpunkterna.
• Det oberoende resultatet är nu historia. Den AA-körning som det här inlägget hänvisade till i augusti gav det 38, en uppgång med 24 jämfört med Ling-2.6-flash, och placerade det på Paretofronten för öppna vikter; AA:s aktiva sida markerar nu modellen som utfasad till förmån för Ling-3.1-flash och visar inget aktuellt Intelligence Index.
• Hastigheten har tre referenspunkter, och de är inte utbytbara. AA anger för närvarande 243 output-tok/s för det hostade API:et; NVIDIA mäter 53,89 tok/s på en DGX Spark med batchstorlek 1; Ant hävdar fortfarande 1 100+ tok/s på angiven klusterhårdvara.
• Priserna är fastställda och kampanjerna är över. $0.075 in / $0.22 ut per 1 miljon tokens med 80 % rabatt vid cacheträff; den kostnadsfria lanseringsnivån avslutades 3 augusti, och Ling Studios 75 %-rabattperiod avslutades 31 augusti.
• Det är en del av en familj med tre modeller. InclusionAI delar upp sitt sortiment i Ling (allmän text- och verktygs-MoE, den här modellen), Ring (resonemang) och Ming (multimodal).
En kommentar om hur du läser den här uppdateringen: den är en revidering av förhandsvisningen från 24 juli och revideringen från 8 augusti före den. Resultatet för DGX Spark den 27 oktober är det nya materialet; AA-rättelserna är städning så att inlägget inte citerar en aktuell poäng som inte längre finns. Varje specifikation, benchmark och pris nedan är märkt med källa.
Vad vi faktiskt vet
Arkitekturen är fullt dokumenterad på modellkortet. Ling-3.0-flash använder en inbyggd hybrid linjär attention-stack – Kimi Delta Attention (KDA) och Gated MLA-lager som alternerar i förhållandet 5:1 (35 KDA + 7 MLA, 42 lager totalt), med KDA:s finkorniga diagonala gating – ovanpå en 1/64 gles MoE (512 routade experter, 8 aktiverade per token, plus en delad expert). Det är så den når 124B totala parametrar med endast 5,1B aktiva. Kontextfönstret är 256K inbyggt, serveras vid 262 144 token i inferensrecepten, och Ant hävdar att arkitekturen skalar till 1M. Maximal utdatalängd avslöjas inte. Modellen är endast text med stöd för verktygsanrop; multimodala indata finns i den separata Ming-serien.
Labbet publicerar två viktformat — BF16 (ungefär 255 GB) och FP8 (ungefär 128 GB) — och community-kvantiserade varianter länkas från modellkortet. DGX Spark-receptet använder ett tredje: ett MXFP4-bygge som ryms i enhetens 121 GB enhetliga minne. Labbets egna distributionsrecept riktar sig mot SGLang och vLLM; NVIDIA:s Spark-väg använder ett SGLang-bygge från InclusionAI med Humming MoE-backend tillagd.
Tillgänglighet: öppna vikter under MIT
Den 7 augusti släppte InclusionAI-teamet på Ant Group vikterna som öppen källkod under MIT-licensen på Hugging Face (inclusionAI/Ling-3.0-flash) och ModelScope. Det är en tillåtande licens som får användas kommersiellt – samma licens som Ling 2.0 och Ling 2.6 levererades under – och det innebär att du kan självhosta, finjustera och driftsätta Ling-3.0-flash själv i stället för att hyra den via ett API. Modellen kan också anropas via Ants egen utvecklar-API och flera tredjepartsplattformar. För en modell i snabbklassen till detta pris är den intressanta frågan inte längre huruvida du kan självhosta den; det är huruvida en enda enhet på 121 GB räcker. InclusionAI:s Ling Cookbook innehåller nu en DGX Spark-notebook som tillskrivs både Ant Group och NVIDIA, och den MXFP4-checkpoint den använder publiceras tillsammans med de andra formaten. Avsnittet nedan är det första uppmätta svaret på den frågan.

Oberoende resultat: ett resultat från augusti, nu historiskt
Den enskilt största förändringen jämfört med juliniägget var att oberoende siffror dök upp. Artificial Analysiss utvärdering, som det här inlägget citerade i augusti, gav Ling-3.0-flash 38 på Intelligence Index — 24 poäng över föregående generation i snabbklassen, Ling-2.6-flash (14), och i nivå med MiMo-V2.5 och Qwen 3.6 27B samtidigt som den aktiverade en bråkdel av deras parametrar. AA placerade också modellen på Pareto-fronten för öppna vikter för intelligens kontra totalt antal parametrar: vid den tiden fick ingen modell med öppna vikter och färre totala parametrar högre poäng. Ledaren i snabbklassen för öppna vikter hos AA, DeepSeek V4 Flash, fick ännu högre poäng (Index 52 vid maximal resonemangsansträngning).
Det resultatet har sedan dess avförts snarare än upphävts. AA:s aktiva sida för Ling-3.0-flash markerar nu modellen som utfasad till förmån för Ling-3.1-flash, hänvisar läsare till den nyare modellen och visar inget aktuellt Intelligence Index. 38:an är fortfarande den sista oberoende poäng som denna checkpoint fick; läs den som ett daterat resultat, inte som en aktuell rangordning. Om du väljer en Ling-modell i dag är jämförelsen du bör göra mot Ling-3.1-flash, som AA för närvarande täcker.
De agentiska och långkontextuella resultaten från den utvärderingen var också starka i rätt riktning. I AA:s τ3-Bench Banking-svit fick Ling-3.0-flash 27 %, näst bäst bland öppna viktmodeller i flash-klassen efter DeepSeek V4 Flash (39 %). På GDPval-AA v2 nådde den ett Elo på 1108, en ökning från 545 för Ling-2.6-flash. Ant tränade modellen i över 10 000 interaktiva miljöer (enligt leverantören) och marknadsför den som en exekveringsnod för agentarbetsflöden – snabb, billig och utbytbar, med det tunga resonemanget överlåtet till en större flaggskeppsmodell.
En brasklapp om källorna: benchmarktabellen på Ants modellkort – SWE-Bench Pro 56,6, SWE-bench Multilingual 72,4, MathArena AIME 2026 93,2, HLE 22,7 – är leverantörsrapporterad och har inte reproducerats oberoende. Betrakta den som labbets egna påståenden, i samma kategori som topphastighetssiffrorna nedan.
Hastighet: tre siffror, tre olika inställningar
Berättelsen om hastighet har nu tre siffror, och det första man bör göra är att sluta behandla dem som samma mätning.
På det hostade API:et listar Artificial Analysis för närvarande 243 output-token per sekund och 2,79 s till första token. Det är lägre än de 368 tok/s och 1,98 s som det här inlägget rapporterade i augusti — AA:s leverantörspanel och körningar ändras, och den aktuella livesidan är den som bör citeras i dag. Modellen rankas fortfarande nära toppen av sin hastighetsklass.
På en enda DGX Spark rapporterar NVIDIA 53,89 decode-tokens per sekund vid batchstorlek 1 på GSM8K, en förbättring med 42,5 % jämfört med sin egen baslinje. Det är ett lokalt mått för en enskild användare, inte jämförbart med en API-genomströmningssiffra och inte ett samtidighetsresultat. Nästa avsnitt reder ut det.
På angiven klusterhårdvara hävdar Ant en genomsnittlig utdatahastighet över 1 100 tokens per sekund och under 100 ms till första token med ett hierarkiskt cachelager byggt på SGLang HiCache och Mooncake. Det är fortfarande endast leverantörens uppgifter – uppmätt på hårdvara och batchkonfigurationer som Ant kontrollerar, utan någon publicerad oberoende omkörning. För planering, använd AA-siffran för hostade arbeten, NVIDIA-siffran för en enskild Spark, och behandla 1 100+ tok/s som ett tak att verifiera på din egen arbetsbelastning.
En DGX Spark: vad 42,5 % faktiskt mäter
Den 27 oktober publicerade NVIDIAs tekniska blogg ett recept för att köra Ling-3.0-flash-fp4 på en DGX Spark – GB10-skrivbordssystemet med 121GB enhetligt minne – och InclusionAI:s Ling Cookbook innehåller den motsvarande notebooken, som gemensamt tillskrivs Ant Group och NVIDIA. Ant Groups egen redogörelse beskrev arbetet som ett tekniskt samarbete med NVIDIA. Detta är en noggrann benchmark snarare än en demo: alla 1 319 GSM8K-frågor, kedjeresonemang med fem exempel, batchstorlek 1, temperature 0.6, top-p 0.95, top-k 29 och ett tak på 32 768 token.
Baslinjen är en W4A8-build som serveras med FlashInfer:s MXFP4 MoE-kärnor, CUTLASS dense GEMM och ett 32-bitars LM-head. På den baslinjen körs decode i 37,81 tok/s. Med tre ändringar staplade körs den i 53,89 tok/s – de 42,5 % i rubriken. Medeltiden per genererad uttoken sjunker från 26,45 ms till 18,56 ms (−29,8 %), den genomsnittliga end-to-end-latensen från 15,21 s till 11,49 s (−24,5 %), P50 från 8,36 s till 6,11 s och P95 från 50,20 s till 38,60 s. GSM8K-noggrannheten går från 96,89 % till 96,82 %, en skillnad på 0,08 punkter som NVIDIA beskriver som inte statistiskt detekterbar. Medeltiden till första token är i stort sett oförändrad, 0,207 s till 0,214 s. Detta är decode-vinster, inte prefill-vinster.
De tre ändringarna riktar sig mot olika kostnader:
• Humming MXFP4-MoE-kärnor ersätter FlashInfer-backendet. Humming kompilerar kärnor vid körning med NVRTC för modellens exakta former – inklusive dess smala MoE-mellanstorlek på 768 – och cachar dem i ~/.humming/cache. I NVIDIAs syntetiska test ökar det ensamt genomströmningen med 9,3 %.
• Online-FP8-kvantisering av LM-huvudet. Huvudet förblir BF16 i checkpointen, och dess 157 184 × 2 560 GEMM läser hela viktblocket för varje token; att kvantisera det till FP8 vid inläsning halverar den läsningen. Det aktiveras med SGLANG_ENABLE_FP8_LM_HEAD=1, vilket står i konflikt med baslinjens --enable-fp32-lm-head, och ger 11,4 % utöver enbart Humming.
• NEXTN-flertokenprediktion. Modellens inbyggda NEXTN-lager föreslår tre tokens och verifierar ett fönster på fyra tokens. På GSM8K är den genomsnittliga accepterade utkastlängden 2,68 tokens per omgång.
Det finns en andra, mer uppseendeväckande siffra i samma inlägg: en syntetisk arbetsbelastning med 32K in / 2K ut vid batchstorlek 1 ökar från 36,09 till 102,88 tok/s, +185,1 %. NVIDIA själva varnar för att generalisera den. Den körningen använde girig avkodning, en fast 2K-utdata och repetitiv text; acceptansen nådde 3,90 tokens per runda jämfört med 2,68 på GSM8K. Siffran 42,5 % för GSM8K är den man bör planera efter. De 185,1 % är ett syntetiskt tak i bästa fall.
En operativ fallgrop är viktigare än snabbhetsvinsten. FP8-kvantisering av LM-head och MTP kan endast kombineras om utkastmodellen delar målmodellens hela LM-head-modul, inte bara dess vikt-tensor. Utan det gränssnittet faller ramverket tyst tillbaka, läser FP8-vikter som BF16, sänker acceptansen till 1.00 och kan till och med bli långsammare än den icke-optimerade baslinjen. NVIDIAs råd är att verifiera att varje optimering är aktiv vid start i stället för att sluta sig till det från senare tidsmätningar.
Vad detta förändrar för en läsare: single-Spark-vägen är inte längre en leverantörsbild. Det är ett publicerat recept med en baslinje, ett mätprotokoll och ett angivet felläge – tillräckligt för att reproducera eller förkasta på din egen enhet. Vad det inte förändrar: det är fortfarande NVIDIAs egen mätning, på en enhet, med batchstorlek 1, för avkodning. Det säger ingenting om samtidig servering, långkontextgenomströmning eller det hostade API:et. Och det är specifikt för FP4-bygget; BF16- och FP8-checkpointarna har olika minnes- och bandbreddsprofiler.
Pris: billigt, och kampanjen är över
Artificial Analysis listar förstaparts-API:et till $0,075 per 1 M indatatokens och $0,22 per 1 M utdatatokens, med cacheträffar på $0,015 (−80 %) – all prissättning satt av leverantören. Gratisnivån vid lansering (500 000 gratis tokens/dag, kostnadsfri API-åtkomst) upphörde den 3 augusti. Den tillfälliga 75 % rabattperioden för Ling Studio pågick till och med den 31 augusti 2026; listpriser har gällt sedan den 1 september. Även till fullt listpris placerar $0,075/$0,22 Ling-3.0-flash stadigt i det billiga segmentet för en modell med ett Index på 38 i den utvärderingen.
Vid så låga priser spelar bytaskostnaden större roll än priset per token. OrcaRouters uppgift är att hålla den hostade sidan av den jämförelsen ärlig: ett API för 200+ modeller, leverantörernas listpriser som förs vidare med 0 % påslag och automatisk failover mellan leverantörer. En lokal DGX Spark-driftsättning måste slå ett verkligt, aktuellt marknadspris i stället för en leverantörsbild — och när en hostad leverantör ändrar sitt pris visar prisgenomströmningen det på samma nyckel samma dag.
Familjen Ling / Ring / Ming
Ling-3.0-flash finns inte i isolering — InclusionAI organiserar sina lanseringar i tre namngivna familjer, var och en inriktad på en annan uppgift. Ling är den allmänna MoE-linjen för vardaglig textgenerering och verktygsanrop, och Ling-3.0-flash ligger i dess snabba/billiga ände, ett steg under föregående generations 1T-parameters flaggskepp. Ring är den resonemangsinriktade linjen, byggd för flerstegs kedjeresonemang. Ming är den multimodala linjen. Om din uppgift kräver tyngre resonemang eller bildinmatning är rätt InclusionAI-modell förmodligen inte Ling-3.0-flash — den är byggd för volym och hastighet inom text- och verktygsspåret.
För vem: fyra scenarier
1. Högvolym-, latenskänsliga text- eller verktygsanrops-pipelines
Det här är modellens hemmaplan. Med en MIT-licens, ett publicerat recept för en enda Spark och ett daterat oberoende Index på 38 är satsningen på den snabba nivån testbar snarare än hypotetisk – kör din egen utvärderingsuppsättning genom den, eller hämta vikterna och kör självhostat. Bygg bara inte runt leverantörens tak på 1 100+ tok/s förrän du har mätt det på din arbetsbelastning.
2. Team som vill ha lång kontext med en begränsad budget
En inbyggd kontext på 256K (262K serverad) med en angiven väg till 1M, till $0.075/$0.22, är en attraktiv kombination för retrieval-tungt eller dokumentbearbetande arbete. Modellkortets siffror för lång kontext är leverantörsrapporterade, så ta med den som kandidat mot etablerade alternativ för lång kontext och verifiera på din egen korpus innan du binder dig.
3. Bevakare som följer Kinas MoE-landskap och InclusionAI-färdplanen.
Julifrågan – skulle InclusionAI förbli öppen? – har nu ett svar: ja, MIT, och snabbt. Att Ling-3.0-flash landade på AA:s Pareto-front med 5,1B aktiva var en datapunkt. Oktoberreceptet för DGX Spark är en andra: en 124B-modell som avkodar i 53,89 tok/s på en enda stationär dator med batchstorlek 1, med receptet publicerat.
4. Team med en enda DGX Spark på skrivbordet
Om du redan äger burken är NVIDIAs recept den första konfigurationen som är värd att kopiera: MXFP4-bygge, InclusionAIs SGLang-fork, Humming MoE-kärnor, ett FP8 LM-huvud och NEXTN MTP. Behandla det som en leverantörs mätning vid batchstorlek 1, och verifiera vid uppstart att FP8- och MTP-delarna faktiskt är aktiva – felfallet med tyst fallback är verkligt. Om du inte äger en Spark är receptet en datapunkt om vad 121GB enhetligt minne ger, inte ett skäl att köpa en.
Vad är ännu overifierat?
En kort lista, nu när de stora luckorna är täppta. Ants påståenden om topphastighet (1 100+ tok/s, under 100 ms TTFT) har fortfarande inte mätts om oberoende. Benchmarktabellen i modellkortet är fortfarande leverantörsrapporterad. FP4/INT4-byggena och vägen med en enda DGX Spark är inte längre vaga — NVIDIA publicerade konfigurationen och InclusionAI levererar notebooken — men siffrorna 53,89 tok/s och 96,82 % är NVIDIA:s egna mätningar på en enhet med batchstorlek 1, inte en tredjepartsreproduktion. Den oberoende poängen är historisk: utvärderingen som det här inlägget hänvisade till i augusti gav den 38, och den aktuella sidan markerar nu modellen som utfasad till förmån för Ling-3.1-flash. Och vad gäller kunskap visade Omniscience Index från den utvärderingen att förbättringen jämfört med föregående generation till stor del kom genom att avstå från att svara — hallucinationerna minskade (97 % → 44 %) medan träffsäkerheten bara ökade marginellt (16 % → 18 %) — så missta inte det uppmärksammade hoppet i Index för ett kunskapslyft över hela linjen.
När du inte ska använda det
Hoppa över Ling-3.0-flash för multimodalt arbete – det är Ming-serien. Hoppa över den om du behöver ett tungt flaggskepp för resonemang i stället för en snabb utförare – det är Rings område. Om du planerar att självhosta bör du räkna med den riktiga hårdvaran: BF16 är ungefär 255 GB, FP8 ungefär 128 GB, och MXFP4-bygget är det som får plats i en DGX Spark på 121 GB. Om du väljer en Ling-modell från grunden i stället för att underhålla en befintlig driftsättning, jämför först med Ling-3.1-flash; AA har flyttat sin täckning dit. Och om ett påstående spelar roll för dig, verifiera det – siffrorna för topphastighet och lång kontext är Ants tills ett oberoende labb kör om dem.
Vanliga frågor
Är Ling-3.0-flash öppen vikt?
Ja. Vikterna släpptes som öppen källkod den 7 augusti under MIT-licensen, på Hugging Face (inclusionAI/Ling-3.0-flash) och ModelScope. Det är en tillåtande, kommersiellt användbar licens — samma som Ling 2.0 och Ling 2.6 släpptes under.
Hur presterar Ling-3.0-flash på benchmark?
Utvärderingen från Artificial Analysis, som det här inlägget citerade i augusti, gav den 38 på Intelligence Index, 24 poäng mer än Ling-2.6-flash, och placerade den på open-weights-Paretofronten för intelligens kontra totala parametrar. AA:s aktuella sida markerar nu modellen som utfasad till förmån för Ling-3.1-flash och visar inget aktuellt Intelligence Index, så 38 är ett historiskt resultat. Benchmarktabellen på Ants modellkort (till exempel SWE-Bench Pro 56.6) är leverantörsrapporterad och har inte oberoende reproducerats.
Hur snabbt är det egentligen?
Det finns tre olika siffror för tre olika konfigurationer. AA listar för närvarande 243 utdatatokens per sekund och 2,79 s tid till första token på den hostade API:n. NVIDIA rapporterar 53,89 decode tok/s vid batchstorlek 1 på en DGX Spark. Ant hävdar 1 100+ tok/s och under 100 ms TTFT på angiven klusterhårdvara. Endast AA-siffran är oberoende; de andra två är leverantörsmätningar på olika hårdvara.
Vad kostar Ling-3.0-flash?
AA listar förstaparts-API:et till $0,075 per 1M indatatoken och $0,22 per 1M utdata, med 80 % rabatt vid cacheträff. Den kostnadsfria lanseringsnivån upphörde den 3 augusti, och den tillfälliga 75 %-rabattperioden på Ling Studio upphörde den 31 augusti 2026.
Vad är skillnaden mellan Ling, Ring och Ming?
Ling är InclusionAI:s allmänna MoE-linje för text och verktygsanrop, och Ling-3.0-flash ligger i dess snabba/billiga ände. Ring är den resonemangsfokuserade linjen. Ming hanterar multimodala uppgifter. De är separata familjer för olika uppgifter, inte nivåer av en och samma modell.
Kan Ling-3.0-flash köras på en enda DGX Spark?
Ja. NVIDIA publicerade ett recept den 27 oktober för MXFP4-bygget på en DGX Spark (121 GB enhetligt minne), med Humming MXFP4-kärnor, ett FP8 LM-huvud och NEXTN-flertokenprediktion. Det rapporterar 53,89 tok/s i avkodning vid batchstorlek 1 över 1 319 GSM8K-frågor, en förbättring med 42,5 %, med 96,82 % noggrannhet. Resultaten är NVIDIAs egna, inte oberoende reproducerade, och gäller endast vid batchstorlek 1; att kombinera FP8 med MTP kräver att utkastet delar hela LM-huvudet, annars kan genomströmningen falla under den ooptimerade baslinjen.
Bör jag använda Ling-3.0-flash i produktion idag?
Det är en mogen öppenviktsmodell, men det är inte längre den nyaste Ling: AA markerar den som utfasad till förmån för Ling-3.1-flash. Om du redan kör Ling-3.0-flash är DGX Spark-receptet en konkret optimering värd att återskapa. Om du väljer på nytt bör du jämföra med Ling-3.1-flash och köra din egen utvärderingsuppsättning; MIT-licensen och priset på $0.075/$0.22 gör den fortfarande till ett trovärdigt billigt alternativ.
Slutsatsen
Ling-3.0-flash är inte längre den nyaste Ling, och det står på AA:s live-sida. Det den har som de flesta modeller med öppna vikter aldrig får är en uppmätt konfiguration för en enda enhet: en DGX Spark, 53,89 decode tok/s vid batchstorlek 1, 96,82 % på GSM8K, med baslinjen, protokollet och felbeteendet publicerade tillsammans. Läs 42,5 % som NVIDIA:s eget resultat snarare än ett oberoende utlåtande, och läs August Index på 38 som historia. Inom dessa gränser är modellen fortfarande ett trovärdigt lokalt alternativ på den snabba nivån; om du börjar från grunden är jämförelsen du först bör köra den mot Ling-3.1-flash.
