Ling-3.1-flash-1019 är nu öppen källkod: 574 GB, MIT och en verklighetscheck för 256K

Den 27 oktober klockan 05:46 UTC skapade Ling-teamet på Ant Group ett Hugging Face-repository som heter Ling-3.1-flash-1019 och fyllde det med 54 safetensors-shards om totalt 573,8 GB under en MIT-licens. Bredvid det finns Ling-3.1-flash-base, en BF16-checkpoint på 1,14 TB avsedd för vidare träning, och bakom båda finns Ling-3.1-flash, modellen som den här byggversionen är en efterträningsrevidering av. Fem dagar tidigare hade Ant endast publicerat poängen: 44 på Artificial Analysis Intelligence Index v4.3.2, upp från 41, med löfte om vikter och API. I dag har löftet en fillista, vilket gör detta till den första dagen någon utanför Ants utvärderingspipeline kan kontrollera siffran i stället för att läsa den.

Det gapet är historien, och det går åt båda hållen. Ett labb som tillkännager ett benchmark innan det levererar en artefakt ber om att bli taget på förtroende; ett labb som sedan levererar artefakten fem dagar senare, på 574 GB och under en tillåtande licens, har åtminstone lämnat över möjligheten att invända. De intressanta frågorna handlar inte längre om poängen. De handlar om vad som finns i nedladdningen, vad det kostar att betjäna, och huruvida 1M-tokenkontexten på modellkortet är den kontext du faktiskt får.

Vad finns egentligen i arkivet?

1019-repositoriet är inte en tunn adapter eller en delta. Det är en fullständig checkpoint: 54 viktfiler på ungefär 10,7 GB vardera, en tokenizer, en chattmall och anpassad modelleringskod (BailingMoeV3ForCausalLM) som kräver trust_remote_code. Den medföljande konfigurationen deklarerar ett FP8-kvantiseringsschema (E4M3, 128×128-block-skalning) ovanpå den hybridlinjära MoE-arkitekturen som Ling-serien har använt sedan 3.1:

• Totala och aktiva parametrar — 560B totalt, 25B aktiva per token, samma siffror som Ling-3.1-flash.

• Lager — 72 totalt: 63 KDA-lager med linjär uppmärksamhet och 9 gated MLA-lager i förhållandet 7:1, plus 4 täta lager.

• Experter – 512 dirigerade, 8 aktiverade per token, 1 delad.

• Vokabulär — 157 184 token; dold storlek 4 096.

• Fotavtryck — 573,8 GB safetensors på 54 shards, enligt vår sammanställning från arkivets fillista den 27 oktober.

Basmodellen är en annan typ av artefakt. Ling-3.1-flash-base skapades den 25 oktober och innehåller 121 filer och 1,14 TB BF16-vikter – ungefär dubbelt så stor som den justerade checkpointen eftersom den inte har kvantiserats till FP8. Dess kort beskriver den som bascheckpointen för Ling-3.1-flash, för fortsatt förträning, domänanpassning och forskning om efterträning, och det står tydligt att den inte är avsedd för direkt chatt eller säkerhetskritisk användning utan justering. Båda repon har MIT-taggen.

44, och den del som Ant inte mätte

Artificial Analysis listar Ling-3.1-flash-1019 på 44 i sitt Intelligence Index, rankad fyra bland 122 modeller på sidan vi läste idag, och dess modellsida anger att utvärderingarna mättes självständigt av Artificial Analysis. Det är den starkaste formen som siffran har antagit hittills, och det är värt att skilja från resten av lanseringstabellen.

Deltan per benchmark kommer från Ants eget modellkort, inte från en oberoende körning: AA-Briefcase stiger från ungefär 1 400 till 1 524 Elo, AutomationBench-AA från 62 % till 68 %, CritPt från 18 % till 26 % och SciCode från 54 % till 57 %. Två av dessa benchmarkar – AA-Briefcase och AutomationBench-AA – är komponenter i Artificial Analysis-indexet, så indexsiffran och leverantörens tabell är inte oberoende bevis för varandra. De är samma påstående i två upplösningar. Behandla 44:an som uppmätt av AA och paren före/efter som leverantörsrapporterade tills någon publicerar en harness och ett seed.

Det finns en andra asymmetri. Vid mätningen registrerade Artificial Analysis inget offentligt tillgängligt API för 1019-bygget, och fältet för modellens utdatahastighet är fortfarande tomt. Så benchmarken går i dag bara att upprepa genom att ladda ned 574 GB och köra den själv. Det är inte en klagan på utgåvan; det är en beskrivning av vad "öppen" förändrar. Före i dag kunde ingen återskapa poängen. Efter i dag kan alla som har hårdvaran göra det.

De tre poängen köps med polletter

Indexet är ett kvalitetsmått, inte ett effektivitetsmått, och effektivitetssidan av den här lanseringen är den minst smickrande delen av den. Artificial Analysis uppmätte 350M uttoken för 1019-körningen mot 220M för Ling-3.1-flash – cirka 59 % fler genererade tokens för att slutföra samma svit – och rankar det nya bygget som 48:e av 48 i verbositet, med medianmodellen på 140M. Kostnaden för att köra indexet är $1.49 per uppgift mot $1.01 för föregångaren.

En del av det är aritmetik som du kan göra utifrån Ants egen prislista. Vid $0,90 per miljon utdatatoken är 350M token $315 i utdata jämfört med $198 för 220M – en skillnad på $117 innan en enda indatatoken eller cacheläsning har räknats. För ett team som budgeterar per uppgift i stället för per token ligger den "gratis" checkpoint-uppgraderingen närmare en 47-procentig ökning av räkningen för en indexförbättring på tre punkter. Huruvida den affären är bra beror helt på vad en misslyckad uppgift kostar dig, vilket är en fråga som ingen leaderboard besvarar.

Kontextfönstret är 256K i konfigurationen.

Modellkortet säger 1M-tokenkontext. Den levererade konfigurationen säger något annat. I alla tre repon – 1019, Ling-3.1-flash och basen – anger config.json max_position_embeddings till 262 144 och rope_scaling till null, med en RoPE-theta på 6 000 000. En standardinläsning av dessa vikter i SGLang eller vLLM betjänar därför 256K positioner, inte en miljon, om inte operatören tillhandahåller en skalningskonfiguration som repot inte innehåller.

Detta är vår tolkning av de publicerade konfigurationsfilerna, inte ett uttalande som Ant har gjort. Det är möjligt att det hostade Ling-API:et tillämpar ett skalningsschema på serversidan och verkligen levererar 1M; de öppna vikterna levereras inte med något sådant. Det är inte heller någon ny avvikelse — släppet av Ling-3.1-flash den 15 oktober bar samma 1M-påstående för samma inställning på 262 144. Den som dimensionerar hårdvara för en arbetsbelastning på en miljon tokens bör testa taket i sin egen stack innan beslutet fattas, eftersom det tal som spelar roll är det som servern accepterar, inte det som står i introduktionen.

Servera det: åtta H200:or, fyra GB300:or och en kopiera-klistra-fälla

Ant rekommenderar SGLang och publicerar en day-0-avbild, lmsysorg/sglang:dev-ling-3.1-flash, med MTP-spekulativ avkodning och Hopper-avkodningsoptimeringar. Den dokumenterade referenskonfigurationen är åtta H200-GPU:er med TP8 plus EP8; på fyra GB300:or anger kortet att man ska använda --tp 4 --ep 4. Ett vLLM-recept ingår också, med tensorparallellism på 8, expertparallellism, prefixcachelagring och tre spekulativa token. Två miljöflaggor – SGLANG_ENABLE_FP8_BLOCK_GEMV och SGLANG_ENABLE_FUSED_KDA_OUTPUT_QUANT – uppges ge ungefär 10 % snabbare batch-1-avkodning på Hopper.

Minnesavtrycket förklarar hårdvarulistan. Vid 573,8 GB FP8-vikter lämnar checkpointen cirka 550 GB i marginal på åtta H200 (1 128 GB HBM) och cirka 578 GB på fyra GB300 (1 152 GB). Det räcker för vikter och en fungerande KV-cache, men inte för att vara slarvig med långa kontexter.

Det finns också en fälla i Quickstart som är värd att uppmärksamma, eftersom den kan kosta någon en hel dag. 1019-modellkortets eget SGLang-kommando skickar --model-path inclusionAI/Ling-3.1-flash, och dess klientexempel skickar "model": "Ling-3.1-flash". Om receptet följs ordagrant laddas 41-poängsföregångaren, inte 44-poängsbygget. Peka uttryckligen sökvägen mot inclusionAI/Ling-3.1-flash-1019 och lås det serverade modellnamnet, annars blir din första benchmark av "1019" en benchmark av den gamla checkpointen.

Vad Ling-3.1-flash-base är till för – och vad det inte är

Basutgåvan är den mer betydelsefulla av de två för alla som tränar modeller snarare än anropar dem. En BF16-checkpoint på 1,14 TB under MIT, med samma 560B/25B-arkitektur, ger ett labb en legitim utgångspunkt för fortsatt förträning, domänanpassning, övervakad finjustering, preferensoptimering, destillationsexperiment och forskning om MoE med lång kontext – utan att börja från en chattjusterad modell vars vägrandebeteende man först skulle behöva rulla tillbaka.

Det den inte ger dig är receptet för 44. Kortet beskriver basen som bascheckpointen för Ling-3.1-flash, inte som en ögonblicksbild före efterträningen av 1019-bygget, och ingen efterträningsdata, preferensuppsättning eller RL-konfiguration följer med något av repositorierna. Om du vill ha den uppmätta modellen ska du ladda ner den uppmätta modellen. Om du vill bygga din egen sparar basen dig förträningskostnaden men inte anpassningsarbetet – och gapet mellan en väl injusterad bas och en leverantörs bästa eftertränade checkpoint är vanligtvis större än vad en indexskillnad på tre punkter antyder.

Ska du ta 574 GB?

• Ladda ner den om du redan kör åtta H200:or eller fyra GB300:or, din arbetsbelastning är agentisk eller flerstegs, och en MIT-licens undanröjer ett juridiskt hinder som du faktiskt har.

• Ladda ner den om du behöver återskapa 44 själv – det är nu möjligt, och det var det inte den 22 oktober.

• Hoppa över det om du räknade med 1M kontext direkt ur lådan; testa 256K-konfigurationen först.

• Hoppa över det om din ekonomi är per uppgift och latenskänslig. Tokenökningen på 59 % är en verklig kostnad för genomströmningen, och det finns ännu ingen oberoende siffra för utdatahastigheten för 1019.

• Utgå endast från basen om du har en efterträningspipeline. Det är en grund, inte en genväg.

En ärlig beskrivning av OrcaRouters roll här: vi tillhandahåller inte Ling-3.1-flash-1019. Det vi säljer är den andra sidan av beslutet – en nyckel till 200+ hostade modeller till leverantörens listpris med 0 % påslag, så frågan ”slår 1019 det jag redan kör” kan besvaras utan att teckna ett separat avtal för varje baslinje. Automatisk failover och routnings-DSL:en spelar roll när du har valt en vinnare; de hjälper dig inte att välja en.

Vad du ska titta på härnäst

Tre saker avgör om den här lanseringen åldras väl. Det första är oberoende genomströmning: Artificial Analysis har ingen siffra för utmatningshastighet för 1019, och den första tredjepartsleverantören som publicerar tokens per sekund kommer att berätta mer om produktionslämplighet än ännu en indexpunkt. Det andra är huruvida en skalningskonfiguration för 1M-kontext dyker upp i repot eller i SGLang-kokboken; tills dess är kortets rubriksiffra ett påstående med en 256K-implementering under sig. Det tredje är vad communityn gör med basen – en finjustering som slår 44 inom en smal domän skulle vara det starkaste beviset för att öppnandet av dessa vikter var värt mer än poängen den lanserades med.