Ling-3.1-flash-1019 vs Ling-3.1-flash: Samma storlek, samma pris – men en större tokennota

Om du hyr per token, Ling-3.1-flash-1019 är en gratis uppgradering jämfört med Ling-3.1-flash. Båda har ett listpris på $0.30 per miljon indatatoken och $0.90 per miljon utdatatoken, båda har MIT-licens, båda är mixture-of-experts-modeller med 560B parametrar och 25B aktiva, och båda upptar 573,8 GB på disk. Om du betalar per slutförd uppgift är uppgraderingen närmare 47 % dyrare: Artificial Analysis uppmätte $1.49 per Intelligence Index-uppgift för 1019-versionen mot $1.01 för föregångaren, eftersom den nyare modellen genererar omkring 59 % fler utdatatoken för att nå sina svar. Indexökningen på tre punkter mellan dem – 44 mot 41 – är verklig. Frågan som den här sidan besvarar är vem som bör betala för den.

Datumen spelar roll för att förstå resten. Ling-3.1-flash släpptes öppet under MIT i mitten av oktober, med sitt kodförråd skapat den 13 oktober och Ants tillkännagivande som följde den 15 oktober. 1019-bygget annonserades den 22 oktober med en poäng och ingen nedladdning, och dess vikter plus en bascheckpunkt landade den 27 oktober. Så detta är inte ett generationsglapp. Det är en enda efterträningskörning tillämpad på samma arkitektur, levererad fem dagar efter siffran som beskriver den.

Vad de två kontrollpunkterna har gemensamt

Överlappningen är tillräckligt stor för att migrationskostnaden i praktiken ska vara noll, vilket är huvudargumentet för den nyare versionen:

• Arkitektur — 72 lager, uppdelade i 63 KDA-lager för linjär uppmärksamhet och 9 gated MLA-lager i förhållandet 7:1, plus 4 täta lager.

• Experter — 512 dirigerade, 8 aktiverade per token, 1 delad; dold storlek 4 096; ordförråd 157 184.

• Vikter på disk — 573,8 GB FP8-safetensors fördelat på 54 shards för båda, enligt vår sammanräkning från de två arkivens filförteckningar.

• Licens — MIT för båda, inklusive kommersiell vidaredistribution.

Pris — $0.30 för indata, $0.90 för utdata, $0.06 för cacheläsning, ett viktat pris på $0.19 vid en fördelning på 7:2:1 mellan cacheträff/indata/utdata.

• Angivet kontextfönster – ett fönster på 1 miljon tokens på båda modellkorten; 262 144 positioner och ingen RoPE-skalning i båda config.json-filerna.

Den där sista raden är det första du måste ta till dig innan du jämför dem. På papperet erbjuder båda modellerna en miljon tokens. I den levererade konfigurationen maxar båda på 256K om du inte lägger till ett skalningsschema som Ant inte har inkluderat. Begränsningen är identisk på båda sidor, så den avgör inte matchen – men den innebär att ingen av versionerna är den miljon-token-modell som specifikationerna utlovar, och den som planerar en arbetsbelastning på 1M tokens väljer mellan två modeller som båda behöver arbete för att nå dit.

Varifrån de tre punkterna kommer

Artificial Analysis mäter själva huvudgapet: 41 för Ling-3.1-flash och 44 för Ling-3.1-flash-1019 på Intelligence Index v4.3.2, där den äldre modellen rankas på åttonde plats av 122 och den nyare på fjärde plats. Det är en oberoende mätning av båda ändpunkterna, vilket gör deltat på tre punkter till det mest tillförlitliga talet i den här jämförelsen.

Uppdelningen per benchmark är leverantörsrapporterad och bör läsas som sådan – den kommer från Ants modellkort, inte från ett offentligt testramverk:

• AA-Briefcase – ungefär 1 400 Elo till 1 524 Elo. Detta är benchmarken för kunskapsarbetsartefakter, och en förflyttning på 124 poäng är den största relativa ökningen i uppsättningen.

• AutomationBench-AA — 62 % till 68 %, en förbättring med sex procentenheter inom agentbaserad uppgiftsautomatisering.

• CritPt — 18 % till 26 %, den största proportionella ökningen: åtta punkter på ett fysikresonemangstest där de absoluta poängen är låga för alla.

• SciCode — 54 % till 57 %, den minsta förändringen av de fyra, och den som bör viktas mest försiktigt; Artificial Analysis flaggar SciCode som under granskning för den här modellen.

Läst tillsammans är mönstret förenligt med vad Ant säger att man gjorde: mer efterträning på resonemang och flerstegets agentarbete, inte en ny kapacitetsyta. Vinsterna koncentreras där beslöjdor är långa och där ett delvis korrekt svar ger delvis poäng. De är minst på renodlad vetenskaplig kodgenerering, vilket är precis där man skulle förvänta sig att en efterträningsuppdatering snarare än en arkitekturförändring förändrar minst.

Notan: 59 % mer tänkande

Det är här de två modellerna upphör att vara utbytbara. Artificial Analysis registrerade 220M utdatatokens för indexkörningen med Ling-3.1-flash och 350M för 1019-körningen – ett förhållande på 1,59 – och placerar den nyare versionen sist bland 48 modeller vad gäller mångordighet, jämfört med ett medianvärde på 140M. Kostnaden för att slutföra indexet steg från 1,01 till 1,49 dollar per uppgift.

Skala det till en arbetsbelastning. Vid 10 000 indexformade uppgifter ger siffrorna per uppgift ungefär $10 100 för den äldre checkpointen och $14 900 för den nyare. Tokensidan skalas på samma sätt: en arbetsbelastning som förbrukar 2,2 miljarder utdatatoken på Ling-3.1-flash skulle förbruka cirka 3,5 miljarder på 1019-bygget vid det uppmätta förhållandet, vilket vid $0,90 per miljon blir $1 980 mot $3 150. Resten av skillnaden per uppgift kommer från prissättningen av indata och cache, men riktningen bestäms av antalet token: du köper tre indexpoäng med ungefär sex tiondelar extra svar per svar.

Om det är en bra avvägning beror på vilken felmod du försäkrar dig mot. I en agentloop där ett felaktigt verktygsanrop utlöser ett nytt försök, en omläsning av kontexten eller en mänsklig granskning, är 59 % extra tokens billigt jämfört med en enda undviken loop. Vid klassificering, extrahering, kort chatt eller andra uppgifter med hög volym där svaret är en eller två meningar är samma förhållande ren overhead — och indexet kommer aldrig att visa det, eftersom indexet belönar de svåra fallen som efterträningen syftade på.

Den andra halvan av kostnadsbilden är prisstabilitet. OrcaRouter samlar 200+ modeller bakom en enda nyckel med 0 % påslag på leverantörens listpris, så en leverantörsprisändring slår igenom samma dag för de modeller vi dirigerar. Ling-serien finns inte i den katalogen i dag, vilket innebär att siffrorna ovan är Ants listpris och inget annat. Det är just därför som aritmetiken per uppgift spelar större roll än priset per token: priset är identiskt mellan dessa två modeller, så det kan inte hjälpa dig att välja.

Hastighet: det finns ett nummer, och det tillhör den äldre modellen

Artificial Analysis uppmätte Ling-3.1-flash till 215,7 utdatatoken per sekund med 1,73 sekunders tid till första token, vilket placerar den som sexa av 78 modeller i hastighet. För Ling-3.1-flash-1019 innehåller samma sida ingen siffra för utdatahastighet – vid mätningstillfället fanns inget offentligt tillgängligt API att mäta, och vikterna dök först upp i dag. Så den snabbare modellen är inte en åsiktsfråga; den är den enda av de två som har en mätning.

Kombinera det med tokenkvoten och du får en försvarbar uppskattning, tydligt märkt som aritmetik snarare än ett benchmark. Om båda versionerna avkodade 215,7 token per sekund skulle ett svar på 1 000 token i Ling-3.1-flash ta cirka 4,6 sekunder att avkoda; det motsvarande svaret på 1 590 token i 1019-versionen skulle ta cirka 7,4 sekunder. Tiden till första token är en separat variabel och kan röra sig i båda riktningarna. Poängen är att en ökning av antalet token med 59 % inte kan vara gratis i fråga om faktisk tidsåtgång om inte den nyare modellen också avkodar betydligt snabbare, och ingen har publicerat bevis för att den gör det.

Självhosting: identiskt fotavtryck, annan README

På din egen hårdvara är valet enklare, eftersom distributionsmålet inte ändras. Båda checkpointarna behöver samma dokumenterade konfiguration — åtta H200:or med TP8 plus EP8, eller fyra GB300:or med TP4 plus EP4 — och samma SGLang day-0-image, med ett vLLM-recept som använder tensorparallellism på 8, expertparallellism och tre spekulativa tokens. Eftersom arkitekturerna och filstorlekarna är identiska är 1019 en direkt ersättning: byt viktsökvägen, behåll serveringsstacken, och inget annat i din infrastruktur behöver veta det.

Två praktiska varningar. För det första pekar 1019-modellkortets Quickstart fortfarande på inclusionAI/Ling-3.1-flash i sitt SGLang-kommando och skickar "model": "Ling-3.1-flash" i sitt klientexempel; kopierar du det ordagrant kommer du att servera 41-poängsmodellen medan du tror att du testar 44-poängsmodellen. För det andra är bascheckpointen som Ant släppte tillsammans med 1019 Ling-3.1-flash-base – den äldre modellens bas, inte en snapshot av 1019 före efterträningen. Om din plan är att finjustera uppgraderingen ingår inte receptet som tog fram den i nedladdningen. Om din plan är att bygga något eget på en 560B-grund under MIT är basen rätt utgångspunkt och indexgapet mellan dessa två checkpoints är irrelevant för dig.

Att kalla dem: ett namn, två byggen

API-historien är rörigare än historien om vikterna. Builden 1019 är en datumstämplad checkpoint under ett namn som den mesta serveringskoden behandlar som samma modellsträng som dess föregångare – inklusive Ants egna exempel, som skickar Ling-3.1-flash till båda. Om du anropar en hostad endpoint bör du låsa builden explicit, annars vet du inte vilken som svarade. Artificial Analysis listade inget allmänt tillgängligt API för 1019 vid mätningen, så tillgängligheten i dag går via leverantörens eget API och flera tredjepartsplattformar snarare än en etablerad, brett speglad endpoint.

Den tvetydigheten är det starkaste argumentet för självhosting om du bryr dig om reproducerbarhet, och det starkaste argumentet för att vänta om du inte gör det. En modell vars namn inte identifierar dess bygge är en modell du inte kan granska i efterhand, och "44 på indexet" är inget versionsnummer.

Vilken, beroende på jobb

• Krävande resonemang och agentarbete över lång horisont — ta Ling-3.1-flash-1019. Vinsterna är koncentrerade exakt där, och de extra tokens är mekanismen, inte en sidoeffekt.

• Högvolymextrahering, klassificering och kort chatt — håll dig kvar på Ling-3.1-flash. Du skulle betala 47 % mer per uppgift för kapacitet som dessa arbetsbelastningar inte utnyttjar.

• Latenskänsliga produkter – stanna kvar på Ling-3.1-flash tills en oberoende genomströmningssiffra för 1019 finns. Det är den enda av de två med en uppmätt hastighet.

• Finjustering eller domänanpassning – utgå från Ling-3.1-flash-base och ignorera den här matchningen. Ingen av de alignerade checkpunkterna levereras med ett träningsrecept.

• En modell, blandad trafik — {{1}}Ling-3.1-flash-1019{{/1}} som standard, med den äldre versionen bakom för de billiga, korta förfrågningarna. De två delar arkitektur, pris och serving-stack, så att dela trafik mellan dem kostar dig inget operativt.

Det som skulle ändra omdömet är en uppmätt avkodningshastighet för 1019-bygget. Om den visar sig vara väsentligt snabbare än 215,7 tokens per sekund minskar straffet i väggklockstid, och tokennotan blir den enda verkliga invändningen. Om den är densamma eller långsammare dyker 59 % upp två gånger – en gång på fakturan och en gång i latensen – och argumentet för att köra båda checkpoints i stället för att uppgradera allt på en gång blir starkare. Fram till dess att någon publicerar den siffran är den ärliga sammanfattningen att Ling-3.1-flash-1019 köper kvalitet med tokens, och att Ling-3.1-flash säljer genomströmning till samma taxa. Inget av dem är fel svar; de är olika produkter med samma arkitektur.