Ling-3.0-flash-VL: MIT og syn – 0 prosent på Terminal-Bench

Ant Group InclusionAI har lagt ut Ling-3.0-flash-VL. Første native multimodale modell i Ling-serien. 124 milliarder parametre MoE. 5,5 milliarder aktive per token. Bilde, tekst og video inn. Tekst ut. 256K kontekst. Lisens: MIT. Vektene ligger på Hugging Face og ModelScope, BF16 og FP8, med FP4 og INT4 etter.

• september målte Artificial Analysis den på Intelligence Index v4.3: 25. Pareto mot aktive parametre. Ikke frontier. Terminal-Bench v4.0: 0 prosent. AutomationBench-AA: 16 prosent.

Hva som faktisk er nytt

Ling-3.0-flash (tekst) kom i sommer. VL er visjonsutvidelsen. InclusionAI skriver at syn går inn i hele kjeden: forstå, resonnere, handle, verifisere. Ikke et pålimt caption-hode.

Arkitektur, ifølge modellkortet: ViT-koder, to-lags MLP-projektor, VideoRoPE for rom og tid, 42-lags hybrid ryggrad med KDA og Gated MLA i forholdet 5:1, sparsom MoE. 5,5B aktive av 124B.

Ant Ling beskriver en visuell tilbakemeldingssløyfe: observer, handle, verifiser, korriger. Bruk de peker på: bilde til nettside, GUI-agent, tolking av helserapporter. Det er leverandørens scenarioer, ikke hogby.ai-tester.

Kontekst: 256K i dokumentasjonen, 262K hos Artificial Analysis. SGLang-oppskriften kjører 262144 med YaRN. Tenkemodus er på som standard.

To indekser, to tall

InclusionAI siterer 42 på Artificial Analysis Intelligence Index v4.1.1, fire poeng over tekstmodellen Ling-3.0-flash (38). Det er gammel indeks.

Uavhengig måling 11. september, v4.3: 25. AA-Omniscience-treffsikkerhet 14 prosent. Hallusinasjonsrate 22 prosent. Den forsøker om lag 34 prosent av Omniscience-spørsmålene. Inkling Small treffer 33 prosent, men hallucinerer 63 prosent.

AA: 143,8 tokens/s. Tid til første token 2,23 s. Verbøs: rundt 50 000 ut-tokens per indekssoppgave. Blant like store åpne vekter ligger medianen lavere.

Mot modeller med om lag samme totalstørrelse oppgir AA Qwen3.5 122B A10B (reasoning) på 16 og Mistral Medium 3.5 (high) på 15. Pareto mot aktive parametre. Ikke mot Astra eller Fable 5.1.

Hva dette ikke er

Det er ikke en kodeagent. 0 prosent på Terminal-Bench v4.0 er et stoppskilt, ikke en fotnote. 16 prosent på AutomationBench-AA er det samme for SaaS-arbeidsflyt.

Det er ikke en laptop-modell. SGLang-oppskriften: fire kort i 141 GB-klassen (H20-3e/H200) eller fire Blackwell. På H100/H800: tensor parallel 8. 5,5B aktive kutter flops per token. Det kutter ikke racket.

Det er ikke et europeisk API. Ant Group er Alipay-sfæren. MIT på Hugging Face gir egenhosting. API via Ling Studio, OpenRouter, DeepInfra og Novita gir underleverandør og jurisdiksjon. OpenRouter har listet 0,06 dollar per million inn-tokens og 0,18 dollar per million ut, pluss en tidsavgrenset gratislinje. Prisen er ikke en DPIA.

Det er ikke et medisinsk produkt. «Medical report interpretation» er markedsføring. Ikke klinikk, ikke CE-merking, ikke journal.

Hva ledere bør gjøre nå

Skill vekter og API. MIT-vekter kan ligge i egen VPC. API-kall til kinesisk lab eller amerikansk mellomledd er en annen datalinje.

Ikke sett den som SWE-erstatning. Den kan lese et skjermbilde. Den eier ikke CI.

Kjør FinOps mot ut-tokens. 5,5B aktive er billig prefill. Verbøs reasoning spiser gevinsten. Mål cache, tenkemodus og maks ut-lengde før dere priser inn «billig MoE».

Sett visuell agent bak menneske. GUI-automasjon og bilde-til-kode er skjerm, PII og kunde-UI. Isoler, logg, ikke prod uten mandat.

Test mot deres dokumenter og video, ikke mot leverandørens fotballklipp. Vendor 42 og AA 25 er ulike indekser. Bruk v4.3.

Kilder og medier

Primærkilde: Hugging Face / InclusionAI, Ling-3.0-flash-VL (MIT): https://huggingface.co/inclusionAI/Ling-3.0-flash-VL

Ant Ling, modelldokumentasjon, oppdatert 11. september 2026: https://developer.ant-ling.com/en/docs/models/ling

Artificial Analysis, Ling-3.0-flash-VL, Intelligence Index v4.3: https://artificialanalysis.ai/models/ling-3-0-flash-vl

Hugging Face, Ling-3.0-flash-VL-fp4: https://huggingface.co/inclusionAI/Ling-3.0-flash-VL-fp4

Thumbnail: OpenAI Image 2 / hogby.ai