我能本地运行 Ling-3.0-flash 吗？

可以，权重开放，托管于 Hugging Face（inclusionAI/Ling-3.0-flash）。但请注意总参数量为 1240 亿，即使每个 token 仅激活 51 亿参数，仍需大量 GPU 显存。

Ling-3.0-flash 的价格和上下文窗口是多少？

API 价格为每百万输入 token 0.02 美元，输出 token 0.06 美元，上下文窗口为 262,144 token。

Ling-3.0-flash 与 inclusionAI 之前的旗舰模型有何不同？

Ling-3.0-flash 的总参数量约为之前 Ling-2.6-1T 模型的 12%，但制作者报告其在关键基准测试中表现相当或更优，且采用了为长上下文和智能体效率设计的混合线性架构。

Ling 3.0 Flash

5435°

#llm #inclusionai #推理 #代理 #编程 #长上下文

运行此模型

优惠 / 广告

OpenRouter 终端 / API

按令牌付费

在浏览器中与此模型聊天，或使用一个 API 密钥从代码中调用它。

inclusionAI | 262,144 令牌上下文 | 输入 $0.02/千，输出 $0.06/千。*Ling-3.0-flash* 是一款 *124B 参数的专家混合（MoE）模型*，每个令牌激活约 *5.1B 参数*。该模型设计重点为 *令牌效率和生产级代理推理*，使开发者能够...

本模型的指南

按使用场景选最佳本地大语言模型（2026年10月）：每个任务的合适开源模型

本地AI到底需要多少显存？

开放权重 vs 开源 vs 仅API：你到底能做什么

什么是 GGUF 文件？量化模型详解（Q4、Q8、fp8、NF4）

全部指南

船长笔记

由 Captain 撰写，本站编辑

2026-10-13 的笔记

Ling-3.0-flash 是 inclusionAI 推出的一个拥有 1240 亿参数的专家混合模型（Mixture-of-Experts），每个 token 仅激活 51 亿参数，从而保持推理速度快且成本低。其混合线性注意力架构和在 10,000 多个环境中进行的原生智能体训练，使其特别适合编码智能体和长远任务。以每百万输入 token 0.02 美元的价格开放权重，如果你运行生产级智能体流水线，值得认真关注。

以……著称

强大的编码和智能体任务表现，包括 SWE-Bench 和深度研究工作流程
支持 262K token 上下文，缓存机制可将长输入的首个 token 响应时间缩短 60–80%
尽管总参数量为 1240 亿，但每个 token 仅激活 51 亿参数
原生混合线性 MoE 架构，从一开始就针对长上下文效率进行预训练
权重开放，托管于 Hugging Face

注意

1240 亿总参数量较大；尽管激活参数较少，本地运行仍需强大硬件支持。
默认开启思考模式——如果你优化延迟或输出 token 成本，需注意这一点。
制作者未在此页面公布明确许可条款；商业使用前请检查 Hugging Face 仓库。

最适合

与……比较

Ling 3.0 Flash Sante
仅限API模型
262,144 令牌上下文 · $0.04/M 输入，$0.12/M 输出
Ling 3.1 Flash
仅限API模型
262,144 令牌上下文 · $0.07/M 输入，$0.22/M 输出
Ling 3.0 Flash VL
开源权重模型
131,072 令牌上下文 · $0.06/M 输入，$0.18/M 输出
Ling 3.0 Flash Fin
仅限API模型
262,144 令牌上下文 · $0.04/M 输入，$0.12/M 输出

来自 inclusionai 的更多文本模型

常见问题

我能本地运行 Ling-3.0-flash 吗？: 可以，权重开放，托管于 Hugging Face（inclusionAI/Ling-3.0-flash）。但请注意总参数量为 1240 亿，即使每个 token 仅激活 51 亿参数，仍需大量 GPU 显存。
Ling-3.0-flash 的价格和上下文窗口是多少？: API 价格为每百万输入 token 0.02 美元，输出 token 0.06 美元，上下文窗口为 262,144 token。
Ling-3.0-flash 与 inclusionAI 之前的旗舰模型有何不同？: Ling-3.0-flash 的总参数量约为之前 Ling-2.6-1T 模型的 12%，但制作者报告其在关键基准测试中表现相当或更优，且采用了为长上下文和智能体效率设计的混合线性架构。

船长评语
一款真正高效的 MoE，专为智能体设计——价格合理且权重开放，值得认真评估。

Hugging Face 上的模型卡

船长根据模型自身描述和模型卡撰写这些笔记。价格和上下文大小为撰写时提供商的数据，可能会变动。

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Not this creator?

Get your own badge

这个评分是怎么计算的

这个模型还没有任何来源的流行度数据，所以它用一个低于 7,000° 的替代数值来保持列表完整。它永远不会排在有数据的模型前面。一旦有来源报告数据，分解就会显示在这里。

术语表：这里用到的术语

热度得分: 一个数字，表示模型当前的使用和需求程度，范围从0°到9,999°。本站所有标注为最热门的榜单都按这个分数排序，别无他物。
基准线: 所有有真实数据的模型起始于7,000°。分数范围是0°到9,999°；基准线以下的部分保留给无数据的替代模型，这样有数据的模型总是排在无数据模型之上。基准线对所有人相同，不影响排名；超过基准线的度数才是实际测量值。
下载等价量: 得分中当作下载计算的所有项目总和：下载本身，每个种子上传者算1,000，每个AI Horde图片和每次生成网站的运行算一个。
对数刻度: 以十为单位计数，而不是以一为单位：从1,000到10,000下载增加的热度和从10,000到100,000增加的热度相同。这样可以防止巨头压倒一切。
点赞: 来自所有来源的点赞和竖起大拇指，每个点赞在对数刻度上价值半个下载。
采用率: 模型当前每天的下载次数，基于两次读数的差值。权重是下载项的四分之一。
测量与估算: 测量表示有两个来源的读数，且差异是真实的。估算表示只知道今天的总数，过去的数据是根据模型的生命周期分配的；网站会说明显示的是哪种。
做种者: 指那些在线保存权重副本供他人通过种子下载的人，或者提供同样服务的托管镜像。每个做种者相当于1000次下载。
AI Horde: 一个志愿者网络，在捐赠的电脑上免费生成图片。它用某个模型生成的图片数量是公开的，每张图片算作一次下载。
生成网站: 托管自己模型副本并允许用户生成的站点，比如PixAI、SeaArt和Yodayo。它们的下载计数和Civitai一样，每次生成算一次下载。
OpenRouter 令牌: 通过API提供的文本模型，如Claude或GPT，没有权重需要下载，因此其使用量以令牌计量：过去30天内通过OpenRouter（一种许多应用使用的网关）读取和生成的文本片段。每10,000,000个令牌计为一次下载。来源：OpenRouter (openrouter.ai/rankings)，CC BY 4.0。
完整模型（检查点）: 权重文件本身，是能独立生成的文件。它会获得额外加分，因为附加组件依赖它。
LoRA和嵌入: 小型附加文件，用来引导别人的权重朝向某种风格、角色或概念。它们不能单独运行。
家族与权重: 模型构建所基于的基础，比如SD 1.5、SDXL、Flux或Wan。每个模型继承其家族权重的发布日期。
年龄: 根据家族权重发布多久，扣除的度数：每年150°，最多750°。它保留了那些积累了多年下载量的老模型，防止它们被挤出榜单顶部。
家族加成: 对当前网站重点推广的某个家族的LoRA给予的小幅度限制性加分，总是在分数细目中列出。
替代分数: 给还没有任何来源报告的模型一个稳定的最低分数，这样榜单才完整。它永远不会高于有数据的模型。
新模型！（宽限期）: 不到7天的新模型显示“新模型！”而非分数，且不参与排名。其分数从第一天开始计算，但一天大的模型增长最快，若不等待，周榜#1总是昨天刚发布的模型，而非持续一周的。
趋势: 模型在某段时间内的增长与同一时间段内典型模型增长的对比。比典型快表示上升，比典型慢表示下降。
典型模型: 目录的中间值：一半有数据的模型增长比它快，一半比它慢。