Kan ik Ling-3.0-flash lokaal draaien?

Ja, de weights zijn open en beschikbaar op Hugging Face onder inclusionAI/Ling-3.0-flash. Houd er rekening mee dat het totale aantal parameters 124 miljard is, dus je hebt aanzienlijke GPU-geheugen nodig, ook al zijn er per token slechts 5,1 miljard parameters actief.

Wat kost Ling-3.0-flash en hoe groot is het contextvenster?

Via API kost het $0,02 per miljoen inputtokens en $0,06 per miljoen outputtokens, met een contextvenster van 262.144 tokens.

Hoe verschilt Ling-3.0-flash van inclusionAI's vorige vlaggenschip?

Ling-3.0-flash heeft ongeveer 12% van het totale aantal parameters van het vorige Ling-2.6-1T model, maar de maker meldt dat het die voorganger evenaart of overtreft op belangrijke benchmarks, met als extra voordeel een hybride-lineaire architectuur die is ontworpen voor lange context en agentische efficiëntie.

Ling 3.0 Flash

5435°

#llm #inclusionai #redeneren #agenten #coderen #lange context

Voer dit model uit

Aanbiedingen / Advertenties

OpenRouter Terminal / API

Betaal per token

Chat met dit model in de browser of roep het aan vanuit je code met één API-sleutel.

inclusionAI | 262.144 token context | $0,02/M input, $0,06/M output. *Ling-3.0-flash* is een *124B-parameter Mixture-of-Experts (MoE) model*, met ongeveer *5,1B parameters geactiveerd per token*. Het model is ontworpen met *tokenefficiëntie en productie-schaal agentische inferentie* als kernprioriteiten, waardoor ontwikkelaars...

Gidsen voor dit model

Beste lokale LLM per gebruik (oktober 2026): het juiste open model voor elke klus

Hoeveel VRAM heb ik eigenlijk nodig voor lokale AI?

Open weights vs open source vs alleen API: wat je eigenlijk mag doen

Wat is een GGUF-bestand? Uitleg over gekwantiseerde modellen (Q4, Q8, fp8, NF4)

Alle gidsen

Aantekeningen van de kapitein

Geschreven door Captain, de huisredacteur

Aantekeningen van 2026-10-13

Ling-3.0-flash is een Mixture-of-Experts-model met 124 miljard parameters van inclusionAI dat per token slechts 5,1 miljard parameters activeert, waardoor inferentie snel en goedkoop blijft. De hybride-lineaire aandachtarchitectuur en native agentische training over meer dan 10.000 omgevingen maken het uitzonderlijk geschikt voor coderingsagenten en taken met een lange horizon. Met een prijs van $0,02 per miljoen inputtokens en open weights verdient het serieuze aandacht als je productie-agentische pipelines runt.

Bekend om

Sterke prestaties bij coderen en agentische taken, inclusief SWE-Bench en diepgaande onderzoeksworkflows
262K token context met caching die de tijd tot het eerste token met 60–80% verkort bij lange inputs
Slechts 5,1 miljard parameters geactiveerd per token ondanks een totaal van 124 miljard parameters
Native hybride-lineaire MoE-architectuur die vanaf het begin is voorgetraind op lange-context efficiëntie
Open weights beschikbaar op Hugging Face

Let op

124 miljard totale parameters is groot; lokaal draaien vereist serieuze hardware ondanks het lage aantal actieve parameters.
Denkmodus staat standaard aan — goed om te weten als je optimaliseert voor latentie of output tokenkosten.
De maker heeft geen expliciete licentievoorwaarden op deze pagina gepubliceerd; controleer de Hugging Face-repository voor commercieel gebruik.

Het beste voor

Agenten en toolgebruik

Prompts om te proberen

Debug een falende agentloop

Ik heb een Python-agent die een zoektool aanroept, het resultaat analyseert en vervolgens beslist of de tool opnieuw wordt aangeroepen. Na twee iteraties stopt hij altijd, zelfs als het antwoord niet is gevonden. Hier is de loopcode: [plak je code]. Identificeer de bug, leg uit waarom deze vroegtijdige beëindiging veroorzaakt en geef me een gecorrigeerde versie.

Redeneer over een systeemontwerp

Een fintech-startup moet 50.000 betalingsevenementen per minuut verwerken, duurzaam opslaan en een query-API met een p99-latentie onder 200 ms aanbieden. Bespreek de afwegingen tussen Kafka plus een kolomgeoriënteerde opslag versus een streamingdatabase zoals RisingWave. Eindig met een concrete aanbeveling en het belangrijkste risico van die keuze.

Lang document: extraheren en rangschikken

Ik plak hieronder een lang contract. Lees het hele document, identificeer elke clausule die een financiële verplichting voor de koper creëert, rangschik ze op potentiële monetaire blootstelling van hoog naar laag en markeer elke clausule die automatische verlenging of boete kan veroorzaken zonder expliciete schriftelijke kennisgeving.

Vergelijk met

Ling 3.0 Flash Sante
Alleen API-model
262,144 token context · $0.04/M invoer, $0.12/M uitvoer
Ling 3.1 Flash
Alleen API-model
262,144 token context · $0.07/M invoer, $0.22/M uitvoer
Ling 3.0 Flash VL
Model met open gewichten
131,072 token context · $0.06/M invoer, $0.18/M uitvoer
Ling 3.0 Flash Fin
Alleen API-model
262,144 token context · $0.04/M invoer, $0.12/M uitvoer

Meer tekstmodellen van inclusionai

Veelgestelde vragen

Kan ik Ling-3.0-flash lokaal draaien?: Ja, de weights zijn open en beschikbaar op Hugging Face onder inclusionAI/Ling-3.0-flash. Houd er rekening mee dat het totale aantal parameters 124 miljard is, dus je hebt aanzienlijke GPU-geheugen nodig, ook al zijn er per token slechts 5,1 miljard parameters actief.
Wat kost Ling-3.0-flash en hoe groot is het contextvenster?: Via API kost het $0,02 per miljoen inputtokens en $0,06 per miljoen outputtokens, met een contextvenster van 262.144 tokens.
Hoe verschilt Ling-3.0-flash van inclusionAI's vorige vlaggenschip?: Ling-3.0-flash heeft ongeveer 12% van het totale aantal parameters van het vorige Ling-2.6-1T model, maar de maker meldt dat het die voorganger evenaart of overtreft op belangrijke benchmarks, met als extra voordeel een hybride-lineaire architectuur die is ontworpen voor lange context en agentische efficiëntie.

Oordeel van de kapitein
Een echt efficiënt MoE-model dat primair voor agenten is gebouwd — de prijs en open weights maken een serieuze evaluatie gemakkelijk te rechtvaardigen.

Modelkaart op Hugging Face

De kapitein schrijft deze aantekeningen op basis van de eigen beschrijving en modelkaart van het model. Prijzen en contextgroottes zijn die van de provider op het moment van schrijven en kunnen veranderen.

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

Hoe deze score wordt opgebouwd

Dit model heeft nog geen populariteitsgegevens van welke bron dan ook, dus het krijgt een tijdelijke waarde onder 7,000° om de lijsten compleet te houden. Het staat nooit hoger dan een model met data. De uitsplitsing verschijnt hier zodra een bron het rapporteert.

Woordenlijst: de gebruikte termen

Heat-score: Één getal voor hoe veel een model nu gebruikt en gewenst wordt, van 0° tot 9.999°. Elke lijst op deze site die zegt heetste is gesorteerd op deze score en niets anders.
Vloer: De 7.000° waar elk model met echte data mee begint. De schaal loopt van 0° tot 9.999°; het deel onder de vloer is gereserveerd voor plaatsvervangers (modellen zonder data), zodat een model met data altijd hoger scoort dan een zonder. De vloer is voor iedereen gelijk en beslist niets; de graden erboven zijn de meting.
Download-equivalenten: Alles wat de score als een download telt, bij elkaar opgeteld: downloads zelf, elke torrent seeder als 1.000, elke AI Horde-afbeelding en elke run op een generatie-site als één.
Logaritmische schaal: Tellen per tien, niet per één: van 1.000 naar 10.000 downloads voegt evenveel graden toe als van 10.000 naar 100.000. Zo verdringen grote spelers niet alles.
Likes: Duimen omhoog en likes van elke bron, elk de helft van een download waard op de log-schaal.
Adoptiesnelheid: Hoeveel downloads een model nu per dag krijgt, uit het verschil tussen twee metingen van een bron. Een kwart van het gewicht van de downloadterm.
Gemeten en geschat: Gemeten betekent dat er twee metingen van een bron zijn en het verschil echt is. Geschat betekent dat alleen het totaal van vandaag bekend is en het verleden over de levensduur van het model wordt verdeeld; de site geeft aan welke het toont.
Seeder: Iemand die een kopie van de gewichten online houdt zodat anderen die via een torrent kunnen downloaden, of een gehoste mirror die hetzelfde doet. Elk telt als 1.000 downloads.
AI Horde: Een vrijwilligersnetwerk dat gratis beelden genereert op gedoneerde computers. Het aantal beelden dat het met een model heeft gemaakt is openbaar, en elk telt als één download.
Generatiesites: Sites die hun eigen kopieën van een model hosten en mensen laten genereren, zoals PixAI, SeaArt en Yodayo. Hun downloads tellen net als die van Civitai en elke generatie telt als één download.
OpenRouter tokens: Een tekstmodel dat via een API wordt aangeboden, zoals Claude of GPT, heeft geen gewichten om te downloaden, dus het gebruik wordt gemeten in tokens: de tekststukken die het las en schreef via OpenRouter, een gateway die veel apps gebruiken, in de afgelopen 30 dagen. Elke 10,000,000 tokens telt als één download. Bron: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Volledig model (checkpoint): De gewichten zelf, het bestand dat zelfstandig genereert. Het krijgt een bonus omdat add-ons ervan afhangen.
LoRA en embedding: Kleine add-on bestanden die iemands gewichten sturen naar een stijl, een personage of een concept. Ze kunnen niet zelfstandig draaien.
Familie en gewichten: De basis waarop een model is gebouwd, zoals SD 1.5, SDXL, Flux of Wan. Elk model erft de releasedatum van de gewichten van zijn familie.
Leeftijd: Graden afgetrokken voor hoe lang geleden de gewichten van de familie uitkwamen: 150° per jaar, tot 750°. Het houdt oude downloads die jaren hadden om op te lopen door de top van de lijst te bevriezen.
Familie boost: Een kleine, begrensde duw voor LoRA's van een familie die deze site nu naar voren schuift, altijd vermeld in de uitsplitsing.
Stand-in score: Een stabiel getal onder de vloer gegeven aan een model waar nog geen bron over rapporteert, zodat lijsten compleet blijven. Het staat nooit hoger dan een model met data.
Nieuw! (gratieperiode): Een model dat minder dan 7 dagen oud is, toont Nieuw! in plaats van een score en neemt geen plaats in de ranglijst in. De score wordt vanaf dag één berekend, maar een model van één dag oud groeit sneller dan wat dan ook, dus zonder de wachttijd zou de #1 van de week altijd het model zijn dat gisteren uitkwam in plaats van wat een week standhield.
Trend: Hoe de groei van een model over een periode zich verhoudt tot de typische groei van een model over dezelfde periode. Sneller dan typisch betekent stijging, langzamer betekent daling.
Typisch model: Het midden van de catalogus: de helft van de modellen met een cijfer groeide sneller over de periode, de andere helft langzamer.

Vergelijkbare modellen

GLM 4.6V

TEXT / LLM

Nano Banana Pro (Gemini 3 Pro Image)

AI-modellen voor het genereren van afbeeldingen, video en tekst

Ling 3.0 Flash is een tekstmodel voor de Text / LLM-familie, vermeld op ModelTrends.ai, een alleen-lezen catalogus van open source AI-modellen voor afbeeldingen, video en tekst. Vergelijk het met andere Text / LLM-modellen en bekijk de populariteitsscore om de trend te zien.

Meer Text / LLM-modellen Meer Text / LLM Tekst / LLM llm inclusionai redeneren agenten coderen lange context lokaal

Bladeren op modelfamilie