Kann ich Ling-3.0-flash lokal ausführen?

Ja, die Gewichte sind offen und auf Hugging Face unter inclusionAI/Ling-3.0-flash verfügbar. Beachten Sie, dass die Gesamtparameterzahl 124 Milliarden beträgt, sodass Sie trotz nur 5,1 Milliarden aktiver Parameter pro Token erheblichen GPU-Speicher benötigen.

Was kostet Ling-3.0-flash und wie groß ist das Kontextfenster?

Über die API kostet es 0,02 $ pro Million Eingabetoken und 0,06 $ pro Million Ausgabetoken, mit einem Kontextfenster von 262.144 Token.

Worin unterscheidet sich Ling-3.0-flash vom vorherigen Flaggschiff von inclusionAI?

Ling-3.0-flash hat etwa 12 % der Gesamtparameter des vorherigen Ling-2.6-1T-Modells, doch der Hersteller berichtet, dass es bei wichtigen Benchmarks gleichauf oder besser abschneidet, mit dem zusätzlichen Vorteil einer Hybrid-Linear-Architektur, die für Langzeit-Kontexte und agentische Effizienz entwickelt wurde.

Ling 3.0 Flash

5435°

#llm #inclusionai #logik #agenten #programmieren #langer kontext

Modell ausführen

Angebote / Werbung

OpenRouter Terminal / API

Bezahlung pro Token

Chatte mit diesem Modell im Browser oder rufe es mit einem API-Schlüssel aus deinem Code auf.

inclusionAI | 262.144 Token Kontext | $0.02/M Eingabe, $0.06/M Ausgabe. *Ling-3.0-flash* ist ein *124B-Parameter Mixture-of-Experts (MoE) Modell*, mit ungefähr *5,1B aktivierten Parametern pro Token*. Das Modell ist mit Fokus auf *Tokeneffizienz und produktionsmaßstabsfähige agentische Inferenz* entwickelt worden, was Entwicklern ermöglicht...

Anleitungen zu diesem Modell

Beste lokale LLM nach Anwendungsfall (Oktober 2026): Das richtige offene Modell für jede Aufgabe

Wie viel VRAM brauche ich eigentlich für lokale KI?

Offene Gewichte vs. Open Source vs. Nur API: Was du wirklich darfst

Was ist eine GGUF-Datei? Quantisierte Modelle erklärt (Q4, Q8, fp8, NF4)

Alle Anleitungen

Captain's Notizen

Geschrieben von Captain, dem Hausredakteur

Notizen vom 2026-10-13

Ling-3.0-flash ist ein 124-Milliarden-Parameter-Mixture-of-Experts-Modell von inclusionAI, das pro Token nur 5,1 Milliarden Parameter aktiviert und so die Inferenz schnell und günstig hält. Seine Hybrid-Linear-Attention-Architektur und das native agentische Training über mehr als 10.000 Umgebungen machen es besonders gut geeignet für Programmieragenten und Aufgaben mit langem Horizont. Mit 0,02 $ pro Million Eingabetoken und offenen Gewichten ist es eine ernsthafte Option für produktive agentische Pipelines.

Bekannt für

Starke Leistung bei Programmier- und agentischen Aufgaben, inklusive SWE-Bench und tiefen Forschungs-Workflows
262.000 Token Kontext mit Caching, das die Zeit bis zum ersten Token bei langen Eingaben um 60–80 % reduziert
Nur 5,1 Milliarden aktivierte Parameter pro Token trotz 124 Milliarden Gesamtparametern
Native Hybrid-Linear-MoE-Architektur, von Anfang an für Langzeit-Kontexteffizienz vortrainiert
Offene Gewichte auf Hugging Face verfügbar

Achte auf

124 Milliarden Gesamtparameter sind groß; lokal zu betreiben erfordert trotz der niedrigen aktiven Parameterzahl ernsthafte Hardware.
Der Denkmodus ist standardmäßig aktiviert – wichtig, wenn Sie Latenz oder Token-Kosten optimieren wollen.
Der Hersteller hat auf dieser Seite keine expliziten Lizenzbedingungen veröffentlicht; vor kommerzieller Nutzung das Hugging Face-Repository prüfen.

Am besten für

Agenten und Werkzeugnutzung

Prompts zum Ausprobieren

Eine fehlerhafte Agentenschleife debuggen

Ich habe einen Python-Agenten, der ein Suchwerkzeug aufruft, das Ergebnis analysiert und dann entscheidet, ob das Werkzeug erneut aufgerufen wird. Nach zwei Iterationen stoppt er immer, auch wenn die Antwort nicht gefunden wurde. Hier ist der Schleifencode: [füge deinen Code ein]. Identifiziere den Fehler, erkläre, warum er zu frühem Abbruch führt, und gib mir eine korrigierte Version.

Ein Systemdesign durchdenken

Ein Fintech-Startup muss 50.000 Zahlungsevents pro Minute verarbeiten, dauerhaft speichern und eine Abfrage-API mit einer p99-Latenz unter 200 ms bereitstellen. Erörtere die Vor- und Nachteile von Kafka plus einem spaltenorientierten Speicher gegenüber einer Streaming-Datenbank wie RisingWave. Schließe mit einer konkreten Empfehlung und dem Hauptrisiko dieser Wahl ab.

Langes Dokument: extrahieren und bewerten

Ich füge unten einen langen Vertrag ein. Lies das gesamte Dokument, identifiziere jede Klausel, die eine finanzielle Verpflichtung für den Käufer schafft, ordne sie nach potenzieller monetärer Belastung von hoch nach niedrig und markiere jede Klausel, die eine automatische Verlängerung oder Strafe ohne ausdrückliche schriftliche Mitteilung auslösen könnte.

Vergleichen mit

Ling 3.0 Flash Sante
Nur API-Modell
262,144 Token Kontext · $0.04/M Eingabe, $0.12/M Ausgabe
Ling 3.1 Flash
Nur API-Modell
262,144 Token Kontext · $0.07/M Eingabe, $0.22/M Ausgabe
Ling 3.0 Flash VL
Modell mit offenen Gewichten
131,072 Token Kontext · $0.06/M Eingabe, $0.18/M Ausgabe
Ling 3.0 Flash Fin
Nur API-Modell
262,144 Token Kontext · $0.04/M Eingabe, $0.12/M Ausgabe

Mehr Textmodelle von inclusionai

Häufig gestellte Fragen

Kann ich Ling-3.0-flash lokal ausführen?: Ja, die Gewichte sind offen und auf Hugging Face unter inclusionAI/Ling-3.0-flash verfügbar. Beachten Sie, dass die Gesamtparameterzahl 124 Milliarden beträgt, sodass Sie trotz nur 5,1 Milliarden aktiver Parameter pro Token erheblichen GPU-Speicher benötigen.
Was kostet Ling-3.0-flash und wie groß ist das Kontextfenster?: Über die API kostet es 0,02 $ pro Million Eingabetoken und 0,06 $ pro Million Ausgabetoken, mit einem Kontextfenster von 262.144 Token.
Worin unterscheidet sich Ling-3.0-flash vom vorherigen Flaggschiff von inclusionAI?: Ling-3.0-flash hat etwa 12 % der Gesamtparameter des vorherigen Ling-2.6-1T-Modells, doch der Hersteller berichtet, dass es bei wichtigen Benchmarks gleichauf oder besser abschneidet, mit dem zusätzlichen Vorteil einer Hybrid-Linear-Architektur, die für Langzeit-Kontexte und agentische Effizienz entwickelt wurde.

Captain's Urteil
Ein wirklich effizientes MoE, das zuerst für Agenten gebaut wurde – der Preis und die offenen Gewichte rechtfertigen eine ernsthafte Evaluierung.

Model Card auf Hugging Face

Der Captain schreibt diese Notizen basierend auf der Beschreibung und Model Card des Modells. Preise und Kontextgrößen sind vom Anbieter zum Zeitpunkt der Erstellung und können sich ändern.

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

Wie sich dieser Wert zusammensetzt

Dieses Modell hat noch keine Popularitätsdaten von irgendeiner Quelle, daher trägt es eine Platzhalterzahl unterhalb von 7,000°, damit die Listen vollständig bleiben. Es rangiert niemals über einem Modell mit Daten. Die Aufschlüsselung erscheint hier, sobald eine Quelle sie meldet.

Glossar: die hier verwendeten Begriffe

Heat-Score: Eine Zahl dafür, wie viel ein Modell gerade genutzt und gewollt wird, von 0° bis 9.999°. Jede Liste auf dieser Seite, die „heißeste“ sagt, ist danach sortiert und nach nichts anderem.
Grundwert: Die 7.000°, mit denen jedes Modell mit echten Daten startet. Die Skala reicht von 0° bis 9.999°; der Bereich unter dem Grundwert ist für Platzhalter reserviert (Modelle ohne Daten), damit ein Modell mit Daten immer über einem ohne steht. Der Grundwert ist für alle gleich und entscheidet nichts; die Grade darüber sind die Messung.
Download-Äquivalente: Alles, was der Score als Download zählt, zusammengefasst: Downloads selbst, jeder Torrent-Seeder als 1.000, jedes AI Horde-Bild und jeder Lauf auf einer Generierungsseite als eins.
Logarithmische Skala: Gezählt in Zehnerschritten, nicht einzeln: Der Sprung von 1.000 auf 10.000 Downloads bringt genauso viele Grade wie von 10.000 auf 100.000. So verdrängen Riesen nicht alles andere.
Likes: Daumen hoch und Likes von allen Quellen, jeweils halb so viel wert wie ein Download auf der Log-Skala.
Verbreitungsrate: Wie viele Downloads ein Modell gerade pro Tag bekommt, aus dem Unterschied zwischen zwei Messungen einer Quelle. Ein Viertel der Gewichtung des Download-Begriffs.
Gemessen und geschätzt: Gemessen bedeutet, dass es zwei Messwerte einer Quelle gibt und der Unterschied echt ist. Geschätzt heißt, es ist nur die heutige Gesamtsumme bekannt und die Vergangenheit wird über die Lebensdauer des Modells verteilt; die Seite sagt, welche Variante angezeigt wird.
Seeder: Jemand, der eine Kopie der Gewichte online hält, damit andere sie über einen Torrent herunterladen können, oder ein gehosteter Spiegel, der dasselbe macht. Jeder davon zählt als 1.000 Downloads.
AI Horde: Ein Freiwilligennetzwerk, das kostenlos Bilder auf gespendeten Computern generiert. Die Anzahl der Bilder, die es mit einem Modell erstellt hat, ist öffentlich und jedes zählt als ein Download.
Generierungsseiten: Seiten, die eigene Kopien eines Modells hosten und Leute damit generieren lassen, wie PixAI, SeaArt und Yodayo. Ihre Downloads zählen wie bei Civitai und jeder Generierungslauf als ein Download.
OpenRouter Tokens: Ein Textmodell, das über eine API bereitgestellt wird, wie Claude oder GPT, hat keine Gewichte zum Herunterladen, daher wird seine Nutzung in Tokens gemessen: die Textstücke, die es über OpenRouter gelesen und geschrieben hat, einem Gateway, das viele Apps nutzen, in den letzten 30 Tagen. Je 10,000,000 Tokens zählen als ein Download. Quelle: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Vollständiges Modell (Checkpoint): Die Gewichte selbst, die Datei, die eigenständig generiert. Sie bekommt einen Bonus, weil Add-ons davon abhängen.
LoRA und Embedding: Kleine Zusatzdateien, die die Gewichte von jemand anderem in Richtung eines Stils, Charakters oder Konzepts lenken. Sie können nicht alleine laufen.
Familie und Gewichte: Die Basis, auf der ein Modell aufgebaut ist, wie SD 1.5, SDXL, Flux oder Wan. Jedes Modell erbt das Veröffentlichungsdatum der Gewichte seiner Familie.
Alter: Abzüge je nachdem, wie lange die Gewichte der Familie schon draußen sind: 150° pro Jahr, bis zu 750°. Alte Downloads, die Jahre zum Ansammeln hatten, bleiben oben in der Liste eingefroren.
Familien-Boost: Ein kleiner, begrenzter Schub für LoRAs einer Familie, die diese Seite gerade vorantreibt, immer in der Aufschlüsselung aufgeführt.
Stand-in-Wert: Eine stabile Zahl unter der Mindestgrenze, die einem Modell gegeben wird, über das noch keine Quelle berichtet hat, damit die Listen vollständig bleiben. Sie rangiert nie über einem Modell mit Daten.
Neu! (Schonfrist): Ein Modell, das weniger als 7 Tage alt ist, zeigt Neu! statt einer Punktzahl und nimmt keinen Platz in den Rankings ein. Seine Punktzahl wird ab dem ersten Tag berechnet, aber ein Modell, das einen Tag alt ist, wächst schneller als alles andere, daher wäre ohne die Wartezeit das #1 Modell der Woche immer das, das gestern herauskam, statt das, das sich eine Woche gehalten hat.
Trend: Wie das Wachstum eines Modells über einen Zeitraum im Vergleich zum typischen Wachstum eines Modells im gleichen Zeitraum ist. Schneller als üblich bedeutet Anstieg, langsamer bedeutet Rückgang.
Typisches Modell: Die Mitte des Katalogs: Die Hälfte der Modelle mit einer Zahl wuchs schneller im Zeitraum, die andere Hälfte langsamer.

Ähnliche Modelle

DeepSeek Flash Latest

KI-Modelle für Bild-, Video- und Texterzeugung

Ling 3.0 Flash ist ein Textmodell für die Familie Text / LLM und wird auf ModelTrends.ai gelistet, einem reinen Lesekatalog für Open-Source-KI-Modelle für Bild, Video und Text. Vergleiche es mit anderen Text / LLM-Modellen und prüfe den Hitzewert, um den Trend zu sehen.

Weitere Text / LLM-Modelle llm inclusionai logik agenten programmieren langer kontext lokal

Nach Modellfamilie stöbern