Posso eseguire Ling-3.0-flash localmente?

Sì, i pesi sono open e disponibili su Hugging Face sotto inclusionAI/Ling-3.0-flash. Tieni presente che il totale dei parametri è 124 miliardi, quindi servirà molta memoria GPU anche se per token sono attivi solo 5,1 miliardi di parametri.

Quanto costa Ling-3.0-flash e qual è la finestra di contesto?

Via API costa 0,02$ per milione di token in input e 0,06$ per milione di token in output, con una finestra di contesto di 262.144 token.

In cosa Ling-3.0-flash differisce dal precedente modello di punta di inclusionAI?

Ling-3.0-flash ha circa il 12% dei parametri totali del precedente Ling-2.6-1T, eppure il produttore riporta che eguaglia o supera quel predecessore nei benchmark chiave, con il vantaggio aggiunto di un'architettura ibrida-lineare progettata per efficienza su contesti lunghi e agentici.

Ling 3.0 Flash

5435°

#llm #inclusionai #ragionamento #agenti #programmazione #contesto lungo

Esegui questo modello

Offerte / Annunci

OpenRouter Terminale / API

Paga per token

Chatta con questo modello nel browser o chiamalo dal tuo codice con una chiave API.

inclusionAI | contesto da 262.144 token | $0.02/M input, $0.06/M output. *Ling-3.0-flash* è un *modello Mixture-of-Experts (MoE) da 124B parametri*, con circa *5,1B parametri attivati per token*. Il modello è progettato con *efficienza di token e inferenza agentica su scala produttiva* come priorità chiave, permettendo agli sviluppatori...

Guide per questo modello

Il miglior LLM locale per caso d'uso (ottobre 2026): il modello open giusto per ogni lavoro

Quanta VRAM serve davvero per l'AI locale?

Pesi aperti vs open source vs solo API: cosa puoi davvero fare

Cos'è un file GGUF? Modelli quantizzati spiegati (Q4, Q8, fp8, NF4)

Tutte le guide

Note del capitano

Scritto da Captain, l'editor di casa

Note del 2026-10-13

Ling-3.0-flash è un modello Mixture-of-Experts da 124 miliardi di parametri di inclusionAI che attiva solo 5,1 miliardi di parametri per token, mantenendo l'inferenza veloce ed economica. La sua architettura di attenzione ibrida-lineare e l'addestramento agentico nativo su oltre 10.000 ambienti lo rendono particolarmente adatto ad agenti di coding e compiti a lungo termine. Con un costo di 0,02$ per milione di token in input e pesi open source, merita seria attenzione se gestisci pipeline agentiche in produzione.

Conosciuto per

Ottime prestazioni in coding e compiti agentici, inclusi SWE-Bench e flussi di lavoro di ricerca approfondita
Contesto di 262K token con caching che riduce il tempo al primo token del 60–80% su input lunghi
Solo 5,1 miliardi di parametri attivati per token nonostante un totale di 124 miliardi di parametri
Architettura MoE ibrida-lineare nativa preaddestrata fin dall'inizio per l'efficienza su contesti lunghi
Pesi open disponibili su Hugging Face

Attenzione a

124 miliardi di parametri totali sono molti; eseguirlo localmente richiede hardware serio nonostante il basso numero di parametri attivi.
La modalità di 'pensiero' è attiva di default — è importante saperlo se ottimizzi per latenza o costi per token di output.
Il produttore non ha pubblicato termini di licenza espliciti su questa pagina; verifica il repository Hugging Face prima dell'uso commerciale.

Ideale per

Agenti e uso di strumenti

Prompt da provare

Debug di un ciclo agente che fallisce

Ho un agente Python che chiama uno strumento di ricerca, analizza il risultato e poi decide se richiamare lo strumento. Dopo due iterazioni si ferma sempre, anche quando la risposta non è trovata. Ecco il codice del ciclo: [incolla il tuo codice]. Identifica il bug, spiega perché causa una terminazione anticipata e forniscimi una versione corretta.

Ragionare su un design di sistema

Una startup fintech deve processare 50.000 eventi di pagamento al minuto, archiviarli in modo duraturo ed esporre un'API di query con latenza p99 sotto i 200ms. Analizza i compromessi tra Kafka più un archivio colonnare e un database streaming come RisingWave. Concludi con una raccomandazione concreta e il principale rischio di quella scelta.

Documento lungo: estrai e ordina

Sto incollando un contratto lungo. Leggi tutto il documento, identifica ogni clausola che crea un obbligo finanziario per l'acquirente, ordinali per esposizione monetaria potenziale dalla più alta alla più bassa e segnala ogni clausola che potrebbe innescare un rinnovo automatico o una penale senza avviso scritto esplicito.

Confronta con

Ling 3.0 Flash Sante
Modello solo API
Contesto di 262,144 token · Input $0.04/M, output $0.12/M
Ling 3.1 Flash
Modello solo API
Contesto di 262,144 token · Input $0.07/M, output $0.22/M
Ling 3.0 Flash VL
Modello con pesi aperti
Contesto di 131,072 token · Input $0.06/M, output $0.18/M
Ling 3.0 Flash Fin
Modello solo API
Contesto di 262,144 token · Input $0.04/M, output $0.12/M

Altri modelli di testo da inclusionai

Domande frequenti

Posso eseguire Ling-3.0-flash localmente?: Sì, i pesi sono open e disponibili su Hugging Face sotto inclusionAI/Ling-3.0-flash. Tieni presente che il totale dei parametri è 124 miliardi, quindi servirà molta memoria GPU anche se per token sono attivi solo 5,1 miliardi di parametri.
Quanto costa Ling-3.0-flash e qual è la finestra di contesto?: Via API costa 0,02$ per milione di token in input e 0,06$ per milione di token in output, con una finestra di contesto di 262.144 token.
In cosa Ling-3.0-flash differisce dal precedente modello di punta di inclusionAI?: Ling-3.0-flash ha circa il 12% dei parametri totali del precedente Ling-2.6-1T, eppure il produttore riporta che eguaglia o supera quel predecessore nei benchmark chiave, con il vantaggio aggiunto di un'architettura ibrida-lineare progettata per efficienza su contesti lunghi e agentici.

Verdetto del capitano
Un MoE genuinamente efficiente costruito prima di tutto per agenti — il prezzo e i pesi open lo rendono facile da giustificare per una valutazione seria.

Scheda modello su Hugging Face

Il capitano scrive queste note dalla descrizione e dalla scheda modello. Prezzi e dimensioni del contesto sono quelli del provider al momento della scrittura e possono cambiare.

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

Come si calcola questo punteggio

Questo modello non ha ancora dati di popolarità da nessuna fonte, quindi ha un numero provvisorio sotto 7,000° che mantiene le liste complete. Non supera mai un modello con dati. La suddivisione appare qui appena una fonte la segnala.

Glossario: i termini usati qui

Punteggio heat: Un numero che indica quanto un modello è usato e desiderato ora, da 0° a 9.999°. Ogni lista su questo sito che dice più caldo è ordinata per questo e nient’altro.
Soglia minima: I 7.000° da cui parte ogni modello con dati reali. La scala va da 0° a 9.999°; la parte sotto la soglia è riservata ai sostituti (modelli senza dati), così un modello con dati è sempre sopra uno senza. La soglia è uguale per tutti e non decide nulla; i gradi sopra sono la misura.
Equivalenti di download: Tutto ciò che il punteggio considera come un download, sommato: i download stessi, ogni seeder torrent come 1.000, ogni immagine AI Horde e ogni esecuzione su un sito di generazione come uno.
Scala logaritmica: Conta a decine, non a unità: passare da 1.000 a 10.000 download aggiunge gli stessi gradi che passare da 10.000 a 100.000. Evita che i giganti schiaccino tutto il resto.
Like: Pollici in su e like da ogni fonte, valgono metà di un download sulla scala logaritmica.
Tasso di adozione: Quanti download al giorno riceve un modello ora, dalla differenza tra due rilevazioni di una fonte. Un quarto del peso del termine download.
Misurato e stimato: Misurato significa che ci sono due letture di una fonte e la differenza è reale. Stimato significa che si conosce solo il totale di oggi e il passato è distribuito sulla vita del modello; il sito indica quale viene mostrato.
Seeder: Qualcuno che mantiene una copia dei pesi online per farli scaricare agli altri tramite torrent, o uno specchio ospitato che fa lo stesso. Ognuno conta come 1.000 download.
AI Horde: Una rete di volontari che genera immagini gratis su computer donati. Il numero di immagini create con un modello è pubblico, e ognuna conta come un download.
Siti di generazione: Siti che ospitano copie di un modello e permettono di generare con esso, come PixAI, SeaArt e Yodayo. I loro download contano come quelli di Civitai e ogni generazione come un download.
Token OpenRouter: Un modello di testo servito tramite API, come Claude o GPT, non ha pesi da scaricare, quindi il suo utilizzo si misura in token: i pezzi di testo letti e scritti tramite OpenRouter, un gateway usato da molte app, negli ultimi 30 giorni. Ogni 10,000,000 token conta come un download. Fonte: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Modello completo (checkpoint): I pesi stessi, il file che genera da solo. Riceve un bonus perché da esso dipendono gli add-on.
LoRA e embedding: Piccoli file add-on che indirizzano i pesi di qualcun altro verso uno stile, un personaggio o un concetto. Non possono funzionare da soli.
Famiglia e pesi: La base su cui è costruito un modello, come SD 1.5, SDXL, Flux o Wan. Ogni modello eredita la data di rilascio dei pesi della sua famiglia.
Età: Gradi tolti in base a quanto tempo fa sono usciti i pesi della famiglia: 150° all'anno, fino a 750°. Mantiene i vecchi download che hanno avuto anni per accumularsi congelando la cima della lista.
Boost famiglia: Una piccola spinta limitata per le LoRA di una famiglia che questo sito sta promuovendo ora, sempre elencata nel dettaglio.
Punteggio stand-in: Un numero stabile sotto il minimo dato a un modello su cui nessuna fonte ha ancora dati, così le liste restano complete. Non supera mai un modello con dati.
Novità! (periodo di grazia): Un modello più giovane di 7 giorni mostra Novità! invece di un punteggio e non ha posizione nelle classifiche. Il suo punteggio è calcolato dal primo giorno, ma un modello di un giorno cresce più velocemente di qualsiasi altro, quindi senza l'attesa il #1 della settimana sarebbe sempre quello uscito ieri invece di quello che ha resistito per una settimana.
Tendenza: Come la crescita di un modello in un periodo si confronta con la crescita tipica di un modello nello stesso periodo. Più veloce del tipico si legge come aumento, più lento come calo.
Modello tipico: Il centro del catalogo: metà dei modelli con un valore è cresciuta più velocemente nel periodo, metà più lentamente.

Modelli simili

Modelli di IA per generare immagini, video e testo

Ling 3.0 Flash è un modello di testo per la famiglia Text / LLM presente su ModelTrends.ai, un catalogo in sola lettura di modelli di IA open source per immagini, video e testo. Confrontalo con gli altri modelli Text / LLM e controlla il punteggio di calore per vedere la tendenza.

Altri modelli Text / LLM Altri Testo / LLM Text / LLM llm inclusionai ragionamento agenti programmazione contesto lungo locale

Sfoglia per famiglia di modelli