Ling-3.0-flash를 로컬에서 실행할 수 있나요?

inclusionAI | 262,144 토큰 컨텍스트 | 입력 $0.02/M, 출력 $0.06/M. *Ling-3.0-flash*는 *124B 파라미터 Mixture-of-Experts (MoE) 모델*로, 토큰당 약 *51억 파라미터가 활성화*됩니다. 이 모델은 *토큰 효율성과 대규모 에이전트 추론*을 핵심 우선순위로 설계되어 개발자들이...

이 모델의 가이드

용도별 최고의 로컬 LLM (2026년 10월): 모든 작업에 맞는 최적의 오픈 모델

로컬 AI에 실제로 필요한 VRAM은 얼마나 될까?

오픈 가중치 vs 오픈 소스 vs API 전용: 실제로 할 수 있는 것

GGUF 파일이란? 양자화 모델 설명 (Q4, Q8, fp8, NF4)

모든 가이드

캡틴의 노트

Captain 작성, 하우스 에디터

2026-10-13의 노트

Ling-3.0-flash는 inclusionAI의 1240억 파라미터 Mixture-of-Experts 모델로, 토큰당 51억 파라미터만 활성화해 추론을 빠르고 저렴하게 유지합니다. 하이브리드-선형 어텐션 아키텍처와 10,000개 이상의 환경에서의 네이티브 에이전트 학습으로 코딩 에이전트와 장기 작업에 매우 적합합니다. 입력 토큰당 0.02달러, 오픈 가중치로 프로덕션 에이전트 파이프라인에 주목할 만한 가치가 있습니다.

알려진 점

SWE-Bench 및 심층 연구 워크플로우를 포함한 강력한 코딩 및 에이전트 작업 성능
262K 토큰 컨텍스트와 캐싱으로 긴 입력 시 첫 토큰 응답 시간을 60~80% 단축
총 1240억 파라미터 중 토큰당 51억 파라미터만 활성화
장기 컨텍스트 효율성을 위해 처음부터 사전학습된 네이티브 하이브리드-선형 MoE 아키텍처
Hugging Face에서 오픈 가중치 제공

주의할 점

총 1240억 파라미터로 크기가 매우 커 로컬 실행 시 하드웨어 요구가 큼.
기본적으로 사고 모드가 켜져 있어 지연 시간이나 출력 토큰 비용 최적화 시 주의 필요.
제작자가 명확한 라이선스 조건을 공개하지 않아 상업적 사용 전 Hugging Face 저장소 확인 권장.

최적 용도

시도해볼 프롬프트

실패하는 에이전트 루프 디버그

Python 에이전트가 검색 도구를 호출하고 결과를 파싱한 뒤 다시 호출할지 결정합니다. 두 번 반복 후 항상 멈추는데 답을 못 찾을 때도 그렇습니다. 루프 코드는 [코드 붙여넣기]. 버그를 찾아 조기 종료 이유를 설명하고 수정된 코드를 주세요.

시스템 설계 논리적 접근

핀테크 스타트업이 분당 5만 건 결제 이벤트를 처리하고 내구성 있게 저장하며, 200ms 미만 p99 지연으로 쿼리 API를 제공해야 합니다. Kafka+컬럼형 저장소와 RisingWave 같은 스트리밍 DB의 장단점을 비교하고, 구체적 추천과 주요 위험을 제시하세요.

긴 문서: 추출 및 순위 매기기

아래에 긴 계약서를 붙입니다. 구매자에게 재정적 의무를 부과하는 조항을 모두 찾아 금전적 노출 가능성 순으로 정렬하고, 명시적 서면 통보 없이 자동 갱신이나 벌칙을 유발할 수 있는 조항을 표시하세요.

비교하기

Ling 3.0 Flash Sante
API 전용 모델
262,144 토큰 컨텍스트 · $0.04/M 입력, $0.12/M 출력
Ling 3.1 Flash
API 전용 모델
262,144 토큰 컨텍스트 · $0.07/M 입력, $0.22/M 출력
Ling 3.0 Flash VL
오픈 가중치 모델
131,072 토큰 컨텍스트 · $0.06/M 입력, $0.18/M 출력
Ling 3.0 Flash Fin
API 전용 모델
262,144 토큰 컨텍스트 · $0.04/M 입력, $0.12/M 출력

inclusionai의 더 많은 텍스트 모델

사람들이 묻는 질문

Ling-3.0-flash를 로컬에서 실행할 수 있나요?: 네, inclusionAI/Ling-3.0-flash로 Hugging Face에서 오픈 가중치를 받을 수 있습니다. 총 파라미터 수가 1240억으로 매우 크므로 토큰당 51억 파라미터만 활성화되더라도 충분한 GPU 메모리가 필요합니다.
비용과 컨텍스트 창은 어떻게 되나요?: API 기준 입력 토큰당 0.02달러, 출력 토큰당 0.06달러이며, 262,144 토큰 컨텍스트 창을 지원합니다.
이전 inclusionAI 대표 모델과 어떻게 다른가요?: Ling-3.0-flash는 이전 Ling-2.6-1T 모델의 약 12% 크기지만, 제작자는 주요 벤치마크에서 동등하거나 더 우수한 성능을 보고하며, 장기 컨텍스트와 에이전트 효율성을 위한 하이브리드-선형 아키텍처가 추가된 점이 특징입니다.

캡틴의 평가
에이전트를 우선으로 설계된 진정한 효율적 MoE 모델 — 가격과 오픈 가중치 덕분에 신중한 평가가 쉽습니다.

Hugging Face의 모델 카드

캡틴은 모델의 설명과 모델 카드에서 이 노트를 작성합니다. 가격과 컨텍스트 크기는 작성 시점의 제공자 기준이며 변경될 수 있습니다.

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

이 점수가 어떻게 계산되는지

이 모델은 아직 어떤 출처에서도 인기 데이터가 없어서 7,000° 아래에 임시 점수를 가지고 있어. 이 점수는 목록을 완성하는 데 쓰여. 데이터가 있는 모델보다 절대 순위가 높지 않아. 출처에서 보고가 들어오는 즉시 여기서 세부 내역이 나타나.

용어집: 여기서 쓰는 말들

히트 점수: 모델이 지금 얼마나 쓰이고 원하는지 한 숫자로 나타낸 거야, 0°부터 9,999°까지. 이 사이트에서 가장 인기 있는 목록은 모두 이 점수로 정렬돼.
기본 점수: 실제 데이터가 있는 모든 모델이 시작하는 7,000°야. 점수는 0°부터 9,999°까지인데, 기본 점수 아래는 데이터 없는 모델(대체 모델)용으로 남겨둬서 데이터 있는 모델이 항상 위에 오도록 해. 기본 점수는 모두 같고 아무것도 결정하지 않아; 그 위 점수가 실제 측정치야.
다운로드 동등치: 점수가 다운로드로 취급하는 모든 걸 합친 거야: 실제 다운로드, 토렌트 시더 1,000개씩, AI Horde 이미지와 생성 사이트 실행 1개씩.
로그 스케일: 1씩이 아니라 10씩 세는 거야: 1,000에서 10,000 다운로드가 늘면 10,000에서 100,000 늘어난 것과 같은 점수가 더해져. 큰 모델이 다 차지하는 걸 막아줘.
좋아요: 모든 출처의 좋아요와 엄지척, 로그 스케일에서 다운로드 절반 가치야.
채택률: 두 번 측정한 차이로 계산한 지금 하루 다운로드 수야. 다운로드 항목 무게의 4분의 1이야.
측정 및 추정: 측정은 두 번의 소스 읽기가 존재하고 그 차이가 실제라는 뜻이야. 추정은 오늘의 총합만 알고 과거는 모델의 전체 기간에 나눠서 보여주는 거야; 사이트에서 어떤 걸 보여주는지 알려줘.
시더: 토렌트를 통해 다른 사람이 다운로드할 수 있도록 가중치 파일을 온라인에 보관하는 사람이나 호스팅 미러를 말해. 각각 1,000번 다운로드로 계산돼.
AI 호드: 기부받은 컴퓨터에서 무료로 이미지를 생성하는 자원봉사 네트워크야. 모델로 만든 이미지 수가 공개되고, 각각이 한 번의 다운로드로 계산돼.
생성 사이트: PixAI, SeaArt, Yodayo 같은 모델 복사본을 직접 호스팅하고 사람들이 생성할 수 있게 하는 사이트들이야. 이들의 다운로드는 Civitai와 같고, 생성 한 번이 한 번의 다운로드로 계산돼.
OpenRouter 토큰: Claude나 GPT 같은 API를 통해 제공되는 텍스트 모델은 다운로드할 가중치가 없으므로, 지난 30일간 OpenRouter를 통해 읽고 쓴 텍스트 조각인 토큰 수로 사용량을 측정합니다. 10,000,000 토큰마다 다운로드 1회로 계산합니다. 출처: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
전체 모델 (체크포인트): 가중치 자체, 혼자서 생성하는 파일이야. 애드온이 이걸 기반으로 하기 때문에 보너스 점수를 받아.
LoRA와 임베딩: 다른 사람의 가중치를 특정 스타일, 캐릭터, 개념 쪽으로 조정하는 작은 추가 파일이야. 혼자 실행할 수 없어.
패밀리와 가중치: 모델이 기반으로 하는 것, 예를 들어 SD 1.5, SDXL, Flux, Wan 같은 거야. 모든 모델은 패밀리 가중치의 출시일을 물려받아.
연령: 패밀리 가중치가 나온 지 얼마나 됐는지에 따라 점수를 깎아: 1년에 150°, 최대 750°까지. 오래된 다운로드는 리스트 상단 고정을 풀어 쌓이도록 해.
패밀리 부스트: 이 사이트가 지금 밀고 있는 패밀리의 LoRA에 주는 작고 제한된 점수 조정으로, 항상 세부 내역에 표시돼.
대체 점수: 아직 소스 보고가 없는 모델에 안정적으로 주는 최저 점수로, 리스트가 완전하게 유지되도록 해. 데이터가 있는 모델보다 절대 높게 평가되지 않아.
신규! (유예 기간): 7일 미만의 신규 모델은 점수 대신 '신규!' 표시가 나오며 순위에 포함되지 않습니다. 점수는 첫날부터 계산되지만, 하루 된 모델은 매우 빠르게 성장하므로 유예 기간 없이는 항상 어제 나온 모델이 이번 주 #1이 되어버립니다.
추세: 한 기간 동안 모델의 성장 속도가 같은 기간의 일반 모델 성장 속도와 비교해서 어떤지 보여줘. 일반보다 빠르면 상승, 느리면 하락으로 봐.
일반 모델: 카탈로그의 중간값: 수치가 있는 모델 중 절반은 기간 동안 더 빨리 성장했고, 절반은 더 느리게 성장했어.

유사한 모델

QwQ 32B Preview

TEXT / LLM

Nano Banana Pro (Gemini 3 Pro Image)

이미지·영상·텍스트 생성을 위한 AI 모델

Ling 3.0 Flash은(는) Text / LLM 패밀리용 텍스트 모델으로, 오픈 소스 AI 이미지·영상·텍스트 모델의 읽기 전용 카탈로그인 ModelTrends.ai에 등록되어 있습니다. 다른 Text / LLM 모델과 비교하고 열기 점수로 트렌드를 확인해 보세요.

모델 패밀리별로 보기