Bolehkah saya jalankan Ling 3.0 Flash Fin secara tempatan?

Tidak. InclusionAI belum mengeluarkan berat terbuka untuk model ini, jadi ia hanya API dan tidak boleh dihos sendiri.

Berapa kos dan berapa lama konteksnya?

Harga adalah $0.04 setiap sejuta token input dan $0.12 setiap sejuta token output, dengan tetingkap konteks 262,144 token.

Bagaimana Ling 3.0 Flash Fin berbeza daripada Ling 3.0 Flash asas?

Ia dibina di atas Ling 3.0 Flash tetapi ditala halus khusus untuk aliran kerja kewangan dan pelaburan; model asas adalah pembantu tujuan umum.

Ling 3.0 Flash Fin

3036°

#llm #inclusionai #penalaran #penyelidikan #konteks panjang #pengekstrakan data

Jalankan model ini

Tawaran / Iklan

OpenRouter Terminal / API

Bayar setiap token

Bual dengan model ini dalam pelayar atau panggil ia dari kod anda dengan satu kunci API.

inclusionAI | konteks token 262,144 | $0.04/M input, $0.12/M output. Ling 3.0 Flash Fin adalah model campuran-pakar fokus kewangan dari InclusionAI, dibina atas Ling 3.0 Flash dengan 5.1B parameter aktif daripada 124B keseluruhan. Ia direka untuk aliran kerja pelaburan dunia nyata yang memerlukan tugas berbilang langkah kompleks dan perancangan serta pelaksanaan jangka panjang, sambil mengekalkan keupayaan umum dalam penaakulan, pengaturcaraan, dan matematik.

Panduan untuk model ini

10 Alternatif ChatGPT Termurah pada 2026: model tempatan percuma, tahap percuma dan pelan kadar rata

Berat terbuka vs sumber terbuka vs hanya API: apa yang sebenarnya kamu dibenarkan lakukan

Semua panduan

Nota Kapten

Ditulis oleh Captain, editor rumah

Nota dari 2026-10-13

Ling 3.0 Flash Fin adalah model campuran pakar khusus kewangan dari InclusionAI, menjalankan 5.1B parameter aktif dari kolam 124B jumlah. Ia dibina untuk aliran kerja pelaburan berbilang langkah dan tugasan perancangan jangka panjang, sambil mengekalkan penalaran umum, pengkodan dan matematik yang kukuh. Pada harga $0.04 setiap sejuta token input, ia disasarkan untuk saluran kewangan berjumlah tinggi dan bukan penggunaan santai.

Dikenali untuk

Fokus domain kewangan: aliran kerja pelaburan, perancangan dan pelaksanaan berbilang langkah
Seni bina MoE mengaktifkan hanya 5.1B daripada 124B parameter setiap laluan ke hadapan
Tetingkap konteks 262,144 token mengendalikan dokumen kewangan panjang
Mengekalkan penalaran umum, pengkodan dan matematik bersama kepakaran kewangan

Berhati-hati dengan

Berat tertutup: anda tidak boleh jalankan secara tempatan atau periksa model
Kepakaran kewangan mungkin bermakna prestasi merosot pada tugasan umum yang tidak berkaitan
Tiada kad model diterbitkan; butiran penilaian dalaman tidak tersedia

Terbaik untuk

Arahan untuk cuba

Analisa pelepasan pendapatan

Anda sedang menyemak pelepasan pendapatan suku tahunan. Hasil pendapatan adalah $4.2B berbanding anggaran konsensus $3.9B. Margin operasi mengecut 180 mata asas tahun ke tahun kepada 14.2%. Pengurusan membimbing hasil suku berikutnya kepada $3.8B–$4.0B. Kenal pasti tiga isyarat paling penting untuk pelabur ekuiti dan terangkan apa maksud setiap satu untuk saham.

Memo pelaburan berbilang langkah

Sebuah syarikat industri pertengahan telah mengumumkan ia akan mengambil alih pesaing lebih kecil pada 12x EV/EBITDA, dibiayai 60% dengan hutang. Terangkan langkah utama yang perlu diambil penganalisis untuk menilai sama ada perjanjian ini menambah nilai, merangkumi andaian sinergi, impak leverage, risiko integrasi dan kesan pada profil kredit pengambil.

Ekstrak terma utama dari klausa

Di bawah adalah klausa perjanjian hutang dari perjanjian kredit. Ekstrak: nisbah penyelenggaraan kewangan yang diperlukan, kekerapan ujian, hak pembetulan jika ada, dan akibat pelanggaran. Bentangkan penemuan anda sebagai jadual berstruktur. [Tampal teks klausa di sini]

Bandingkan dengan

Ling 3.1 Flash
Model hanya API
konteks 262,144 token · Input $0.07/M, output $0.22/M
Ling 3.0 Flash VL
Model berat terbuka
konteks 131,072 token · Input $0.06/M, output $0.18/M
Ling 3.0 Flash
Model berat terbuka
konteks 262,144 token · Input $0.02/M, output $0.06/M
Ling 3.0 Flash Sante
Model hanya API
konteks 262,144 token · Input $0.04/M, output $0.12/M

Lebih banyak model teks dari inclusionai

Soalan yang sering ditanya

Bolehkah saya jalankan Ling 3.0 Flash Fin secara tempatan?: Tidak. InclusionAI belum mengeluarkan berat terbuka untuk model ini, jadi ia hanya API dan tidak boleh dihos sendiri.
Berapa kos dan berapa lama konteksnya?: Harga adalah $0.04 setiap sejuta token input dan $0.12 setiap sejuta token output, dengan tetingkap konteks 262,144 token.
Bagaimana Ling 3.0 Flash Fin berbeza daripada Ling 3.0 Flash asas?: Ia dibina di atas Ling 3.0 Flash tetapi ditala halus khusus untuk aliran kerja kewangan dan pelaburan; model asas adalah pembantu tujuan umum.

Keputusan Kapten
MoE konteks panjang yang murah dibina untuk aliran kerja kewangan — berguna jika anda bekerja dengan dokumen pelaburan, tidak relevan jika tidak.

Kapten menulis nota ini berdasarkan penerangan model dan kad model itu sendiri. Harga dan saiz konteks adalah dari penyedia pada masa penulisan dan boleh berubah.

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

Bagaimana skor ini dijumlahkan

Model ini belum ada data populariti dari mana-mana sumber lagi, jadi ia membawa nombor gantian di bawah 7,000° yang memastikan senarai lengkap. Ia tidak pernah menduduki tempat lebih tinggi daripada model yang ada data. Pecahan muncul di sini sebaik sahaja sumber melaporkannya.

Glosari: istilah yang digunakan di sini

Skor heat: Satu nombor untuk seberapa banyak model digunakan dan diingini sekarang, dari 0° hingga 9,999°. Setiap senarai di laman ini yang kata paling panas disusun mengikutnya dan tiada yang lain.
Lantai: 7,000° yang setiap model dengan data sebenar bermula. Skala dari 0° hingga 9,999°; bahagian bawah lantai untuk pengganti (model tanpa data), supaya model dengan data sentiasa lebih tinggi dari yang tiada. Lantai sama untuk semua dan tidak tentukan apa-apa; darjah di atasnya adalah ukuran.
Setara muat turun: Semua yang skor anggap sebagai muat turun, dijumlahkan: muat turun sendiri, setiap torrent seeder sebagai 1,000, setiap imej AI Horde dan setiap larian di laman generasi sebagai satu.
Skala log: Mengira dengan puluhan, bukan satuan: dari 1,000 ke 10,000 muat turun tambah darjah sama seperti dari 10,000 ke 100,000. Ini elak gergasi menindas yang lain.
Suka: Jempol dan suka dari semua sumber, bernilai separuh muat turun pada skala log.
Kadar penerimaan: Berapa banyak muat turun sehari model dapat sekarang, dari beza dua bacaan sumber. Berat suku dari terma muat turun.
Diukur dan dianggarkan: Diukur bermaksud ada dua bacaan dari satu sumber dan perbezaannya adalah nyata. Dianggarkan bermaksud hanya jumlah hari ini yang diketahui dan masa lalu diagihkan sepanjang hayat model; laman web akan memberitahu yang mana satu ia tunjukkan.
Seeder: Seseorang yang menyimpan salinan berat secara dalam talian untuk dimuat turun oleh orang lain melalui torrent, atau cermin yang dihoskan melakukan perkara yang sama. Setiap satu dikira sebagai 1,000 muat turun.
AI Horde: Rangkaian sukarelawan yang menjana imej secara percuma pada komputer yang didermakan. Bilangan imej yang telah dihasilkan dengan model adalah awam, dan setiap satu dikira sebagai satu muat turun.
Laman penjanaan: Laman yang menghoskan salinan model mereka sendiri dan membenarkan orang menjana dengannya, seperti PixAI, SeaArt dan Yodayo. Muat turun mereka dikira seperti Civitai dan setiap sesi penjanaan dikira sebagai satu muat turun.
Token OpenRouter: Model teks yang disediakan melalui API, seperti Claude atau GPT, tidak mempunyai berat untuk dimuat turun, jadi penggunaannya diukur dalam token: bahagian teks yang dibaca dan ditulis melalui OpenRouter, pintu masuk yang digunakan oleh banyak aplikasi, dalam 30 hari terakhir. Setiap 10,000,000 token dikira sebagai satu muat turun. Sumber: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Model penuh (checkpoint): Berat itu sendiri, fail yang menjana secara sendiri. Ia mendapat bonus kerana add-on bergantung padanya.
LoRA dan embedding: Fail add-on kecil yang mengarahkan berat orang lain ke arah gaya, watak atau konsep. Ia tidak boleh dijalankan sendiri.
Keluarga dan berat: Asas yang model dibina, seperti SD 1.5, SDXL, Flux atau Wan. Setiap model mewarisi tarikh keluaran berat keluarganya.
Umur: Darjah yang ditolak berdasarkan berapa lama berat keluarga itu dikeluarkan: 150° setahun, sehingga 750°. Ia mengekalkan muat turun lama yang mempunyai masa bertahun-tahun untuk terkumpul dengan membekukan di bahagian atas senarai.
Peningkatan keluarga: Dorongan kecil dan terhad untuk LoRA dari keluarga yang laman ini sedang galakkan sekarang, sentiasa disenaraikan dalam pecahan.
Skor gantian: Nombor stabil di bawah paras yang diberikan kepada model yang belum ada laporan sumber, supaya senarai kekal lengkap. Ia tidak pernah mendahului model yang ada data.
Baru! (tempoh kelonggaran): Model yang berumur kurang dari 7 hari menunjukkan Baru! dan tidak mempunyai skor serta tidak menduduki tempat dalam kedudukan. Skornya dikira dari hari pertama, tetapi model yang berumur satu hari berkembang lebih cepat daripada apa pun, jadi tanpa menunggu, #1 minggu ini akan sentiasa menjadi apa sahaja yang keluar semalam dan bukan yang bertahan selama seminggu.
Trend: Bagaimana pertumbuhan model dalam tempoh tertentu dibandingkan dengan pertumbuhan model biasa dalam tempoh yang sama. Lebih cepat dari biasa bermaksud naik, lebih perlahan bermaksud turun.
Model biasa: Tengah katalog: separuh model dengan angka tumbuh lebih cepat dalam tempoh itu, separuh lagi lebih perlahan.

Model serupa

Llama 4 Scout 17B 16E Instruct

TEXT / LLM

Model AI untuk penjanaan imej, video dan teks

Ling 3.0 Flash Fin ialah model teks untuk keluarga Text / LLM yang disenaraikan di ModelTrends.ai, katalog baca sahaja untuk model AI imej, video dan teks sumber terbuka. Bandingkannya dengan model Text / LLM lain dan semak skor habanya untuk melihat trendnya.

Lagi model Text / LLM Lagi Teks / LLM Text / LLM llm inclusionai penalaran penyelidikan konteks panjang pengekstrakan data

Layari mengikut keluarga model